모형 비교의 예
이 예에서는 회귀 모형과 붓스트랩 포레스트 모형을 비교합니다. 데이터는 정제 생산 공정과 관련된 중요한 파라미터, 공급업체, 측정값 및 품질 지표로 구성됩니다. 용해도에 대한 모형을 생성하는 것이 목표입니다.
도움말 > 샘플 데이터 폴더를 선택하고 Tablet Production.jmp를 열어 시작합니다.
검증 열 생성
1. 분석 > 예측 모델링 > 검증 열 생성을 선택합니다.
2. 시작 창에서 열을 선택하지 않습니다.
이는 플랫폼에서 단순 랜덤 검증 열을 생성한다는 것을 나타냅니다.
3. 확인을 클릭합니다.
4. "새 열 이름" 옆의 상자에 "Create Validation"을 입력합니다.
5. "난수 시드값" 옆의 상자에 "1234"를 입력합니다.
6. 시작을 클릭합니다.
새 검증 열이 생성됩니다. "훈련"이 할당된 행은 훈련 데이터 집합에 있습니다. "검증"이 할당된 행은 검증 데이터 집합에 있습니다.
회귀 모형 생성 및 열에 예측 계산식 저장
1. 분석 > 모형 적합을 선택합니다.
2. Dissolution을 선택하고 Y를 클릭합니다.
3. API Particle Size ~ Lot Acceptance를 선택하고 추가를 클릭합니다.
참고: Dissolution은 선택에 포함하지 않습니다.
4. Create Validation을 선택하고 검증을 클릭합니다.
5. "분석법" 목록에서 단계별을 선택합니다.
6. 실행 버튼을 클릭합니다.
7. "중지 규칙" 목록에서 p 값 임계를 선택합니다.
8. 시작 버튼을 클릭합니다.
9. 모형 실행 버튼을 클릭합니다.
그림 11.2 모형 적합 보고서
10. 예측 계산식을 열에 저장하려면 "반응 Dissolution"의 빨간색 삼각형을 클릭하고 열 저장 > 예측 계산식을 선택합니다.
붓스트랩 포레스트 모형 생성 및 열에 예측 계산식 저장
1. 분석 > 예측 모델링 > 붓스트랩 포레스트를 선택합니다.
2. Dissolution을 선택하고 Y, 반응을 클릭합니다.
3. API Particle Size ~ Lot Acceptance를 선택하고 X, 요인을 클릭합니다.
참고: Dissolution은 선택에 포함하지 않습니다.
4. Create Validation을 선택하고 검증을 클릭합니다.
5. 확인을 클릭합니다.
6. 난수 시드값 옆의 상자에 "617"을 입력합니다.
7. 확인을 클릭합니다.
그림 11.3 붓스트랩 포레스트 모형
8. 예측 계산식을 열에 저장하려면 "Dissolution에 대한 붓스트랩 포레스트"의 빨간색 삼각형을 클릭하고 열 저장 > 예측 계산식 저장을 선택합니다.
모형 비교
1. 분석 > 예측 모델링 > 모형 비교를 선택합니다.
2. 두 개의 예측 계산식 열을 선택하고 Y, 예측 변수를 클릭합니다.
3. Create Validation을 선택하고 그룹을 클릭합니다.
팁: 그룹 열을 지정하지 않으면 JMP에서 동일한 검증 열이 모든 예측 변수에 사용될 때 이를 자동으로 인식하여 그룹화 변수로 추가하라는 메시지가 표시됩니다.
4. 확인을 클릭합니다.
그림 11.4 모형 비교 보고서
훈련 데이터 집합의 행은 모형을 생성하는 데 사용되었으므로 Create Validation = 훈련에 대한 R² 통계량이 인위적으로 부풀려질 수 있습니다. 이 경우 통계량은 모형의 미래 예측 능력을 대표하지 못합니다. 붓스트랩 포레스트 모형의 경우 특히 그렇습니다. Create Validation = 검증에 대한 통계량을 사용하여 모형을 비교합니다. 이 경우 두 모형의 검증 R² 통계량이 거의 동일합니다(0.434, 0.438). 붓스트랩 포레스트 모형과 회귀 모형 둘 다 적절한 예측 능력을 가지고 있습니다.
5. "모형 비교"의 빨간색 삼각형을 클릭하고 "프로파일러"를 선택합니다.
그림 11.5 모든 모형에 대한 예측 프로파일러
예측 프로파일러를 사용하면 서로 다른 모형에서 각 요인의 영향을 비교할 수 있습니다. 프로파일러는 회귀 모형과 파티션 모형을 사용하는 경우와 같이 여러 유형의 모형을 비교할 때 특히 유용합니다.
• 모형 규격의 선형 모형 적합
• 파티션 모형