Utilisez un algorithme basé sur la proximité pour prédire un résultat catégoriel (classifier) ou prédire la valeur d'un résultat continu pour de nouvelles observations en fonction des résultats d'observations similaires (c'est-à-dire leurs plus proches voisins).
K plus proches voisins
- À partir d'un tableau JMP ® ouvert, sélectionnez Analyser > Modélisation prédictive > K plus proches voisins.
- Sélectionnez une variable de réponse catégorielle ou continue dans Sélectionner les colonnes et cliquez sur Y, Réponse . Ici, nous illustrons cela à l'aide d'une variable de réponse catégorielle.
- Sélectionnez les variables prédictives candidates et cliquez sur X, Facteur .
- Si vous le souhaitez, saisissez la partie Validation ou sélectionnez une colonne de validation et cliquez sur Validation . Cliquez sur OK .
Affichage JMP :
- Graphique et tableau montrant les taux et les nombres d'erreurs de classification pour une gamme de valeurs de K.
- Matrice de confusion détaillant les performances de classification pour la valeur de K avec le plus petit taux d'erreur de classification.
- Diagrammes mosaïques (non présentés ici) qui montrent graphiquement les valeurs de la matrice de confusion.
Equity.jmp (Help > Sample Data Folder)Equity.jmp (Aide > Dossier de données d'exemple)
Résultats de la méthode des K plus proches voisins pour prédire le niveau de risque (mauvais/bon)
Les données de validation comportent 1 192 observations. Le taux d'erreur de classification est minimal lorsque la prédiction repose sur un seul voisin le plus proche : 85 observations sur 1 192 (7,1 %) ont été mal classées. Il est à noter que ce taux augmente avec le nombre de voisins les plus proches. Parmi ces erreurs de classification, 3/(3+194) = 0,3 % des observations à faible risque ont été classées à tort comme à risque élevé, et 80/(80+195) = 29 % des observations à risque élevé ont été classées à tort comme à faible risque.
• 1 192 observations ont été réservées aux données de test (résultats non présentés). Le taux d’erreur de classification total pour ces observations, calculé par la méthode du plus proche voisin, est de 6,9 %. 0,4 % des observations à faible risque ont été classées à tort comme à risque élevé, et 3,2 % des observations à risque élevé ont été classées à tort comme à faible risque. Ces résultats sont généralement considérés comme l’estimation la plus précise du taux d’erreur de classification pour les données futures, car ces observations n’ont pas été utilisées lors de l’entraînement ni de la sélection du modèle.
Remarques : Des options supplémentaires, telles que Courbes de levage , Recording Predictives , Formule de prédiction enregistrée et Formule de prédiction publiée , sont accessibles via le triangle rouge situé en haut, à côté du nom de la variable de réponse.
Consultez la section Modèles prédictifs et spécialisés > K plus proches voisins dans l'aide de JMP pour en savoir plus.
