이 예측 모델링 기법은 여러 예측 변수의 함수로 범주형 결과(분류)를 예측하는 데 사용됩니다. 이 기법은 조건부 확률에 베이즈 정리를 적용하여 관측치를 분류합니다.
나이브 베이즈
- 열려 있는 JMP® 테이블에서 분석 > 예측 모델링 > 나이브 베이즈를 선택합니다.
- [열 선택] 에서 명목형 또는 순서형 응답 변수를 선택하고 [Y, 응답]을 클릭합니다.
- 예측 변수 후보를 선택하고 X, 요인을 클릭합니다.
- 원하는 경우 유효성 검사 부분을 입력하거나 유효성 검사 열을 선택한 다음 이 그림에서처럼 유효성 검사를 클릭합니다.
- 확인을 클릭하세요. JMP에 다음 내용이 표시됩니다.
- 전체 오분류 건수 및 비율.
- 분류 성능을 자세히 보여주는 혼동 행렬.
- ROC 곡선 및 AUC 값(여기에는 훈련 데이터에 대한 결과만 표시됩니다).
참고: 상단의 빨간색 삼각형을 클릭하고 '프로파일러'를 선택하면 예측 변수 수준에 따른 각 클래스의 예측 확률을 보여주는 대화형 도구가 표시됩니다. '변수 중요도 평가' 와 같은 다른 옵션은 '예측 프로파일러' 옆의 빨간색 삼각형 에서 접근할 수 있습니다. 오른쪽 하단에는 HDL, BMI, LTG 세 가지 예측 변수에 대한 프로파일러가 표시되어 있습니다.
442명의 당뇨병 환자를 대상으로 나이브 베이즈 분류기를 사용하여 당뇨병 수준(낮음/높음)을 예측한 결과:
• 훈련 데이터에는 총 309개의 관측치가 있습니다. 이 중 66개(21%)가 잘못 분류되었습니다. 낮은 값으로 분류된 관측치의 41/(185+41) = 18%가 높은 값으로 잘못 분류되었고, 높은 값으로 분류된 관측치의 25/(25+58) = 30%가 낮은 값으로 잘못 분류되었습니다.
• 검증 데이터에는 총 133개의 관측치가 있습니다. 이 중 32개(24%)가 잘못 분류되었습니다. 따라서 낮은 값의 25/(70+25) = 26%가 잘못 분류되었습니다.
관측값 중 일부가 '높음'으로 잘못 분류되었습니다. '높음'으로 분류된 관측값의 7/(7+31) = 18%가 '낮음'으로 잘못 분류되었습니다.
참고: 리프트 곡선 , 예측값 저장 , 예측 공식 저장 , 확률 공식 저장 , 확률 공식 게시 와 같은 추가 옵션은 상단 에서 액세스할 수 있습니다.
Diabetes.jmp (Help > Sample Data Folder)Diabetes.jmp (도움말 > 샘플 데이터 폴더)
자세한 내용을 알아보려면 JMP 도움말 의 예측 및 특수 모델 > 나이브 베이즈를 방문하세요.
