Beim Erstellen eines Vorhersagemodells gibt es verschiedene Möglichkeiten, wie wir die Antwort als Funktion unserer Vorhersagen modellieren können. Die Fit Model-Plattform in JMP erlaubt es uns, die Antwort als lineare Funktion unserer Prädiktoren zu modellieren. Die nichtlineare Plattform ermöglicht es uns, die Antwort als nichtlineare Funktion der Prädiktoren zu modellieren, möglicherweise in Form einer exponentiellen oder sigmoidalen Kurve. Eine weitere Möglichkeit besteht darin, die Reaktion als eine Stufenfunktion unserer kontinuierlichen Prädiktoren zu modellieren. Wir können diese Art von Modell erstellen, indem wir unsere fortlaufenden Spalten diskretisieren oder binning. Dieser Blogbeitrag enthält eine kurze Beschreibung des Add-Ins "Supervised Binning" zum Erstellen dieses Modells. "Beaufsichtigt" bezieht sich hier auf die Tatsache, dass wir die Antwortvariable verwenden, um uns bei der Auswahl des besten Binning-Schemas zu unterstützen. Das Add-In steht im Internet zum Download zur Verfügung JMP-Dateiaustausch Im Rahmen des Add-In „Predictor Binning“ (Download erfordert ein kostenloses SAS-Profil).
In der Mais-Datentabelle im Beispieldatenordner von JMP werden beispielsweise Maisertragsmessungen und die Nitratkonzentration im Boden angegeben. Bei der Aufzeichnung dieser Daten sehen wir, dass die Beziehung zwischen den beiden Variablen in hohem Maße nichtlinear ist, und wir erkennen an, dass es schwierig sein könnte, ein Modell zu bestimmen, das für die Daten geeignet ist. Es wäre also interessant, die Nitratwerte zu sortieren, um eine Sprungfunktion zur Vorhersage der Maisausbeute zu schaffen. Dazu starten wir einfach das Add-In "Supervised Binning" und legen die Spalte "Ausbeute" als Antwort und die Spalte "Nitrat" als erklärende Variable fest.
Das Add-In hängt eine binierte Version der Nitratspalte an die ursprüngliche Datentabelle an. Diese neue Spalte, "Nitrat gebündelt", ist eine Kategoriespalte mit vier Ebenen, in der jede Ebene einen anderen Bereich von Nitratwerten darstellt. Beispielsweise repräsentiert der erste Behälter die Beobachtungen, bei denen der Nitratgehalt 10,58 oder weniger beträgt. Jetzt können wir die binned-Spalte (entweder auf der Fit-Modell- oder der Fit-Y-nach-X-Plattform) verwenden, um den Ertrag vorherzusagen. Die folgende Abbildung vergleicht die Bins-Vorhersagefunktion mit einem disjunkten quadratischen Modell zur Vorhersage der Rendite. Das Binned-Modell ist einfacher zu interpretieren als das nichtlineare Modell, und es hat einen geringeren mittleren Quadratfehler.
Das Maisbeispiel ist schön, um zu sehen, wie Prädiktor-Binning für ein einfaches Beispiel funktioniert. Binning ist jedoch auch sehr nützlich, wenn Sie kompliziertere Modelle erstellen. Zum Beispiel könnten wir die Boston Housing-Daten aus dem JMP-Beispieldatenordner betrachten. Hier versuchen wir, die durchschnittlichen Heimatwerte anhand verschiedener Merkmale jeder Stadt vorherzusagen. Angenommen, wir möchten alle verfügbaren Daten verwenden, um ein lineares Modell zu erstellen. Wir haben jedoch Grund zu der Annahme, dass einige der Prädiktoren eine nichtlineare Beziehung zum Eigenheimwert haben. Vielleicht glauben wir zum Beispiel, dass die Heimatwerte für niedrige Kriminalitätsraten relativ konstant sind, aber deutlich über eine bestimmte Kriminalitätsrate fallen. Wir könnten ähnliche Argumente vorbringen, um die Einteilung der Spalte "Räume" zu rechtfertigen. Wir können das Supervised Binning-Add-In verwenden, um die Spalten "crim" und "rooms" sowie alle anderen Spalten, die als angemessen erscheinen, in einen Container zu setzen.
Das Add-In unterteilt die Spalte "Crim" in 10 diskrete Kategorien. Sobald die Kriminalitätsrate pro Kopf über 2,0 steigt, sinken die Heimatwerte schnell. Jetzt können wir eine Kombination unserer binned-Spalten und der verbleibenden durchgehenden Spalten verwenden, um ein Modell mit potenziell (hoffentlich!) Viel besseren Vorhersagemöglichkeiten als ein mit den Originalsäulen erstelltes Modell zu erstellen.
Wenn Sie also schon einmal feststellen möchten, dass Sie Ihre kontinuierlichen Prädiktoren abfangen oder diskretisieren möchten, sollten Sie das Supervised Binning-Add-In ausprobieren. Sie finden dieses Add-In als Teil von Predictor Binning-Add-In auf dem JMP File Exchange.
Hi Clay,
Wir versuchen, das Add-In "Binning for Continuous Predictors" zu verwenden. Das unbeaufsichtigte Element funktioniert einwandfrei, aber wir haben Probleme mit der überwachten Methode. Nachdem Sie eine Antwortvariable und eine erklärende Variable ausgewählt und auf OK geklickt haben, scheint nichts zu passieren. Wir verwenden JMP 12.2 (64 Bit). Hast du irgendwelche Vorschläge?
Clay Barker schrieb:
Hallo Sandeep,
Leider ist es schwer zu erraten, warum Ihre Daten möglicherweise nicht funktionieren. Meine Vermutung ist, dass es in 11 funktionieren sollte. Es ist wahrscheinlicher, dass etwas über Ihre Daten einen Fehler im Add-In enthüllt hat. Ausgeschlossene Zeilen oder fehlende Werte können das Add-In möglicherweise stürzen.
Vielen Dank,
Lehm
Sandeep Pawar schrieb:
Es schien mit den Daten von Boston Housing zu funktionieren ... nicht sicher, warum es mit meinen Daten nicht funktionieren würde
Sandeep Pawar schrieb:
Ich verwende JMP Pro 11. Ich habe das Addin ausgeführt, aber es ist nichts passiert. Es wurde keine neue Spalte erstellt. Funktioniert es in 11?
Sind Ihre Daten zu genau? schrieb:
In diesem Beitrag wurde ein interaktives Binning-Tool beschrieben, mit dem Sie diese Art von Binning manuell durchführen können. Ein drittes Beispiel für das Binning ist die Verwendung eines überwachten Ansatzes, bei dem die Bins im Prädiktor so gewählt werden, dass die Vorhersagefähigkeit des [...]
