Nivel: Intermedio
Tony Cooper, consultor analítico principal, SAS
Sam Edgemon, consultor analítico principal, SAS
El aprendizaje automático consiste en crear modelos predictivos. Si el objetivo (también conocido como respuesta) es nominal, entonces un buen modelo maximizará los verdaderos positivos y minimizará los falsos positivos. Los experimentos diseñados utilizarán muchos de los mismos algoritmos analíticos, pero la atención se centra en la causalidad y la receta adecuada para el éxito. Los usuarios de JMP pueden estar más acostumbrados a este paradigma y, a menudo, miran los modelos y preguntan: “¿Por qué la predicción es tan alta? ¿Cómo lo mejoramos? ¿Qué es importante sobre el negocio? Estas preguntas están pidiendo que los modelos predictivos se vuelvan explicativos y, por lo tanto, pueden ser difíciles de responder; problemas como los rangos restringidos de las variables y la multicolinealidad pueden dificultar el paso de un modelo predictivo a un modelo explicativo. Además, los resúmenes numéricos de los modelos no animan a los expertos en la materia a hacer preguntas. La diferencia entre un modelo predictivo y un análisis de causa raíz puede pasarse por alto; sin embargo, sabemos que correlación no implica causalidad. El arte de explicar los datos se está perdiendo en el impulso de las técnicas de modelado avanzadas. El humilde Profiler en JMP es una poderosa herramienta para hacer que los modelos hablen. Esta presentación nos recuerda que, incluso para un minero de datos, son Profiler y Graph Builder los que marcarán la diferencia.
Agregué v3 de los datos como archivo adjunto. Parece similar a v2 que no puedo encontrar. Gracias por avisarme que no estaban los datos
hola tony
¿Dónde puedo encontrar el archivo jmp utilizado en su presentación (Current_BetweenBatchDataV2.jmp)?
gracias felice
