Salut,
J'ai créé un tableau DOE simple (voir pièce jointe) et j'ai essayé de réaliser un arbre de décision, mais JMP ne produit pas le résultat escompté.
Toute contribution est appréciée.
Merci,
Long
Salut @LGH ,
Bienvenue dans la communauté !
Je vous recommande de lire le message de @jthi intitulé « Obtenir rapidement les bonnes réponses aux bonnes questions » avant de poster sur le forum, car vous ne fournissez aucune explication concernant le résultat attendu et celui obtenu à partir de l'arbre de décision.
Si votre ensemble de données provient d'une expérience conçue (DoE), pourquoi ne pas utiliser la régression du modèle des moindres carrés fournie par défaut dans JMP ?
Votre problème vient-il du fait que la taille de votre échantillon est trop faible, ce qui empêche l'arbre de décision de diviser les données (donc aucun résultat, aucune division possible avec l'arbre de décision tel quel) ? Si oui, cliquez sur le triangle rouge à côté de l'arbre de décision pour ouvrir les options et modifiez la taille minimale de division (5 par défaut) par une autre valeur permettant à l'arbre de décision de s'étendre dans votre cas (2 peut convenir, vous pouvez donc n'avoir qu'une seule division).
Le paramètre par défaut de JMP pour cet arbre de décision est configuré pour éviter le surapprentissage : il crée un arbre de décision qui divise parfaitement les échantillons en fonction des variables, ce qui conduit à un modèle parfait avec des feuilles de petite taille, mais pratiquement inutilisable et peu robuste pour la prédiction de nouveaux échantillons (jeu de test). En pratique, pour utiliser des modèles d'apprentissage automatique comme celui-ci, une stratégie de validation est nécessaire, avec des ensembles d'entraînement, de validation et de test. Il existe des méthodes pour éviter de trop diviser votre jeu de données et de ne pas l'utiliser pour l'entraînement du modèle (comme la validation croisée, le leave-one-out, etc.), mais un ensemble de test reste indispensable pour garantir la cohérence des performances de prédiction avec celles des ensembles d'entraînement et de validation. Vous trouverez des discussions à ce sujet sur le forum : VALIDATION CROISÉE - MÉTHODE DES COLONNES DE VALIDATION / Comment effectuer une validation croisée k-fold sur des modèles d'apprentissage automatique (par exemple, réseau de neurones et forêt aléatoire) et vérifier les performances du modèle sur des données de test fixes ? / ...
Notez que dans ce cas particulier, en raison de la petite taille de l'ensemble de données et de la relation linéaire entre les résultats et le facteur C, les résultats seraient les mêmes avec un modèle de régression linéaire ou la plateforme Fit Y by X :
J'espère que cette réponse vous donnera quelques idées.
Salut Victor,
Merci beaucoup pour votre réponse. Effectivement, mon problème venait de l'impossibilité de diviser l'échantillon en raison de sa petite taille. Votre instruction fonctionne.
Salutations,
LGH
