근접성 기반 알고리즘을 사용하여 유사한 관측값(즉, 가장 가까운 이웃)의 결과를 기반으로 새로운 관측값에 대한 범주형 결과(분류)를 예측하거나 연속형 결과의 값을 예측합니다.
K 최근접 이웃
- 열려 있는 JMP® 테이블에서 분석 > 예측 모델링 > K 최근접 이웃을 선택합니다.
- [열 선택] 에서 범주형 또는 연속형 응답 변수를 선택하고 [Y, 응답]을 클릭합니다. 여기서는 범주형 응답 변수를 사용하는 예를 보여줍니다.
- 예측 변수 후보를 선택하고 X, 요인을 클릭합니다.
- 원하는 경우 유효성 검사 부분을 입력하거나 유효성 검사 열을 선택한 다음 [유효성 검사 ]를 클릭합니다. [ 확인]을 클릭합니다.
JMP 표시 내용:
- K 값의 범위에 따른 오분류율과 오분류 횟수를 보여주는 그래프 및 표.
- 가장 낮은 오분류율을 나타내는 K 값에 대한 분류 성능을 자세히 보여주는 혼동 행렬.
- 모자이크 플롯(여기에 표시되지 않음)은 혼동 행렬의 값을 그래프로 보여줍니다.
Equity.jmp (Help > Sample Data Folder)Equity.jmp (도움말 > 샘플 데이터 폴더)
K 최근접 이웃 알고리즘을 사용하여 위험 수준(나쁨/좋음)을 예측한 결과
• 검증 데이터에는 총 1,192개의 관측치가 있습니다. 예측에 가장 가까운 이웃 하나만을 기반으로 할 때 오분류율이 가장 낮습니다. 85/1,192(7.1%)가 오분류되었습니다. 가장 가까운 이웃의 수가 증가함에 따라 오분류율도 증가하는 것을 알 수 있습니다. 검증 데이터에서 발생한 전체 오분류 중, 양호한 위험군 관측치의 3/(3+194) = 0.3%가 불량한 위험군으로 오분류되었고, 불량한 위험군 관측치의 80/(80+195) = 29%가 양호한 위험군으로 오분류되었습니다.
• 테스트 데이터용으로 1,192개의 관측치가 따로 분리되었습니다(결과는 표시되지 않음). 1 최근접 이웃 알고리즘을 사용한 이 관측치들의 총 오분류율은 6.9%입니다. 양호한 위험군 관측치의 0.4%가 불량 위험군으로 오분류되었고, 불량 위험군 관측치의 3.2%가 양호한 위험군으로 오분류되었습니다. 이 관측치들은 모델 학습이나 선택 과정에 포함되지 않았기 때문에, 이러한 결과는 향후 데이터에서 발생할 오분류율을 가장 정확하게 예측하는 데 유용한 것으로 간주됩니다.
참고: 리프트 곡선 , 예측값 저장 , 예측 공식 저장 , 예측 공식 게시 와 같은 추가 옵션은 응답 변수 이름 옆 상단에 있는 빨간색 삼각형을 클릭하면 접근할 수 있습니다.
자세한 내용을 알아보려면 JMP 도움말 의 예측 및 특수 모델 > K 최근접 이웃을 방문하세요.
