在本例中,您使用“调节设计”选项拟合具有不同核函数和参数值的若干支持向量机模型。您想找到预测糖尿病患者疾病进展的最佳分类模型。您有基准医疗数据,以及在每名患者首次就诊一年后得到的糖尿病疾病进展的二值型测度。该测度将疾病发展量化为“Low”或“High”。
1. 选择帮助 > 样本数据文件夹,然后打开 Diabetes.jmp。
2. 选择分析 > 预测建模 > 支持向量机。
3. 选择 Y 二值型并点击 Y,响应。
4. 从年龄一直选到葡萄糖,然后点击 X,因子。
5. 选择验证并点击验证。
6. 点击确定。
7. 在“模型启动”控制面板中,检查核函数是否为“径向基函数”并且选择“调节设计”。
8. 在“运行次数”旁边输入 10。
9. 点击执行。
10. 点击“模型启动”旁边的灰色小三角以打开“模型启动”控制面板。
11. 将核函数改为线性函数并选择“调节设计”。
12. 在“运行次数”旁边输入 10。
13. 点击执行。
图 9.2 “模型比较”报表
“模型比较”报表显示:依据误分类率和 R 方,最佳模型为模型 20。该模型具有成本参数为 0.04975 的线性核函数。这是要进一步分析的模型。
图 9.3 “最佳拟合模型”的模型报表
“模型汇总”报表显示,训练集和验证集的误分类率非常相似。这是一个很好的迹象,表明模型并没有过度拟合数据。混淆矩阵提供了关于模型误分类的观测类型的详细信息。在混淆矩阵中,左上角显示:该模型在大多数情况下正确分类了 Low 响应(训练集中为 92%,验证集中为 89.5%)。然而,正确分类的“High”响应较少(训练集中为 57.8%,验证集中为 65.8%)。因此,大多数误分类是被误分类为 Low 的 High 响应。
注意:由于调节设计中的设计点是随机的,所以结果有所不同。