<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Equipo,
Brady Brady y Scott Wise presentaron una presentación bien recibida sobre Creación de modelos lineales robustos utilizando regresión lineal generalizada (GLR) en la conferencia JSM 2015 en Seattle, WA, el 10 de agosto de 2015. La audiencia quedó impresionada con la facilidad de uso y la flexibilidad de la nueva plataforma de regresión lineal generalizada en JMP Pro 12. También se presentará una versión más larga de la presentación en la próxima conferencia Discovery 2015 en San Diego, CA.
Adjuntar por solicitud:
- JSM Genreg.jrn> Diario utilizado durante la presentación (incluidas las diapositivas con guión)
- South African Heart Disease 2.jmp> Demostración de Genreg Elastic Net que incluye scripts de comparación de modelos adicionales
---------------------
Scott Wise, JMP Ingeniero de sistemas principal, SAS
Brady Brady, ingeniero de habilitación técnica de JMP, SAS
Creación de modelos lineales robustos mediante regresión lineal generalizada (GLR)
Las técnicas de regresión penalizadas son una alternativa viable a los enfoques tradicionales de modelado lineal, particularmente en los casos en que se violan los supuestos típicos de ortogonalidad, homoscedasticidad o normalidad de respuesta. También se pueden usar para seleccionar automáticamente qué predictores son más útiles para predecir una respuesta dada. Si bien estas técnicas no son nuevas, su uso en entornos aplicados ha sido históricamente limitado, debido tanto a su costo computacional como a su relativa oscuridad fuera de la academia. Hoy en día, la proliferación de computadoras asequibles y potentes hace que sea posible implementar estas técnicas en el software analítico de escritorio. Esta sesión explicará las técnicas de regresión penalizadas y explorará el uso de la personalidad Regresión generalizada de la plataforma JMP Fit Model. Los asistentes encontrarán que estos modelos son fáciles de configurar, ejecutar y analizar, pero son robustos en presencia de valores atípicos, entradas correlacionadas y respuestas no normales y / o infladas en cero.
A la revista le faltan algunos scripts (por ejemplo, sesgo vs. regresión)
Este conjunto de datos está incluido en la de Trevor Hastie. Los elementos del aprendizaje estadístico , un popular texto de aprendizaje automático.
Información solicitada sobre la fuente y antecedentes de los datos:
Una descripción del conjunto de datos se encuentra en el siguiente enlace. Como verás, la cardiopatía coronaria es una "enfermedad coronaria" y el conjunto de datos es un subconjunto de un conjunto de datos de un artículo publicado en 1983.
Aclamaciones,
Brady
https://web.stanford.edu/~hastie/ElemStatLearn/datasets/SAheart.info.txt
