构建基于边界的统计模型，以多个预测变量为函数来预测分类结果（分类）。与分类树（划分）和判别分析方法相比，支持向量机能够创建更灵活的边界形状。
支持向量机
- 从打开的 JMP ®表中，选择“分析”>“预测建模”>“支持向量机”。
- 将“选择列”中的名义或有序响应变量添加到Y，响应角色。
- 将候选预测变量添加到X 因子角色中。
- 如果需要，可以按照本例所示，在“验证”角色中输入验证列。单击“确定” 。
- 模型启动控制面板打开，允许选择内核函数及其相关选项。本示例使用默认设置。单击“执行” 。JMP 显示：
- 响应曲线图显示了分类区域以及两个预测变量的数据值。您可以通过选择坐标轴上变量名称旁边的红色三角形来更改这些变量。所有其他预测变量的水平值都可以使用图表上方的滑块进行更改。
- 模型摘要（未显示）和详细说明分类性能的混淆矩阵。
通过红色三角形可以访问其他选项，例如ROC和升力曲线、剖面图、保存预测结果、保存预测公式、保存概率以及发布概率公式。
Equity.jmp (Help > Sample Data Library)Equity.jmp（帮助 > 示例数据库）
解读：
• 验证数据中共有 649 个观测值。其中，45 个（6.9%）被错误分类。45/(45+18) = 71% 的不良风险客户被错误分类为良好风险客户。0/(0+586) = 0% 的良好风险客户被错误分类为不良风险客户。
注意：默认规则是将观测值归类到其所属类别的估计概率最高的类别（即概率 > 0.50）。评估不同的阈值有利于降低特定类型的误分类率。在本例中，最好选择一个阈值，以降低将“不良风险客户”误分类为“良好风险客户”的误分类率，同时接受对其他类型客户较高的误分类率。可以通过将预测概率保存到数据表，并使用计算器工具创建条件参数，从而根据这些预测概率值得出结果来完成此分析。
访问JMP 帮助中的“预测和专用模型 > 支持向量机”了解更多信息。
