Hemos tenido una respuesta tan favorable a nuestro seminario sobre Construyendo mejores modelos que tuvimos nuestro tercero el 10 de abril, con la asistencia de casi 100 personas. Se ha convertido en un éxito global, habiendo sido entregado 20 veces en todo el mundo. El seminario se basa en el concepto de George Box de que "todos los modelos son incorrectos, pero algunos son útiles", e investiga cómo se pueden usar los diferentes métodos de modelado predictivo para hacer los modelos creados por JMP Pro tan útil como sea posible. George Box Es uno de los grandes estadísticos del siglo pasado y, lamentablemente, falleció a principios de este mes, lo que agregó un toque conmovedor al evento.
El seminario fue iniciado por Sam Gardner, quien le dio a la audiencia una introducción al modelado estadístico y por qué es importante evitar sobreajuste un modelo, que se debe a que podría llevar al modelo a "predecir" el ruido, en lugar de centrarse en la señal subyacente. Puede retener los datos para ayudarlo a seleccionar el mejor modelo utilizando la muestra de "Validación" en JMP Pro, porque estos datos se usan para validar qué modelo es mejor observando cuando el RMSE es mínimo. JMP Pro también le permite evaluar qué tan bueno es el modelo al retener una tercera muestra de "Prueba" de los datos. Tiene una gama de técnicas para evaluar esto, incluyendo R2 (que evalúa la proporción de variabilidad dentro del modelo), AIC, BIC, matrices de confusión, ROC y curvas de elevación.
Sam hizo una introducción a los árboles de decisión, y Robert Anderson, del equipo de JMP UK, mostró cómo estos, junto con la retención de datos para validar el modelo, pueden ayudar a asignar recursos de ingeniería a las tareas correctas, utilizando un estudio de caso de ingeniería de procesos de semiconductores. El resultado fue un uso más productivo del esfuerzo de ingeniería, ahorrando tiempo y costos, en comparación con los métodos tradicionales de modelado estadístico.
Sam siguió esto con un ejemplo de investigación y desarrollo, en el que construyó un modelo de regresión lineal para determinar el punto de fusión de los compuestos farmacéuticos basados en la estructura molecular. Combinó otras técnicas, como el análisis de datos exploratorios para identificar compuestos importantes y la reducción de variables mediante el análisis de componentes principales y la agrupación.
JMP Pro le permite aplicar técnicas de refuerzo y empaquetado para crear mejores árboles de decisión. Robert demostró cómo se podrían usar para construir un modelo más preciso que predice la rotación de clientes en una empresa de telecomunicaciones, de modo que los usuarios puedan comercializarse de forma adecuada. También mostró cómo se puede crear una visualización interactiva del modelo: el Perfil de predicción en JMP (vea la imagen a continuación) - para que pueda usar el análisis de escenarios para comunicarse con sus ejecutivos y tomar mejores decisiones comerciales.
Redes neuronales Son modelos muy flexibles y por lo tanto son propensos a sobreajuste. Sam mostró cómo construir mejores modelos de redes neuronales y compararlos, utilizando un estudio de caso de riesgo financiero. También habló sobre cómo se están empezando a usar las redes neuronales para construir "modelos de modelos" utilizando datos heredados, de modo que los científicos puedan realizar experimentos en esos modelos, ahorrando tiempo y recursos en el laboratorio. Puedes encontrar un ejemplo de cómo Buen año usa esto Para diseñar mejores neumáticos en nuestra web.
Siguiendo con la popularidad de este seminario, ofreceremos dos transmisiones por Internet sobre cómo construir mejores modelos los días 1 y 7 de mayo. Usted y sus colegas pueden registrarse a través de nuestra página de webcasts . También realizaremos un taller práctico de un día de duración el 25 de junio para los nuevos usuarios de JMP Pro. Los lugares en esto están estrictamente limitados, así que si desea más detalles, puede contactarme a través de correo electrónico .
