Construya un modelo estadístico basado en límites para predecir un resultado categórico (clasificación) en función de múltiples variables predictoras. SVM permite crear formas de límites mucho más flexibles que el Árbol de Clasificación (Partición) y el método de Análisis Discriminante.
Máquinas de vectores de soporte
- Desde una tabla JMP ® abierta, seleccione Analizar > Modelado predictivo > Máquinas de vectores de soporte.
- Agregue una variable de respuesta nominal u ordinal desde Seleccionar columnas a la función Y, Respuesta .
- Agregue variables predictoras candidatas a la función Factor X .
- Si lo desea, introduzca una columna de validación en la función Validación , como se muestra en este ejemplo. Haga clic en Aceptar .
- Se abre el panel de control de lanzamiento del modelo, que permite seleccionar una función de kernel y sus opciones asociadas. En este ejemplo se utilizó la configuración predeterminada. Haga clic en Ir . JMP muestra:
- Gráfico de perfil de respuesta que muestra las regiones de clasificación y los valores de dos de las variables predictoras. Estos pueden modificarse seleccionando el triángulo rojo junto al nombre de la variable en los ejes. Los niveles de los demás predictores pueden modificarse con los controles deslizantes sobre el gráfico.
- Resumen del modelo (no se muestra) y una matriz de confusión que detalla el rendimiento de la clasificación.
Opciones adicionales, como Curvas ROC y de elevación, Perfiladores , Guardar predicciones , Guardar fórmula de predicción , Guardar probabilidades , así como Publicar fórmulas de probabilidad, son accesibles desde el triángulo rojo .
Equity.jmp (Help > Sample Data Library)Equity.jmp (Ayuda > Biblioteca de datos de muestra)
Interpretación:
• Hay 649 observaciones en los Datos de Validación. De estas, 45 (6,9%) se clasificaron erróneamente. 45/(45+18) = 71% de los clientes con Riesgo Malo se clasificaron erróneamente como Riesgo Bueno. 0/(0+586) = 0% de los clientes con Riesgo Bueno se clasificaron erróneamente como Riesgo Malo.
Nota: La regla predeterminada es clasificar una observación en la clase con la mayor probabilidad estimada de pertenecer a ella (es decir, Prob > 0,50). Resulta ventajoso evaluar diferentes valores de corte para minimizar la tasa de clasificación errónea de un tipo específico. En este ejemplo, sería mucho más conveniente elegir un nivel de corte que genere una tasa de clasificación errónea más baja para los clientes de riesgo malo clasificados erróneamente como de riesgo bueno, mientras que se acepta una tasa de clasificación errónea más alta para los demás. Este análisis se puede realizar guardando las probabilidades predichas en la tabla de datos y utilizando la calculadora para crear un argumento condicional que permita concluir un resultado basado en esos valores de probabilidad predichos.
Visite Modelos predictivos y especializados > Máquinas de vectores de soporte en la Ayuda de JMP para obtener más información.
