用於預測建模的監督分級加載項在構建預測模型時，我們可以通過多種方式將響應建模為預測變量的函數。適合模型平台 JMP 允許我們將響應建模為我們預測變量的線性函數。非線性平台允許我們將響應建模為預測變量的非線性函數，可以是指數或S形曲線的形式。另一種選擇是將響應建模為我們連續預測變量的階梯函數。我們可以通過對連續列進行離散化或分級來構建這種模型。此博客文章簡要介紹了用於構建此類模型的“監督Binning”加載項。這裡“監督”指的是我們使用響應變量幫助我們選擇最佳分箱方案的事實。該加載項可從中下載 JMP文件交換作為一部分 “Predictor Binning”加載項 （下載需要免費的SAS配置文件）。
例如，JMP樣本數據文件夾中的玉米數據表提供了玉米產量測量值和添加到土壤中的硝酸鹽濃度。繪製這些數據，我們發現兩個變量之間的關係是高度非線性的，我們意識到可能很難確定適合數據的模型。因此，將硝酸鹽值合併，創建一個預測玉米產量的階梯函數將會很有趣。為此，我們只需啟動Supercted Binning加載項，並將“yield”列指定為Response，將“nitrate”列指定為Explanatory Variable。
加載項將硝酸酯列的分箱版本附加到原始數據表。這個新的專欄“硝酸鹽裝箱”是一個四級分類欄，每個級別代表不同的硝酸鹽值範圍。例如，第一個箱代表硝酸鹽含量小於或等於10.58的觀察結果。現在我們可以使用binned列（在Fit模型或Fit Y by X平台中）來預測產量。下圖將分級預測函數與用於預測產量的不相交二次模型進行比較。分箱模型比非線性模型更容易解釋，並且具有更低的均方誤差。
玉米示例非常適合查看預測器分箱如何用於簡單示例，但在構建更複雜的模型時，分箱也非常有用。例如，我們可以從JMP示例數據文件夾中查看Boston Housing數據。在這裡，我們嘗試使用每個城鎮的各種功能來預測房屋中值。假設我們想要使用所有可用數據來構建線性模型，但我們有理由相信幾個預測變量與歸屬值具有非線性關係。例如，也許我們認為房屋價值對於低犯罪率而言是相對穩定的，但是在一定的犯罪率之後急劇下降。 我們可以提出類似的論據來證明對“房間”欄目進行分類。我們可以使用Supercted Binning加載項來存儲“crim”和“rooms”列，以及任何其他可能合適的列。
加載項將“crim”列分解為10個不連續的類別。一旦人均犯罪率超過2.0，房屋價值開始迅速下降。現在我們可以使用我們的分箱列和剩餘的連續列的組合來構建一個模型，該模型可能（希望！）比使用原始列構建的模型具有更好的預測能力。
因此，如果您發現自己想要對連續預測變量進行分類或離散化，則可能需要嘗試使用監督分箱加載項。您可以在此處找到此加載項預測器分箱加載項在JMP文件交換上。
該加載項可從文件交換作為一部分 “Predictor Binning”加載項。
Re：用於預測建模的監督分級加載項嗨克萊，
我們正在嘗試使用加載項“Binning for Continous Predictors”，無監督元素工作正常，但我們遇到了監督方法的問題。 選擇響應變量和解釋變量並單擊確定後，似乎沒有任何事情發生。 我們使用的是JMP 12.2（64位）。 你有什麼建議嗎？
Clay Barker寫道：嗨Sandeep，很遺憾，這很難......克萊巴克中寫道：
嗨Sandeep，
不幸的是，很難猜測為什麼它可能不適用於您的數據。我的猜測是它應該在11中工作，你的數據更有可能暴露了加載項中的錯誤。排除行或缺失值之類的東西可能會使加載項絆倒。
謝謝，
粘土
sandeep pawar寫道：它似乎適用於波士頓住房......桑迪普帕瓦爾中寫道：
它似乎適用於波士頓住房數據......不確定為什麼它不適用於我的數據
sandeep pawar寫道：我正在使用JMP Pro 11。我跑了加...桑迪普帕瓦爾中寫道：
我正在使用JMP Pro 11。我跑了插件但沒有發生任何事情。沒有創建新列。它適用於11嗎？
您的數據太精確了嗎？寫道：[...]帖子描述了......您的數據太精確了嗎？中寫道：
[...] post描述了一個交互式分級工具，您可以使用它來手動執行此類分級。合併的第三個例子是使用監督方法，其中預測器中的區間選擇方式最大化[...]的預測能力。
