Birden Fazla Modelden Sonuçları Karşılaştırma – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri
Birden Fazla Modelden Sonuçları Karşılaştırma
Model sonuçlarının karşılaştırılması SPSS Statistics’te mümkündür, ancak büyük ölçüde sonuçların çıktı penceresinde gözle karşılaştırılmasıyla gerçekleştirilir. Açıkçası, bunu hiçbir zaman bir eksiklik olarak görmedim çünkü istatistik yaparken genellikle tek bir teknik kullanırım, mevcut durum için önerilen tekniktir.
Aslında, gerçekten kurallarına göre oynuyorsak, sadece bir dizi ayar ve bir dizi bağımsız değişken kullanmalıyız. Ancak veri madenciliği çok farklıdır. Modeler’daki Analiz düğümüne o kadar alışkınım ki, çıktı penceresindeki nöral ağ sonuçlarını Karar Ağacı sonuçlarıyla karşılaştırmayı biraz hantal ve sinir bozucu bulabilirim. Ancak, yapılmaması için hiçbir neden yoktur.
Üç modelleme bölümü için benimsediğim yaklaşım, kolay karşılaştırmaya izin verebilecek kolay bir formülle ortaya çıkmaktır. İki analist, en sevdikleri model performansı ölçüsünde önemli ölçüde farklılık gösterebilir ve istatistik dünyasında, genellikle her teknik için farklı model uyumu ölçüleri seçilir.
Ancak karşılaştırmaya odaklanacağız, bu yüzden üç modelleme bölümünde Ortalama Mutlak Yüzde Hatası (MAPE) ve basit genel doğruluğu kullanacağım. Modelleyici, öncelikle Analiz düğümünde genel doğruluğu kullanır. MAPE’nin ideal olduğunu iddia etmeye çalışmıyorum, bunun yerine SPSS İstatistiklerinde modelleri karşılaştırmanın mümkün olduğunu iddia ediyorum. Farklı bir formül kullanmayı tercih edebilirsiniz.
Tartışmamızın bu noktasında, SPSS Modeler’ın modelleri nasıl karşılaştırdığını keşfetmek isteyeceğiz. Analiz düğümü, göreceğimiz gibi kolayca gösterilebilir. Özellik Seçimi düğümü, yalnızca 7 orijinal girdiyle gerçekten gerekli olmasa da, bir akışın bir analiz boyunca nasıl büyüdüğünü göstermek için yerinde tutulmuştur. Mevcut akış, bazı eklemelerle birlikte gösterilir. Aslında en zayıf iki değişkenin dikkate alınmasını engeller: Özellik Seçimi algoritması tarafından “önemsiz” kabul edilen ikisidir.
CHAID külçesi ve sinir ağı külçesi (soldan sağa ilk külçe olan özellik seçim külçesinden sonra soldan ikinci ve üçüncü) esasen birbirleriyle rekabet halindedir. İkincisi, birincisinin tahmininden hiçbir şekilde fayda sağlamaz.
Her ikisi de aşağı yönde işlenen tahminlerde bulunur. Bu durumda, Analiz düğümü anahtardır. Bölme düğümünden, CHAID külçesinden ve sinir ağı külçesinden akış boyunca kendisine iletilen bilgileri otomatik olarak hesaba katmak bu düğümün işidir.
Analiz düğümünün raporunun belki de en etkileyici yanı, tamamen varsayılanlarda çalıştırılmış olmasıdır. Diğer düğümlerin akış aşağısındaki yerine sürüklemek dışında hiçbir talimat verilmek zorunda değildi. Modeler, iki bölümün nasıl işleneceğini otomatik olarak bilir. “$R-Hayatta Kalan ile Hayatta Kalanı Karşılaştırmak” ifadesi, ilk modelin tahminini gerçek sonuçla karşılaştırmak anlamına gelir. “$N-Survived ile Survived’ı Karşılaştırmak” ifadesi ikinci modele atıfta bulunuyor. Ön ekler kafa karıştırıcı olabilir, ancak $R her zaman CHAID ile ve $N her zaman sinir ağı ile ilişkilendirilir.
Tarama modeli
Tarama modeli örnekleri
Genel tarama modeli
İlişkisel tarama modeli örnekleri
Tarama yöntemi nedir
Betimsel tarama modeli nedir
Yapısal Eşitlik Modeli Nedir
Kesitsel tarama modeli
Raporun ilk yarısında iki şeyle ilgileniyoruz: doğruluk ve genellik. Her iki durumda da, $R-Survived ve $N-Survived, Eğitim performansı ve Test performansının oldukça yakın olduğunu görüyoruz. “Kapatmak” ile çoğu analist, %5’lik bir genel kural kullanır. Bu örneğe uygulandığında, bu, Test performansının, modellerin makul ölçüde iyi genelleştirdiği Eğitim performansının %5 altında olduğu anlamına da gelir.
Genelleme başarısızlığının esasen Tip I hata olduğunu unutmayın. Her ikisi de burada temel kuralı karşılar. Doğruluk açısından, Eğitim doğruluğu her şeyden önemli değildir. Gerçekten ilgilendiğimiz şey, Test performansı. CHAID’in $R ön eki ile öngörüsü, daha güçlü bir performans sergiliyor gibi de görünüyor.
Bunun yalnızca bir ilk deneme olduğunu ve varsayılan ayarlarda çalıştırıldığını unutmayın. Bir proje sırasında onlarca model denemek alışılmadık bir şey olmazdı. Şu anda CHAID küçük bir farkla lider gibi görünüyor. SPSS Statistics’te bu tür bir analizin mümkün olduğunu öğreneceğiz, ancak biraz çaba gerektirecek ve SPSS sözdizimi gerektirecek. Adımları dikkatlice de gözden geçireceğiz.
Analiz düğüm raporunun geri kalanını kısaca inceleyelim. $R-Survived ve $N-Survived’ın genel olarak hemfikir olduğunu, her iki örnekte de yaklaşık %86’lık bir anlaşma olduğunu öğreniyoruz. Kabul ettiklerinde, birleşik doğruluk neredeyse %83’tür. İlk başta, bu haber oldukça heyecan verici görünüyor: %83 çok daha iyi, ancak bir maliyeti var, %83’ün yalnızca anlaştıkları durumlarda ölçüldüğü. Modelleri birleştirmek güçlü olabilir, ancak bu rapor, ölçekleri birleştirilmiş bir model izleme lehine biraz fazla ipucu veriyor. Topluluk adı verilen bu tür modeller, özel Topluluk düğümü ile oluşturulabilir ve bir sonraki bölümün konusudur.
Topluluklar Oluşturma
Model toplulukları kavramı, Analiz düğümünde ima edilenden daha inceliklidir. Analiz düğümü, bir topluluğun verimli olup olmayacağına dair bize bazı ipuçları verdi. Ancak bir topluluk oluşturmak için modeller arasındaki çatışmayı çözmenin bir yolu olmalıdır. Modellerin bir fikir birliği tahminine sahip olmadığı durumları görmezden gelmek de kabul edilemez.
Aslında, Analiz düğümündeki “anlaşmanın” tam bir fikir birliğini ima ettiği şey budur. Fikir birliğine varılamayan durumlar, Analiz düğümündeki hesaplamada basitçe kullanılmaz, bu nedenle gerçekten sadece bir topluluğun muhtemelen yararlı olup olmayacağına dair ipuçları verir. Amaç, tüm girdi modellerinden tahminleri kullanan yeni bir model de üretmektir.
Açıkçası, girdi modelleri her zaman aynı fikirde olmayacak ve bu, bir topluluk oluşturmanın ilginç ve zorlayıcı yönüdür. Hepsi aynı fikirde olduklarında, çoğu zaman her şey yolundadır. “Gizli sos”, hepsi aynı fikirde olmadığında tahminin ne olması gerektiğini bulmak için akıllıca bir iş yapıyor ve bunu yapmanın birçok yolu da var.
Ne yazık ki, sayısız yolun olması SPSS Statistics’te topluluk oluşturmayı emek yoğun hale getirecektir. Emek yoğun, veri madenciliğinde bir problem olan deney yapmayı zorlaştırır. Kesinlikle yapılabilir, ancak SPSS sözdizimindeki formüller kullanılarak da yapılabilir.
Betimsel tarama modeli nedir Genel tarama modeli İlişkisel tarama modeli örnekleri Kesitsel tarama modeli Tarama modeli Tarama modeli örnekleri Tarama yöntemi nedir Yapısal Eşitlik Modeli Nedir