Verwenden Sie einen auf Nähe basierenden Algorithmus, um ein kategorisches Ergebnis vorherzusagen (zu klassifizieren) oder den Wert eines kontinuierlichen Ergebnisses für neue Beobachtungen basierend auf den Ergebnissen ähnlicher Beobachtungen (d. h. ihren nächsten Nachbarn) vorherzusagen.
K Nächste Nachbarn
- Wählen Sie in einer geöffneten JMP® - Tabelle „Analysieren > Prädiktive Modellierung > K-Nächste Nachbarn“ aus.
- Wählen Sie unter „Spalten auswählen“ eine kategoriale oder kontinuierliche Antwortvariable aus und klicken Sie auf „J, Antwort“ . Hier veranschaulichen wir die Verwendung einer kategorialen Antwortvariablen.
- Wählen Sie Kandidaten für Prädiktorvariablen aus und klicken Sie auf X, Faktor .
- Geben Sie bei Bedarf den Validierungsteil ein oder wählen Sie eine Validierungsspalte aus und klicken Sie auf Validierung . Klicken Sie auf OK .
JMP zeigt an:
- Diagramm und Tabelle, die die Fehlklassifizierungsraten und -anzahlen über einen Wertebereich für K zeigen.
- Konfusionsmatrix mit detaillierten Angaben zur Klassifizierungsleistung für den K-Wert mit der geringsten Fehlklassifizierungsrate.
- Mosaikdiagramme (hier nicht gezeigt), die die Werte in der Konfusionsmatrix grafisch darstellen.
Equity.jmp (Help > Sample Data Folder)Equity.jmp (Hilfe > Beispieldatenordner)
Ergebnisse der K nächsten Nachbarn zur Vorhersage des Risikoniveaus (schlecht/gut)
Die Validierungsdaten enthalten 1.192 Beobachtungen. Die Fehlklassifizierungsrate ist am niedrigsten, wenn die Vorhersage nur auf einem nächsten Nachbarn basiert: 85/1.192 (7,1 %) wurden falsch klassifiziert. Beachten Sie, dass die Fehlklassifizierungsrate mit der Anzahl der nächsten Nachbarn steigt. Von diesen Fehlklassifizierungen in den Validierungsdaten wurden 3/(3+194) = 0,3 % der Beobachtungen mit gutem Risiko als schlechtes Risiko fehlklassifiziert. 80/(80+195) = 29 % der Beobachtungen mit schlechtem Risiko wurden als gutes Risiko fehlklassifiziert.
• Für die Testdaten wurden 1.192 Beobachtungen reserviert (Ergebnisse nicht gezeigt). Die Gesamtfehlklassifizierungsrate für diese Beobachtungen unter Verwendung von 1 nächsten Nachbarn beträgt 6,9 %. 0,4 % der Beobachtungen mit gutem Risiko wurden als schlechtes Risiko und 3,2 % der Beobachtungen mit schlechtem Risiko als gutes Risiko fehlklassifiziert. Diese Ergebnisse gelten oft als die genaueste Schätzung der Fehlklassifizierungsrate in zukünftigen Daten, da diese Beobachtungen weder Teil des Modelltrainings noch des Auswahlprozesses waren.
Hinweise: Auf zusätzliche Optionen wie Lift-Kurven , Vorhersagen speichern , Vorhersageformel speichern und Vorhersageformel veröffentlichen kann über das rote Dreieck oben neben dem Namen der Antwortvariablen zugegriffen werden.
Weitere Informationen finden Sie unter „Vorhersage- und Spezialmodelle > K-Nächste Nachbarn“ in der JMP-Hilfe .
