预测和专业建模 • 预测和专业建模简介
上一个
 • 
下一个
预测和专业建模简介
建模方法概述
《预测和专业建模》提供有关更专业化的建模方法（如响应筛选、分割和神经网络）的详细信息。
•
建模工具可在数据分析中的数据清理和预处理阶段中提供协助。每个实用工具都提供探索性工具，支持您更深入彻底地了解数据。请参见建模工具。
•
“神经”平台构建了一层或两层的完全连接的多层感知器。使用神经网络可借助灵活的输入变量函数预测一个或多个响应变量。请参见神经网络。
•
“分割”平台根据 X 值与 Y 值之间的关系将数据递归分割，从而创建决策树。请参见分割模型。
•
“Bootstrap 森林法”平台支持您通过对许多决策树（每棵树都拟合到训练数据的随机子集）求平均值来拟合组合模型。请参见Bootstrap 森林法。
•
“提升树”平台可生成加法决策树模型，该模型由在层中构造的许多小决策树构成。每层中的树都包含少量拆分，拆分数通常不超过五个。每层都使用递归拟合方法拟合。请参见提升树。
•
“K 最近邻”平台使用给定观测的本地邻域中的观测的响应预测该预测的响应值。它可与分类响应配合使用以便于分类，也可与连续响应配合使用以便于预测。请参见K 最近邻。
•
“朴素 Bayes”平台将观测分类到由分类响应变量的水平定义的各组中。用于分类的变量（或因子）在数据挖掘文献中经常称为功能。请参见朴素 Bayes。
•
“模型比较”平台支持您比较不同模型的预测能力。为每个模型都提供了拟合测度以及叠加诊断图。请参见模型比较。
•
“公式存储库”平台支持您对要部署的模型进行组织、比较、刻画和评分。对于模型探索任务，您可以使用“公式存储库”在 JMP 数据表之外存储候选模型。请参见公式存储库。
•
“拟合曲线”平台提供预定义的模型，如多项式、Logistic、Gompertz、指数、峰和药物代谢动力学模型。可以使用各种分析和图形方法比较不同的分组或对象。请参见拟合曲线。
•
“非线性”平台支持您拟合定制的非线性模型，模型中包含模型公式和要估计的参数。请参见非线性回归。
•
“高斯过程”平台对某个连续响应与一个或多个连续预测变量之间的关系进行建模。这些模型在计算机模拟实验（比如，有限元程序输出）之类的领域很常见，而且这些模型经常能够进行完美的数据插值。请参见高斯过程。
•
“时间序列”平台支持您探索、分析和预测一元时间序列。请参见时间序列分析。
•
“配对”平台比较两个或更多相关变量之间的均值并评估差值。请参见配对分析。
•
“响应筛选”平台自动执行对大量的响应进行检验的过程。为了支持数据探索，您的检验结果和汇总统计量显示在数据表而不是报表中。请参见响应筛选。
•
“过程筛选”平台支持您探索随时间变化的大量过程。该平台计算控制图、过程稳定性和过程能力量度，并检测较大的过程偏移。请参见过程筛选。
•
“预测变量筛选”平台支持您为显著预测变量筛选数据集。请参见预测变量筛选。
•
“关联分析”平台支持您标识彼此有亲和关系的项。该分析经常用于分析交易数据（亦称“市场购物篮”），用以标识在交易中经常一起出现的项。请参见关联分析。