Hangi çekirdek kullanılırsa kullanılsın, bağımsız değişkenlerin ölçeğine duyarlıdır. Mesafelerin büyük değerlere sahip değişkenler tarafından keyfi olarak domine edilmesini önlemek için, değişkenler aynı ölçeğe yerleştirilmelidir. Varsayılan olarak, prosedür tüm değişkenleri sıfır ortalama ve birim varyansa sahip olacak şekilde ölçekler. Veriler zaten ölçeklenmişse veya ölçeklemeyi özelleştirmek istiyorsanız, yordamı çalıştırmadan önce varsayılan ölçeklemeyi kapatabilir ve uygun dönüşümleri gerçekleştirebilirsiniz.

Tahmin sürecine eğitim verisi girdisi üzerinde tahmin edilen modelin genellenebilirliği, eğitim verilerinin bir tahmin seti ve bir test seti olarak rastgele bölündüğü çapraz doğrulama ile değerlendirilebilir. Bu işlem belirli sayıda tekrarlanarak doğruluk veya hata oranı raporlanır. Çapraz doğrulama, görünüşte iyi performans gösteren bir SVM’nin zayıf bir şekilde genelleştirilmesine neden olabilecek fazla uyum sorununu azaltabilir.

Bağımlı değişkenin kategorilerinin boyutları önemli ölçüde farklılık gösteriyorsa, yani veriler dengesizse, kategori ağırlıklarının atanmasına yardımcı olabilir. Tüm kategoriler 1 ağırlıkla başlar, ancak önemli ancak nadir bir kategorinin ağırlığını artırmak sonucu iyileştirebilir. Örneğin, temerrüt oranının düşük olduğu kredi temerrütlerini modellemek, tüm durumlar için en iyi tahmin olarak temerrüt olmayanın seçilmesiyle sonuçlanabilir. Varsayılan durumlara daha büyük bir ağırlık atamak bu sorunu giderir.

Örnek

Örnek olarak İstatistiklerle birlikte gönderilen bankloan.sav veri kümesini kullanıyoruz. Yöntemlerin karşılaştırmasını kolaylaştırmak için, AÇIKLAMALARI kullanarak X değişkenlerini standartlaştırdık. (STATS SVM standardizasyonu kendisi yapabilir.) Değişkenler yıl cinsinden yaştır; eğitim seviyesi 1 = lise altıdan 5’e kadar = yüksek lisans; bin gelir; ve kredi kartı ve diğer borçların toplamı olarak hesaplanan toplam borç. Bağımlı değişken, 0 veya 1 olan temerrüt oluşumudur. Kredi geçmişi olmayan vakalar taranır.

%26’sı temerrüde düşen 700 dava var. DISCRIMINANT (Analiz Et ➪ Sınıflandır ➪ Ayrımcı) ile başlayarak, bu sınıflandırma sonuçlarını tahmin grubu büyüklüklerinden ön olasılıkları alma seçeneğini kullanarak elde ederiz. Vakaların yüzde yetmiş altısı doğru sınıflandırılmış.

STATS SVM’ye (Analiz Et ➪ Sınıflandır ➪ Destek Vektör Makinelerini) odaklanarak, önce tüm varsayılan ayarlarla tahmin yaparız, bu da çekirdeğin RBF, gama = .25 ve maliyetin 1 olduğu anlamına gelir. Şekil 18-19 sınıflandırma tablosunu gösterir. (prosedürde Karışıklık Tablosu olarak anılacaktır).

Bir ızgara araması kullanırsak, çıktı hata oranını gösteren bir tablo içerir. Bir örneği göstermektedir. Bu durumda, varsayılan gama, test edilen ayrıntı düzeyi içinde en iyisidir. Tablo, diğer çekirdekler için bile tüm olası parametreleri içerir, bu nedenle, bu durumda yalnızca gama sütunu ilgi çekicidir, çünkü diğerleri değişken değildir veya RBF çekirdeği için geçerli değildir. Bir grid araması belirlemek için değerleri gösterildiği gibi girin.

Stratejik analiz Nedir
Paydaş Etki Analizi
Stratejik Analiz Dergisi
SWOT analizi
Stratejik analiz örnekleri
PEST analizi
Senaryo analizi örnekleri
Senaryo analizi Nedir

Izgara araması birden çok parametre üzerinde olabilir. Hem gama hem de maliyet üzerinde arama yapmak, gama = .75 ve maliyet=10 çok yakın olmasına rağmen, gama=.75 ve maliyet=2 için minimum hatanın oluştuğu Şekil 18-22’de gösterilen tabloyu üretir. Ayarlamada bir miktar rastgelelik olduğunu unutmayın, bu nedenle sonuçlarınız bunlardan biraz farklı olabilir.

En iyi ayar parametrelerini kullanmadaki karışıklık matrisi, varsayılanın doğru tahminlerinin yüzdesini orijinal %13,66’dan %38,25’e yükselttiğimizi göstermektedir. Destek vektörlerinin sayısı, örneğin %56’sı olan 377’den 390’a yükseldi. Çapraz doğrulama gerçekleştirirsek, genel doğruluk beklediğimiz gibi biraz daha düşüktür.

Bir borç verenin ana menfaatinin temerrüde karşı korunma olduğunu ve temerrütün gerçekte ne zaman gerçekleşeceğini daha doğru bir temerrüt tahmini için temerrüde düşme tahmininde bir miktar doğrulukla takas etmek isteyeceğini düşünmek mantıklıdır. Varsayılan kategoriyi varsayılan olmayandan daha fazla ağırlıklandırmak, bu kategoriyi vurgulayabilir.

Bunu, kategori değerleri ve ağırlık çiftlerinin bir listesini kabul eden CLASSWEIGHTS anahtar sözcüğü ile varsayılan kategorisine bir ağırlık atayarak yapabiliriz. SINIF AĞIRLIKLARI = 1 5 kullanılması, kredi temerrüt kategorisi 1’in, kredi temerrüdüne göre beş kat daha büyük bir ağırlığa sahip olduğunu belirtir. Ağırlık belirtilmemişse, tüm kategorilerin ağırlığı 1’dir. Yalnızca, bir kategorinin varsayılan olmayan bir ağırlığa sahip olması gereken yerlerde ağırlıkları belirtmek gerekir. Bu ağırlıkla varsayılan RBF ayarlarının kullanılması, gösterilen karışıklık tablosunu üretir.

Bunu gösterilen karışıklık tablosuyla karşılaştırdığımızda, varsayılan tahminin doğruluğunun %13’ten %90’a yükseldiğini, varsayılan olmayan doğru yüzdesinin ise %99’dan %51’e düştüğünü görüyoruz.

Operasyonel Sorunlar

STATS SVMcommandanvedialogoperateintwomodes.Şekil18-25iletişim kutusunu gösterir. İlk mod olan SVM Tahmininde, model tahmin edilir ve tahmin sonuçları görüntülenir. Tahmin verileri için aynı anda tahminler yapılabilir. Model, bir R çalışma alanı dosyası olarak diske kaydedilebilir. Ayrıca, yeni verilerle tahminler yapmak için anında kullanılmak üzere bellekte tutulabilir.

İkinci mod olan Tahminde, model kaynağını bir dosya veya mevcut R çalışma alanı olarak belirtir ve yeni verilere uygularsınız. Yeni veri kümesindeki X değişkenleri, aynı adlara ve ölçüm düzeylerine ve faktörler için tahmin veri kümesindekiyle aynı kategori değerlerine sahip olmalıdır. Görüntüleyici çıktısı, tahmini moddan özelliklerin bir özetini görüntüler.

Her iki modda da, kategoriler veya regresyon durumunda değerler olan tahmin edilen değerler, MAÇ DOSYALARI kullanılarak giriş verileriyle birleştirilebilen yeni bir veri kümesine yazılır. Doğru bir eşleşmeyi kolaylaştırmak için tahminler yaparken bir ID değişkeni eklemek iyi bir fikirdir.

Diskriminant analizi, lojistik regresyon ve SVM’nin tümü farklı varsayımlarda bulunur ve verilerin farklı yönlerine duyarlıdır. SVM, ilişkideki çok sayıda değişkeni ve doğrusal olmayan durumu diğer tekniklerden daha iyi yönetir ve daha sağlamdır. Diğer yöntemlere göre daha fazla ayar seçeneği ve doğrusal olmayan durumlarla başa çıkma yöntemlerine sahiptir ve makine öğreniminde en popüler teknikler arasındadır.

Buraya kadar tartıştığımız uzantı komutlarını kullanmak için Python veya R’de herhangi bir programlama bilgisi gerekmez. Bu bölümde, yerleşik işlevselliğini genişletmek için bir Python kodu parçacığı eklemenize izin veren başka bir uzantı komutu kullanma örneğini gösteriyoruz. Örnek, Python dilinin yalnızca birkaç temel özelliğini kullanır.

The post Operasyonel Sorunlar – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi (Tez Yaptırma).