<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Équipe,
Brady Brady et Scott Wise ont présenté un exposé bien accueilli sur la création de modèles linéaires robustes à l'aide de la régression linéaire généralisée (GLR) à la conférence JSM 2015 à Seattle, dans l'État de Washington, le 08/10/15. Le public a été impressionné par la facilité d'utilisation et la flexibilité de la nouvelle plate-forme de régression linéaire généralisée de JMP Pro 12. Une version plus longue de la présentation sera également présentée lors de la prochaine conférence Discovery à San Diego, en Californie, en 2015.
Attachement par demande:
- JSM Genreg.jrn> Journal utilisé lors de la présentation (y compris les diapositives scriptées)
- South African Heart Disease 2.jmp> Démo de Genreg Elastic Net avec scripts de comparaison de modèles supplémentaires
---------------------
Scott Wise, ingénieur principal des systèmes JMP, SAS
Brady Brady, ingénieur technique JMP, SAS
Création de modèles linéaires robustes à l'aide de la régression linéaire généralisée (GLR)
Les techniques de régression pénalisées sont une alternative viable aux méthodes de modélisation linéaire traditionnelles, en particulier dans les cas où les hypothèses typiques d'orthogonalité, d'homoscédasticité ou de normalité de réponse sont violées. Ils peuvent également être utilisés pour sélectionner automatiquement les prédicteurs les plus utiles pour prévoir une réponse donnée. Bien que ces techniques ne soient pas nouvelles, leur utilisation dans des contextes appliqués a toujours été limitée, en raison à la fois de leur coût en calcul et de leur relative obscurité en dehors du monde universitaire. Aujourd'hui, la prolifération d'ordinateurs puissants et abordables permet d'appliquer ces techniques dans des logiciels d'analyse de bureau. Cette session expliquera les techniques de régression pénalisées et explorera l'utilisation de la personnalité de la régression généralisée de la plate-forme JMP Fit Model. Les participants découvriront que ces modèles sont faciles à configurer, à exécuter et à analyser, mais qu’ils sont robustes en présence de valeurs aberrantes, d’entrées corrélées et de réponses non normales et / ou nulles.
Il manque des scripts dans la revue (par exemple, biais vs régression)
Ce jeu de données est inclus dans Trevor Hastie Les éléments de l'apprentissage statistique , un texte populaire d'apprentissage automatique.
Informations demandées sur la source et l'historique des données:
Une description du jeu de données est disponible sur le lien ci-dessous. Comme vous le constaterez, la cardiopathie coronarienne est une «maladie coronarienne» et l'ensemble de données est un sous-ensemble d'un ensemble de données tiré d'un article de journal de 1983.
À votre santé,
Brady
https://web.stanford.edu/~hastie/ElemStatLearn/datasets/SAheart.info.txt
