Erstellen Sie ein auf Grenzen basierendes statistisches Modell zur Vorhersage eines kategorialen Ergebnisses (Klassifizierung) in Abhängigkeit von mehreren Prädiktorvariablen. SVM ermöglicht deutlich flexiblere Grenzen als Entscheidungsbäume (Partitionierung) und Diskriminanzanalyse.
Support Vector Machines
- Wählen Sie in einer geöffneten JMP® - Tabelle Analysieren > Prädiktive Modellierung > Support Vector Machines.
- Fügen Sie der Y- Antwortrolle eine nominale oder ordinale Antwortvariable aus „ Spalten auswählen “ hinzu.
- Fügen Sie Kandidatenprädiktorvariablen zur X-Faktor- Rolle hinzu.
- Fügen Sie bei Bedarf eine Validierungsspalte in die Validierungsrolle ein, wie in diesem Beispiel gezeigt. Klicken Sie auf OK .
- Das Bedienfeld „Modellstart“ öffnet sich und ermöglicht die Auswahl einer Kernelfunktion und zugehöriger Optionen. In diesem Beispiel wurden die Standardeinstellungen verwendet. Klicken Sie auf „Los“ . JMP zeigt Folgendes an:
- Das Antwortprofil-Diagramm zeigt die Klassifizierungsbereiche und die Datenwerte für zwei der Prädiktorvariablen. Diese können durch Auswahl des roten Dreiecks neben dem Variablennamen auf den Achsen geändert werden. Die Werte aller übrigen Prädiktoren lassen sich mit den Schiebereglern oberhalb des Diagramms anpassen.
- Modellübersicht (nicht dargestellt) und eine Konfusionsmatrix mit detaillierten Angaben zur Klassifizierungsleistung.
Über das rote Dreieck sind zusätzliche Optionen wie ROC- und Liftkurven , Profiler , Vorhersagen speichern , Vorhersageformel speichern , Wahrscheinlichkeiten speichern sowie Wahrscheinlichkeitsformeln veröffentlichen zugänglich.
Equity.jmp (Help > Sample Data Library)Equity.jmp (Hilfe > Beispieldatenbibliothek)
Interpretation:
• Die Validierungsdaten umfassen 649 Beobachtungen. Davon waren 45 (6,9 %) falsch klassifiziert. 45/(45+18) = 71 % der Kunden mit schlechtem Risiko wurden fälschlicherweise als Kunden mit gutem Risiko eingestuft. 0/(0+586) = 0 % der Kunden mit gutem Risiko wurden fälschlicherweise als Kunden mit schlechtem Risiko eingestuft.
Hinweis: Standardmäßig wird eine Beobachtung der Klasse mit der höchsten geschätzten Wahrscheinlichkeit zugeordnet (d. h. Wahrscheinlichkeit > 0,50). Es ist vorteilhaft, verschiedene Schwellenwerte zu evaluieren, um die Fehlklassifizierungsrate bestimmter Kundentypen gegenüber anderen zu minimieren. In diesem Beispiel wäre es deutlich besser, einen Schwellenwert zu wählen, der die Fehlklassifizierungsrate für Kunden mit schlechtem Risiko, die fälschlicherweise als Kunden mit gutem Risiko eingestuft werden, senkt, während für die übrigen Kunden eine höhere Fehlklassifizierungsrate in Kauf genommen wird. Diese Analyse kann durchgeführt werden, indem die vorhergesagten Wahrscheinlichkeiten in der Datentabelle gespeichert und mithilfe des Berechnungstools eine Bedingung erstellt wird, um basierend auf diesen vorhergesagten Wahrscheinlichkeitswerten ein Ergebnis zu erzielen.
Besuchen Sie in der JMP-Hilfe den Bereich „Vorhersage- und Spezialmodelle > Support-Vektor-Maschinen“, um mehr zu erfahren.
