여러 예측 변수를 함수로 사용하여 범주형 결과(분류)를 예측하는 경계 기반 통계 모델을 구축합니다. SVM은 분류 트리(분할) 및 판별 분석 방법보다 훨씬 더 유연한 경계 형태를 생성할 수 있습니다.
서포트 벡터 머신
- 열려 있는 JMP® 테이블에서 분석 > 예측 모델링 > 서포트 벡터 머신을 선택합니다.
- [열 선택] 에서 명목형 또는 순서형 응답 변수를 Y, 응답 역할에 추가합니다.
- X, 팩터 역할에 예측 변수 후보를 추가합니다.
- 원하는 경우 이 예시와 같이 유효성 검사 역할에 유효성 검사 열을 추가합니다. 확인을 클릭합니다.
- 모델 실행 제어판이 열리고 커널 함수와 관련 옵션을 선택할 수 있습니다. 이 예제에서는 기본 설정이 사용되었습니다. [실행]을 클릭합니다. JMP에 다음 내용이 표시됩니다.
- 응답 프로파일 플롯은 두 개의 예측 변수에 대한 분류 영역과 데이터 값을 표시합니다. 축의 변수 이름 옆에 있는 빨간색 삼각형을 선택하여 다른 변수로 변경할 수 있습니다. 나머지 예측 변수의 수준은 플롯 위의 슬라이더를 사용하여 변경할 수 있습니다.
- 모델 요약 (표시되지 않음)과 분류 성능을 자세히 보여주는 혼동 행렬 .
ROC 및 리프트 곡선 , 프로파일러 , 예측값 저장 , 예측 공식 저장, 확률 저장 , 확률 공식 게시 와 같은 추가 옵션은 빨간색 삼각형 을 통해 이용할 수 있습니다.
Equity.jmp (Help > Sample Data Library)Equity.jmp (도움말 > 샘플 데이터 라이브러리)
해석:
• 검증 데이터에는 총 649개의 관측치가 있습니다. 이 중 45개(6.9%)가 잘못 분류되었습니다. 즉, 위험도가 높은 고객 중 45/(45+18) = 71%가 위험도가 높은 고객으로 잘못 분류되었습니다. 위험도가 높은 고객 중 0/(0+586) = 0%가 위험도가 높은 고객으로 잘못 분류되었습니다.
참고: 기본 규칙은 관측치를 해당 클래스에 속할 것으로 추정되는 확률이 가장 높은 클래스(즉, Prob > 0.50)로 분류하는 것입니다. 특정 유형의 오분류율을 최소화하기 위해 다양한 임계값을 평가하는 것이 유리합니다. 이 예에서는 위험도가 높은 고객이 위험도가 낮은 고객으로 잘못 분류되는 경우의 오분류율을 낮추는 임계값을 선택하는 것이, 위험도가 낮은 고객의 오분류율을 낮추는 동시에 위험도가 높은 고객의 오분류율은 낮추는 것이 훨씬 더 효과적입니다. 이러한 분석은 예측 확률을 데이터 테이블에 저장하고 계산기 도구를 사용하여 예측 확률 값을 기반으로 결과를 도출하는 조건부 인수를 생성함으로써 수행할 수 있습니다.
자세한 내용을 알아보려면 JMP 도움말 의 예측 및 특수 모델 > 서포트 벡터 머신을 방문하세요.
