레벨: 중급 Tony Cooper, SAS 수석 분석 컨설턴트 Sam Edgemon, SAS 수석 분석 컨설턴트 머신 러닝은 예측 모델을 만드는 것입니다. 목표(응답이라고도 함)가 명목이면 좋은 모델은 참 긍정을 최대화하고 거짓 긍정을 최소화합니다. 설계된 실험은 동일한 분석 알고리즘을 많이 사용하지만 초점은 인과 관계와 성공을 위한 적절한 방법에 있습니다. JMP 사용자는 이 패러다임에 더 익숙할 수 있으며 종종 모델을 보고 "예측이 왜 그렇게 높은가? 어떻게 개선합니까? 사업에서 중요한 것은 무엇입니까?” 이러한 질문은 예측 모델이 설명이 되도록 요구하므로 대답하기 어려울 수 있습니다. 변수의 제한된 범위 및 다중 공선성과 같은 문제로 인해 예측 모델에서 설명 모델로 이동하는 것이 어려울 수 있습니다. 또한 모델의 숫자 요약은 주제 전문가가 질문을 하도록 권장하지 않습니다. 예측 모델과 근본 원인 분석의 차이점은 간과될 수 있습니다. 그러나 상관관계가 인과관계를 의미하지 않는다는 것을 알고 있습니다. 데이터를 설명하는 기술은 고급 모델링 기술에 대한 압박으로 인해 사라지고 있습니다. JMP의 겸손한 프로파일러는 모델이 말하게 만드는 강력한 도구입니다. 이 프레젠테이션은 데이터 마이너의 경우에도 프로파일러와 그래프 빌더가 차이를 만들 것임을 상기시킵니다.
많은 감사
데이터의 v3를 첨부 파일로 추가했습니다. 내가 찾을 수없는 v2와 비슷한 것 같습니다. 데이터가 없다는 것을 알려주셔서 감사합니다.
차오 토니
프레젠테이션에 사용된 jmp 파일은 어디에서 찾을 수 있습니까(Current_BetweenBatchDataV2.jmp)?
펠리체 감사합니다
