<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Mannschaft,
Brady Brady und Scott Wise präsentierten am 08/10/15 auf der JSM-Konferenz 2015 in Seattle, WA, eine gut aufgenommene Präsentation zum Erstellen robuster linearer Modelle unter Verwendung der generalisierten linearen Regression (GLR). Das Publikum war beeindruckt von der Benutzerfreundlichkeit und Flexibilität der neuen Generalized Linear Regression-Plattform in JMP Pro 12. Eine längere Version der Präsentation wird auch auf der bevorstehenden Discovery-Konferenz 2015 in San Diego, Kalifornien, zu sehen sein.
Anhängen pro Anfrage:
- JSM Genreg.jrn> Journal, das während der Präsentation verwendet wird (einschließlich Skript-Folien)
- South African Heart Disease 2.jmp> Demo zu Genreg Elastic Net einschließlich zusätzlicher Modellvergleichs-Skripts
---------------------
Scott Wise, Principal Systems Engineer bei JMP, SAS
Brady Brady, JMP Technical Enablement Engineer, SAS
Erstellen robuster linearer Modelle mithilfe der generalisierten linearen Regression (GLR)
Bestrafte Regressionstechniken sind eine praktikable Alternative zu herkömmlichen linearen Modellierungsansätzen, insbesondere in Fällen, in denen die typischen Annahmen von Orthogonalität, Homoskedastizität oder Antwortnormalität verletzt werden. Sie können auch verwendet werden, um automatisch auszuwählen, welche Prädiktoren für die Vorhersage einer bestimmten Antwort am nützlichsten sind. Obwohl diese Techniken nicht neu sind, war ihre Verwendung in angewandten Umgebungen historisch bedingt, sowohl aufgrund ihres Rechenaufwands als auch aufgrund ihrer relativen Unbekanntheit außerhalb der Wissenschaft. Durch die Verbreitung von erschwinglichen, leistungsstarken Computern ist es heute möglich, diese Techniken in Desktop-Analysesoftware zu implementieren. In dieser Sitzung werden bestrafte Regressionstechniken erläutert und die Verwendung der generalisierten Regressionspersönlichkeit der JMP Fit Model-Plattform untersucht. Die Teilnehmer werden feststellen, dass diese Modelle einfach einzurichten, auszuführen und zu analysieren sind, jedoch robust sind, wenn Ausreißer, korrelierte Eingaben und nicht normale und / oder nicht aufgeblasene Reaktionen vorhanden sind.
Dem Journal fehlen einige Skripte (z. B. Bias vs. Regression)
Dieser Datensatz ist in Trevor Hasties enthalten Die Elemente des statistischen Lernens , ein beliebter Text zum maschinellen Lernen.
Angeforderte Informationen zur Quelle und Hintergrundgeschichte der Daten:
Eine Beschreibung des Datensatzes finden Sie unter dem folgenden Link. Wie Sie feststellen werden, ist KHK eine „koronare Herzkrankheit“ und der Datensatz ist eine Teilmenge eines Datensatzes aus einem 1983-Artikel.
Prost,
Brady
https://web.stanford.edu/~hastie/ElemStatLearn/datasets/SAheart.info.txt
