예측 향상을 위한 배깅의 예
이 예에서는 예측 프로파일러를 통한 배깅을 사용합니다. 네 개의 반응 변수를 세 개 요인의 함수로 동시에 모델링하는 신경망 모형의 예측 기능을 향상시키는 것이 목표입니다. 예측 검정력 향상은 배깅이 사용되는 여러 경우 중 하나입니다. 또한 배깅은 불안정한 모형에 특히 유용합니다.
신경망 모형 적합
1. 도움말 > 샘플 데이터 폴더를 선택하고 Tiretread.jmp를 엽니다.
2. 분석 > 예측 모델링 > 신경망을 선택합니다.
3. ABRASION, MODULUS, ELONG 및 HARDNESS를 선택하고 Y, 반응을 클릭합니다.
4. SILICA, SILANE, SULFUR를 선택하고 X, 요인을 클릭합니다.
5. 확인을 클릭합니다.
6. (선택 사항) "난수 시드값" 옆에 "2121"을 입력합니다.
참고: 신경망 모형에서 검증 데이터 집합 선택의 랜덤 특성으로 인해 결과가 달라집니다. 위의 시드값을 입력하면 이 예에 표시된 결과를 재현할 수 있습니다.
7. 시작을 클릭합니다.
8. "모형 NTanH(3)" 옆의 빨간색 삼각형을 클릭하고 계산식 저장을 선택합니다.
참고: 이 옵션은 신경망 모형의 모든 반응 변수에 대한 예측값을 데이터 테이블에 저장합니다. 나중에 이 값을 배깅에서 얻은 예측과 비교합니다.
배깅 수행
초기 모형이 생성되었으므로 해당 모형을 사용하여 배깅을 수행할 수 있습니다. 예측 프로파일러를 통해 배깅 기능에 액세스합니다.
1. "모형 NTanH(3)" 옆의 빨간색 삼각형을 클릭하고 프로파일러를 선택합니다.
"예측 프로파일러"가 보고서 맨 아래에 나타납니다.
2. "예측 프로파일러"의 빨간색 삼각형을 클릭하고 배깅된 예측 저장을 선택합니다.
3. "붓스트랩 표본 수" 옆에 "100"을 입력합니다.
4. (선택 사항) "난수 시드값" 옆에 "2121"을 입력합니다.
참고: 복원 표집의 랜덤 특성으로 인해 결과가 달라집니다. 이 예에 나오는 것과 정확히 같은 결과를 재현하려면 난수 시드값을 설정합니다.
5. 확인을 클릭합니다.
데이터 테이블로 돌아갑니다. 각 반응 변수에 대해 예측 계산식 <열 이름> 배깅된 평균, 표준 오차 <열 이름> 배깅된 평균, <열 이름> 붓스트랩 표준 오차라는 세 개의 새 열이 있습니다. 예측 계산식 <열 이름> 배깅된 평균 열이 최종 예측입니다.
그림 3.32 배깅 후 데이터 테이블에 추가된 열
예측 비교
배깅으로 인해 예측 검정력이 어떻게 향상되는지 확인하기 위해 배깅된 모형의 예측을 원래 모형 예측과 비교합니다. 모형 비교 플랫폼을 사용하여 한 번에 하나의 반응 변수를 검토합니다.
1. 분석 > 예측 모델링 > 모형 비교를 선택합니다.
2. 예측된 ABRASION을 선택하고 Y, 예측 변수를 클릭합니다.
3. 예측 계산식 ABRASION 배깅된 평균을 선택하고 Y, 예측 변수를 클릭합니다.
4. 확인을 클릭합니다.
열 목록이 포함된 창이 나타납니다.
5. ABRASION을 선택하고 확인을 클릭합니다.
6. "모형 비교"의 빨간색 삼각형을 클릭하고 실제값 대 예측값 그림을 선택합니다.
그림 3.33 ABRASION에 대한 예측 비교
Figure 3.33의 "적합 측도" 보고서와 "실제값 대 예측값 그림"이 표시됩니다. 배깅에서 얻은 예측은 파란색으로 표시됩니다. 원래 신경망 모형에서 얻은 예측은 빨간색으로 표시됩니다. 일반적으로 배깅 예측이 원래 모형 예측보다 선에 더 가깝습니다. 배깅 예측이 선에 더 가깝기 때문에 배깅된 예측의 R² 값 0.8379가 원래 모형 예측의 R² 값보다 높습니다. 따라서 배깅이 ABRASION에 대한 예측을 향상시킨다는 결론을 내릴 수 있습니다.
이 예에서는 ABRASION에 대한 예측을 비교했습니다. 다른 반응 변수에 대한 예측을 비교하려면 ABRASION을 원하는 반응 변수로 대체하여 step 2 ~ step 6를 수행합니다. 다른 예로 Figure 3.34에서는 HARDNESS에 대한 "적합 측도" 보고서를 보여 줍니다. 이 보고서는 ABRASION에 대한 "적합 측도" 보고서의 결과와 비슷합니다. 배깅된 예측의 R² 값이 원래 모형 예측의 R² 값보다 약간 높으며, 이는 더 나은 적합과 향상된 예측을 나타냅니다.
그림 3.34 HARDNESS에 대한 예측 비교
