Construisez un modèle statistique à frontières pour prédire une variable catégorielle (classification) en fonction de plusieurs variables explicatives. Les SVM permettent de créer des frontières beaucoup plus flexibles que les arbres de décision (partitionnement) et l'analyse discriminante.
Machines à vecteurs de support
- Dans un tableau JMP® ouvert, sélectionnez Analyser > Modélisation prédictive > Machines à vecteurs de support.
- Ajoutez une variable de réponse nominale ou ordinale à partir de Sélectionner les colonnes au rôle Y, Réponse .
- Ajouter des variables prédictives candidates au rôle de facteur X.
- Si vous le souhaitez, ajoutez une colonne de validation au rôle de validation , comme indiqué dans cet exemple. Cliquez sur OK .
- Le panneau de contrôle de lancement du modèle s'ouvre et permet de choisir une fonction noyau et les options associées. Les paramètres par défaut ont été utilisés pour cet exemple. Cliquez sur « Go » . JMP affiche :
- Graphique du profil de réponse affichant les régions de classification et les valeurs de données pour deux des variables prédictives. Il est possible de les remplacer par d'autres variables en cliquant sur le triangle rouge situé à côté de leur nom sur les axes. Les niveaux des autres variables prédictives peuvent être modifiés à l'aide des curseurs situés au-dessus du graphique.
- Résumé du modèle (non présenté) et matrice de confusion détaillant les performances de classification.
Des options supplémentaires, telles que les courbes ROC et Lift , les profileurs , l'enregistrement des prédictions , l'enregistrement de la formule de prédiction , l'enregistrement des probabilités , ainsi que la publication des formules de probabilité, sont accessibles à partir du triangle rouge .
Equity.jmp (Help > Sample Data Library)Equity.jmp (Aide > Bibliothèque de données d'exemple)
Interprétation :
• Les données de validation comportent 649 observations. Parmi celles-ci, 45 (6,9 %) ont été mal classées. 45/(45+18) = 71 % des clients à risque élevé ont été classés à tort comme à faible risque. 0/(0+586) = 0 % des clients à faible risque ont été classés à tort comme à risque élevé.
Remarque : Par défaut, une observation est classée dans la classe ayant la probabilité estimée la plus élevée (c.-à-d. Prob > 0,50). Il est avantageux d’évaluer différents seuils afin de minimiser un type spécifique de taux d’erreur de classification par rapport à un autre. Dans cet exemple, il serait préférable de choisir un seuil permettant de réduire le taux d’erreur de classification des clients à risque élevé classés à tort comme clients à faible risque, tout en acceptant un taux plus élevé pour les autres. Cette analyse peut être réalisée en enregistrant les probabilités prédites dans le tableau de données et en utilisant l’outil de calcul pour créer un argument conditionnel permettant de tirer une conclusion à partir de ces probabilités.
Consultez la section Modèles prédictifs et spécialisés > Machines à vecteurs de support dans l'aide de JMP pour en savoir plus.
