Hallo,
Ich habe eine einfache DOE-Tabelle erstellt (siehe Anhang) und versucht, einen Entscheidungsbaum zu erstellen, aber JMP liefert nicht das erwartete Ergebnis.
Wir freuen uns über jeden Beitrag.
Danke,
Lang
Hallo @LGH ,
Willkommen in der Community!
Ich würde Ihnen empfehlen, den Beitrag von @jthi „ Schnell die richtigen Antworten auf die richtigen Fragen erhalten“ zu lesen, bevor Sie im Forum posten, da Sie keine Erklärung zu Ihrem erwarteten Ergebnis und dem Ergebnis, das Sie aus dem Entscheidungsbaum erhalten, liefern.
Wenn Ihre Daten aus einem geplanten Experiment (DoE) stammen, warum verwenden Sie nicht die standardmäßig in JMP bereitgestellte Kleinste-Quadrate-Regression?
Liegt Ihr Problem darin, dass Ihre Stichprobengröße zu gering ist, wodurch der Entscheidungsbaum die Daten nicht aufteilen kann (also keine Ergebnisse liefert und bei Verwendung des Entscheidungsbaums in der Standardeinstellung keine Aufteilung möglich ist)? Falls ja, klicken Sie auf das rote Dreieck neben dem Entscheidungsbaum, um die Optionen zu öffnen, und ändern Sie die minimale Aufteilungsgröße (standardmäßig 5) auf einen anderen Wert, der es dem Entscheidungsbaum ermöglicht, in Ihrem Fall zu wachsen (2 könnte funktionieren, Sie können auch eine Aufteilung vornehmen).
Die Standardeinstellung in JMP für diesen Entscheidungsbaum-Parameter ist so gewählt, dass Überanpassung vermieden wird: Es wird ein Entscheidungsbaum erstellt, der die Stichproben anhand der Variablen perfekt aufteilt. Dies führt zwar zu einem perfekten Modell mit Blättern, die eine geringe Stichprobengröße aufweisen, ist aber praktisch nutzlos und nicht robust, wenn es zur Vorhersage neuer, unbekannter Stichproben (Testdatensatz) verwendet wird. Um Machine-Learning-Modelle wie dieses in der Praxis zu verwenden, benötigen Sie eine Validierungsstrategie mit Trainings-, Validierungs- und Testdatensätzen. Es gibt Methoden, um eine zu starke Aufteilung des Datensatzes zu vermeiden und ihn nicht zum Trainieren des Modells zu verwenden (z. B. Kreuzvalidierung, Leave-One-Out usw.). Letztendlich benötigen Sie jedoch immer noch einen Testdatensatz, um sicherzustellen, dass die Vorhersageleistung des Testdatensatzes mit der des Trainings-/Validierungsdatensatzes übereinstimmt. Sie können einige Diskussionen zu diesem Thema im Forum Kreuzvalidierung – Validierungsspaltenmethode / How to perform k-fold cross-validation on ML models (eg neural network and random forest) and check model performance on fixed test data? / ... lesen.
Beachten Sie, dass in diesem speziellen Fall aufgrund der geringen Datensatzgröße und des linearen Zusammenhangs zwischen den Ergebnissen und Faktor C die Ergebnisse mit einem linearen Regressionsmodell oder der Plattform Fit Y by X identisch wären:
Ich hoffe, diese Antwort liefert Ihnen einige Anregungen.
Hallo Victor,
Vielen Dank für Ihre Antwort. Ja, mein Problem war, dass die Aufteilung aufgrund der geringen Stichprobengröße nicht möglich war. Ihre Anleitung funktioniert.
Grüße,
LGH
