近接ベースのアルゴリズムを使用して、カテゴリ結果を予測 (分類) したり、類似の観測結果 (つまり、最も近い近傍) に基づいて新しい観測の連続結果の値を予測したりします。
K 最近傍
- 開いている JMP ®テーブルから、 [分析] > [予測モデリング] > [K 最近傍法] を選択します。
- 「列の選択」からカテゴリ変数または連続変数を選択し、 「Y, 応答」をクリックします。ここでは、カテゴリ変数を使用する例を示します。
- 候補となる予測変数を選択し、 「X、因子」をクリックします。
- 必要に応じて、検証部分を入力するか、検証列を選択して「検証」をクリックします。 「OK」をクリックします。
JMP は次を表示します:
- K の値の範囲全体にわたる誤分類率と数を示すグラフと表。
- 誤分類率が最小となる K の値に対する分類パフォーマンスを詳細に示す混同行列。
- 混同行列の値をグラフィカルに示すモザイク プロット (ここには表示されていません)。
Equity.jmp (Help > Sample Data Folder)Equity.jmp (ヘルプ > サンプルデータフォルダ)
リスクレベル（悪い/良い）を予測するためのK近傍法の結果
• 検証データには1,192個の観測値があります。誤分類率は、最近傍点1つだけに基づいて予測を行った場合に最も低く、85/1,192個 (7.1%) が誤分類されました。最近傍点の数が増えると誤分類率が増加することに注意してください。検証データにおけるこれらの誤分類の合計のうち、Good Risk の観測値のうち 3/(3+194) = 0.3% が Bad Risk として誤分類されました。Bad Risk の観測値のうち 80/(80+195) = 29% が Good Risk として誤分類されました。
• テストデータとして1,192個の観測データが確保されました（結果は示されていません）。これらの観測データについて、最近傍点1つを用いた場合の誤分類率の合計は6.9%でした。「良好リスク」の観測データのうち0.4%が「不良リスク」として誤分類され、「不良リスク」の観測データのうち3.2%が「良好リスク」として誤分類されました。これらの観測データはモデルの学習や選択プロセスには含まれていないため、これらの結果は将来のデータにおける誤分類率を最も正確に推定するものとよく考えられています。
注:リフト曲線、予測値の保存、予測式の保存、予測式の公開などの追加オプションには、応答変数名の横にある上部近くの赤い三角形からアクセスできます。
詳細については、 JMP ヘルプの「予測モデルと特殊モデル > K 最近傍法」を参照してください。
