Cette affiche met en lumière plusieurs stratégies pratiques adoptées au fil des ans pour rendre les modèles plus applicables aux systèmes réels.
Pour qu'un modèle soit utile, il doit être représentatif d'un système. Et pour qu'il soit largement adopté, les utilisateurs doivent lui faire confiance.
Bien que JMP dispose de nombreuses plateformes et techniques performantes pour la modélisation des données, le modèle obtenu n'est pas toujours parfaitement représentatif de la réalité ni bien accueilli par les utilisateurs potentiels. La réalité est complexe et, lors de la modélisation de données réelles, les variables ne peuvent souvent prendre que des valeurs positives ou strictement positives (par exemple, le poids et la taille d'une personne), ou bien il s'agit de pourcentages compris entre 0 et 100 % (par exemple, la teneur en eau d'un produit).
Même si le modèle obtenu semble reproduire les tendances attendues par l'expert du domaine, un modèle qui, dans certaines conditions, prédit une valeur négative pour une sortie exclusivement positive dans la réalité sera rapidement écarté. Plusieurs stratégies, telles que les transformations et les distributions, ainsi que différents types de modélisation hybride, ont été utilisées avec succès pour obtenir des modèles plus réalistes et seront présentées dans cette affiche.
