複数の予測変数の関数としてカテゴリカルな結果を予測（分類）するための境界ベースの統計モデルを構築します。SVMは、分類木（パーティション）や判別分析法よりもはるかに柔軟な境界形状を作成できます。
サポートベクターマシン
- 開いている JMP ®テーブルから、 [分析] > [予測モデリング] > [サポート ベクター マシン] を選択します。
- 列の選択から名義または順序の応答変数をY、応答ロールに追加します。
- 候補となる予測変数をX、因子ロールに追加します。
- 必要に応じて、この例のように検証ロールに検証列を入力します。 「OK」をクリックします。
- モデル起動コントロールパネルが開き、カーネル関数と関連オプションを選択できます。この例ではデフォルト設定を使用しています。「実行」をクリックすると、JMPに以下の画面が表示されます。
- 応答プロファイルプロットは、分類領域と2つの予測変数のデータ値を示しています。軸上の変数名の横にある赤い三角形を選択することで、これらの変数を他の変数に変更できます。残りのすべての予測変数の水準は、プロット上部のスライダーで変更できます。
- モデルの概要(図示せず) と分類パフォーマンスの詳細を示す混同マトリックス。
ROCおよびリフト曲線、プロファイラー、予測値の保存、予測式の保存、確率の保存、確率式の公開などの追加オプションには、赤い三角形からアクセスできます。
Equity.jmp (Help > Sample Data Library)Equity.jmp (ヘルプ > サンプルデータライブラリ)
解釈:
• 検証データには649件の観測値があります。このうち45件（6.9%）が誤分類されました。45/(45+18) = 71%の「悪いリスク」顧客が「良いリスク」として誤分類されました。0/(0+586) = 0%の「良いリスク」顧客が「悪いリスク」として誤分類されました。
注: デフォルトのルールでは、観測値は、そのクラスに属すると推定される確率が最も高いクラス（つまり、Prob > 0.50）に分類されます。特定の種類の誤分類率を他の種類よりも低く抑えるには、異なるカットオフ値を評価することが有効です。この例では、良いリスクとして誤分類された悪いリスクの顧客の誤分類率を低く抑え、他の顧客の誤分類率を高く許容するカットオフレベルを選択する方がはるかに効果的です。この分析は、予測確率をデータテーブルに保存し、計算ツールを使用して条件付き引数を作成し、それらの予測確率値に基づいて結果を結論付けることで実行できます。
詳細については、 JMP ヘルプの「予測モデルと特殊モデル > サポート ベクター マシン」を参照してください。
