Costruire un modello statistico basato sui confini per prevedere un risultato categoriale (classificare) in funzione di più variabili predittive. SVM è in grado di creare forme di confine molto più flessibili rispetto al metodo dell'albero di classificazione (partizione) e dell'analisi discriminante.
Macchine a vettori di supporto
- Da una tabella JMP ® aperta, selezionare Analizza > Modellazione predittiva > Macchine a vettori di supporto.
- Aggiungere una variabile di risposta nominale o ordinale da Seleziona colonne al ruolo Y, Risposta .
- Aggiungere variabili predittive candidate al ruolo X, Fattore .
- Se lo si desidera, immettere una colonna di convalida nel ruolo Convalida , come mostrato in questo esempio. Fare clic su OK .
- Si apre il pannello di controllo di Model Launch, che consente di scegliere una funzione Kernal e le opzioni associate. Per questo esempio sono state utilizzate le impostazioni predefinite. Fare clic su Vai . JMP visualizza:
- Grafico del profilo di risposta che mostra le regioni di classificazione e i valori dei dati per due delle variabili predittive. Questi possono essere modificati selezionando il triangolo rosso accanto al nome della variabile sugli assi. I livelli per tutti i restanti predittori possono essere modificati con i cursori sopra il grafico.
- Riepilogo del modello (non mostrato) e una matrice di confusione che descrive in dettaglio le prestazioni di classificazione.
Ulteriori opzioni, come ROC e curve di sollevamento , profiler , salvataggio previsioni , salvataggio formula di previsione , salvataggio probabilità e pubblicazione formule di probabilità sono accessibili dal triangolo rosso .
Equity.jmp (Help > Sample Data Library)Equity.jmp (Guida > Libreria dati di esempio)
Interpretazione:
• Ci sono 649 osservazioni nei dati di convalida. Di queste, 45 (6,9%) erano classificate erroneamente. 45/(45+18) = 71% dei clienti a rischio negativo sono stati classificati erroneamente come a rischio positivo. 0/(0+586) = 0% dei clienti a rischio positivo sono stati classificati erroneamente come a rischio negativo.
Nota: la regola predefinita è quella di classificare un'osservazione nella classe con la più alta probabilità stimata di appartenere a quella classe (ovvero, Prob > 0,50). È vantaggioso valutare diversi valori di cutoff per ridurre al minimo un tipo specifico di tasso di classificazione errata rispetto a un altro. In questo esempio, sarebbe molto meglio scegliere un livello di cutoff per creare un tasso di classificazione errata inferiore per i clienti a rischio negativo classificati erroneamente come a rischio positivo, accettando al contempo un tasso di classificazione errata più elevato per gli altri. Questa analisi può essere eseguita salvando le probabilità previste nella tabella dati e utilizzando lo strumento di calcolo per creare un argomento condizionale per concludere un risultato basato su tali valori di probabilità previsti.
Per saperne di più, visita Modelli predittivi e specializzati > Macchine a vettori di supporto nella Guida di JMP .
