使用基于邻近性的算法来预测分类结果（分类）或根据类似观测值（即它们的最近邻居）的结果来预测新观测值的连续结果值。
K个最近邻
- 从打开的 JMP ®表中，选择“分析”>“预测建模”>“K 近邻”。
- 从“选择列”中选择分类或连续响应变量，然后单击“Y，响应” 。这里，我们以分类响应变量为例进行说明。
- 选择候选预测变量，然后单击X，因子。
- 如果需要，请输入验证部分或选择验证列，然后单击“验证” 。单击“确定” 。
JMP 显示：
- 图表显示了 K 值范围内错误分类率和计数。
- 混淆矩阵详细说明了 K 值对应的分类性能，此时误分类率最小。
- 马赛克图（此处未显示）以图形方式显示混淆矩阵中的值。
Equity.jmp (Help > Sample Data Folder)Equity.jmp（帮助 > 示例数据文件夹）
使用 K 近邻算法预测风险等级（坏/好）的结果
验证数据集包含 1192 个观测值。当预测仅基于 1 个最近邻时，误分类率最低：85/1192 (7.1%) 个观测值被误分类。请注意，误分类率随着最近邻数量的增加而增加。在验证数据集的这些误分类中，3/(3+194) = 0.3% 的良好风险观测值被错误分类为不良风险。80/(80+195) = 29% 的不良风险观测值被错误分类为良好风险。
• 测试数据中预留了 1192 个观测值（结果未显示）。使用最近邻方法对这些观测值进行分类的总误分类率为 6.9%。其中，0.4% 的良好风险观测值被误分类为不良风险，3.2% 的不良风险观测值被误分类为良好风险。由于这些观测值未参与模型训练或选择过程，因此通常认为这些结果能够最准确地估计未来数据的误分类率。
注意：其他选项，例如“提升曲线” 、 “保存预测结果”、 “保存预测公式”和“发布预测公式”，可通过响应变量名称旁边顶部附近的红色三角形访问。
访问JMP 帮助中的“预测和专用模型 > K 近邻”了解更多信息。
