建立基於邊界的統計模型，以多個預測變數為函數來預測分類結果（分類）。與分類樹（劃分）和判別分析方法相比，支援向量機能夠創建更靈活的邊界形狀。
支援向量機
- 從開啟的 JMP ®表中，選擇「分析」>「預測建模」>「支援向量機」。
- 將「選擇列」中的名義或有序回應變數新增至Y，回應角色。
- 將候選預測變數加入X 因子角色。
- 如果需要，可以按照本例所示，在「驗證」角色中輸入驗證列。按一下“確定” 。
- 模型啟動控制面板打開，允許選擇內核函數及其相關選項。本範例使用預設設定。按一下“執行” 。 JMP 顯示：
- 響應曲線圖顯示了分類區域以及兩個預測變數的資料值。您可以選擇座標軸上變數名稱旁邊的紅色三角形來變更這些變數。所有其他預測變數的水平值都可以使用圖表上方的滑桿進行更改。
- 模型摘要（未顯示）和詳細說明分類性能的混淆矩陣。
透過紅色三角形可以存取其他選項，例如ROC和升力曲線、剖面圖、保存預測結果、保存預測公式、保存機率以及發布機率公式。
Equity.jmp (Help > Sample Data Library)Equity.jmp（幫助 > 範例資料庫）
解讀：
• 驗證資料中共有 649 個觀測值。其中，45 個（6.9%）被錯誤分類。 45/(45+18) = 71% 的不良風險客戶被錯誤分類為良好風險客戶。 0/(0+586) = 0% 的良好風險客戶被錯誤分類為不良風險客戶。
注意：預設規則是將觀測值歸類到其所屬類別的估計機率最高的類別（即機率 > 0.50）。評估不同的閾值有利於降低特定類型的誤分類率。在本例中，最好選擇一個閾值，以降低將「不良風險客戶」誤分類為「良好風險客戶」的誤分類率，同時接受對其他類型客戶較高的誤分類率。可以透過將預測機率儲存到資料表，並使用計算器工具建立條件參數，從而根據這些預測機率值得出結果來完成此分析。
造訪JMP 幫助中的「預測和專用模型 > 支援向量機」以了解更多資訊。
