파티션 플랫폼의 예
이 예에서는 파티션 플랫폼을 사용하여 당뇨병 환자의 1년 질병 진행률(낮음 또는 높음)을 예측하는 의사 결정 나무를 생성합니다.
1. 도움말 > 샘플 데이터 폴더를 선택하고 Diabetes.jmp를 엽니다.
2. 분석 > 예측 모델링 > 파티션을 선택합니다.
3. Y Binary를 선택하고 Y, 반응을 클릭합니다.
4. Age ~ Glucose를 선택하고 X, 요인을 클릭합니다.
5. 검증 데이터 비율에 "0.33"을 입력합니다.
참고: JMP Pro에서는 검증을 위해 검증 열을 사용할 수 있습니다. Validation을 선택하고 검증을 클릭합니다. 그런 다음 검증 데이터 비율을 0으로 설정합니다.
6. 확인을 클릭합니다.
7. 플랫폼 보고서 창에서 시작을 클릭하여 자동 분할을 수행합니다.
참고: 랜덤 검증 데이터 비율이 사용되므로 결과가 Figure 4.2에 표시된 것과 다릅니다.
그림 4.2 Diabetes에 대한 분할 보고서
자동 분할을 통해 네 개의 분할이 생성되었습니다. 검증 데이터 집합의 최종 R²은 0.154입니다. 의사 결정 나무는 네 개의 분할과 각 분할의 관측값 수를 보여 줍니다.
8. "Y Binary에 대한 분할" 옆의 빨간색 삼각형을 클릭하고 열 기여도를 선택합니다.
그림 4.3 열 기여도 보고서
"열 기여도" 보고서에서는 의사 결정 나무 모형의 예측 변수가 LTG와 BMI뿐임을 보여 줍니다. 각 열은 두 개의 분할에서 사용됩니다. 사용자가 실행한 결과는 다를 수 있습니다. 검증 데이터 비율을 사용하는 경우 데이터 테이블에서 검증 데이터 집합이 랜덤 선택됩니다. 분석을 다시 실행하면 새 검증 데이터 집합이 랜덤 선택되고 첫 번째 실행과 결과가 다를 수 있습니다.
9. "Y Binary에 대한 분할" 옆의 빨간색 삼각형을 클릭하고 프로파일러를 선택합니다.
그림 4.4 파티션 모형에 대한 프로파일러
프로파일러를 사용하면 BMI 및 LTG 값을 변경하여 Y Binary 결과를 예측할 수 있습니다. 다른 요인은 파티션 모형에 분할이 없었습니다. 해당 요인의 프로파일은 편평한 일직선입니다.
10. "Y Binary에 대한 분할" 옆의 빨간색 삼각형을 클릭하고 열 저장 > 예측 계산식 저장을 선택합니다.
Diabetes.jmp 데이터 테이블에 확률(Y Binary==Low), 확률(Y Binary==High) 및 최대 확률 분류 Y Binary 열이 추가됩니다. 이러한 반응 확률이 어떻게 계산되는지 보려면 "열" 패널에서 각 열 옆의 계산식 아이콘 
을 두 번 클릭합니다.