근접성 기반 알고리즘을 사용하여 범주형 결과(분류)를 예측하거나 유사한 관찰(즉, 가장 가까운 이웃)의 결과를 기반으로 새로운 관찰에 대한 연속형 결과의 가치를 예측합니다.
K 가장 가까운 이웃
- 열려 있는 JMP ® 테이블에서 분석 > 예측 모델링 > K 최근접 이웃을 선택합니다.
- '열 선택' 에서 범주형 또는 연속형 반응 변수를 선택하고 'Y', '반응'을 클릭합니다. 여기서는 범주형 반응 변수를 사용하여 예시를 보여드리겠습니다.
- 후보 예측 변수를 선택하고 X, 요인을 클릭합니다.
- 원하는 경우 유효성 검사 부분을 입력하거나 유효성 검사 열을 선택하고 '유효성 검사 '를 클릭합니다. '확인' 을 클릭합니다.
JMP는 다음을 표시합니다.
- K 값 범위에 따른 오분류율과 개수를 보여주는 그래프와 표입니다.
- 가장 작은 오분류율을 갖는 K 값에 대한 분류 성능을 자세히 나타낸 혼동 행렬입니다.
- 모자이크 플롯(여기에는 표시되지 않음)은 혼동 행렬의 값을 그래픽으로 표시합니다.
Equity.jmp (Help > Sample Data Folder)Equity.jmp(도움말 > 샘플 데이터 폴더)
위험 수준(나쁨/좋음)을 예측하기 위한 K 최근접 이웃의 결과
• 검증 데이터에는 1,192개의 관측치가 있습니다. 예측이 최근접 이웃 하나만을 기반으로 할 때 오분류율이 가장 낮습니다. 1,192개 중 85개(7.1%)가 오분류되었습니다. 최근접 이웃의 수가 증가할수록 오분류율이 증가합니다. 검증 데이터의 총 오분류 중, 양호 위험 관측치의 3/(3+194) = 0.3%가 불량 위험으로 오분류되었습니다. 불량 위험 관측치의 80/(80+195) = 29%가 양호 위험으로 오분류되었습니다.
• 테스트 데이터용으로 1,192개의 관측치가 따로 마련되었습니다(결과는 표시하지 않음). 최근접 이웃 1개를 사용한 이러한 관측치의 총 오분류율은 6.9%입니다. 양호 위험 관측치의 0.4%는 불량 위험으로 오분류되었고, 불량 위험 관측치의 3.2%는 양호 위험으로 오분류되었습니다. 이러한 관측치는 모델 학습이나 선택 과정에 포함되지 않았기 때문에, 이러한 결과는 향후 데이터에서 발생할 오분류율을 가장 정확하게 추정하는 것으로 여겨집니다.
참고사항: 리프트 곡선 , 예측 저장 , 예측 수식 저장 , 예측 수식 게시 와 같은 추가 옵션은 응답 변수 이름 옆 상단에 있는 빨간색 삼각형 에서 액세스할 수 있습니다.
자세한 내용은 JMP 도움말 에서 예측 및 특수 모델 > K 최근접 이웃을 참조하세요.
