Niveau: Mittelstufe
Tony Cooper, leitender analytischer Berater, SAS
Sam Edgemon, leitender analytischer Berater, SAS
Beim maschinellen Lernen geht es darum, Vorhersagemodelle zu erstellen. Wenn das Ziel (auch bekannt als Antwort) nominell ist, maximiert ein gutes Modell die True-Positives und minimiert die False-Positives. Entworfene Experimente werden viele der gleichen analytischen Algorithmen verwenden, aber der Schwerpunkt liegt auf der Kausalität und dem geeigneten Erfolgsrezept. JMP-Benutzer sind vielleicht eher an dieses Paradigma gewöhnt und schauen sich oft Modelle an und fragen sich: „Warum ist die Vorhersage so hoch? Wie verbessern wir es? Was ist wichtig für das Geschäft?“ Diese Fragen verlangen von Vorhersagemodellen, dass sie erklärend werden, und können daher schwer zu beantworten sein; Probleme wie eingeschränkte Bereiche der Variablen und Multikollinearität können den Übergang von einem Vorhersagemodell zu einem Erklärungsmodell erschweren. Ferner ermutigen numerische Zusammenfassungen von Modellen Fachexperten nicht dazu, Fragen zu stellen. Der Unterschied zwischen einem Vorhersagemodell und einer Ursachenanalyse kann übersehen werden; Wir wissen jedoch, dass Korrelation keine Kausalität impliziert. Die Kunst, Daten zu erklären, geht im Streben nach fortschrittlichen Modellierungstechniken verloren. Der bescheidene Profiler in JMP ist ein leistungsstarkes Tool, um Modelle zum Sprechen zu bringen. Diese Präsentation erinnert uns daran, dass selbst für einen Data Miner der Profiler und der Graph Builder den Unterschied ausmachen.
Ich habe v3 der Daten als Anhang hinzugefügt. Es scheint v2 ähnlich zu sein, das ich nicht finden kann. Vielen Dank für die Mitteilung, dass die Daten nicht vorhanden waren
Ciao Toni
Wo finde ich die JMP-Datei, die in Ihrer Präsentation verwendet wird (Current_BetweenBatchDataV2.jmp)?
Danke Felice
