여러 결과 변수를 사용한 로지스틱 회귀<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />결과에 여러 범주형 변수가 있는 데이터 세트에 대해 로지스틱 회귀 분석을 실행하고 있습니다.이 경우, 나는 존재하는 총 인간 수(연속 변수)를 사용하여 긴팔원숭이의 행동을 예측합니다(행동은 범주형임).어떤 특정 행동이 인간 수에 의해 영향을 받는지 확인하기 위해 매개변수 추정치를 사용하려고 하는데 결과를 상호 운용하는 데 문제가 있습니다.각 개인의 행동에 대한 결과를 볼 수 있고, 그 행동이 사람 수에 의해 영향을 받는지 알아보기 위한 Wald 테스트가 있지만 내 목록에서 알파벳순으로 마지막 행동(발성)은 아무런 숫자도 출력하지 않으므로 어떻게 해야 할지 모르겠습니다. 이 변수가 영향을 받는지 확인하세요.이 결과를 올바르게 상호 운용하고 있습니까?마지막 동작(발성)이 인원수에 영향을 받는지 어떻게 알 수 있나요?
Re: 여러 결과 변수를 사용한 로지스틱 회귀 - JMP의 승산비사실이 아닙니다. 그 방법 역시 전혀 쉽지 않습니다. 저장 명령을 사용하는 것보다 어렵습니다. 모수 추정치는 승산비 또는 승산비에 대한 추정치가 아닙니다. 이 메모는 로지스틱 회귀 문제를 다시 설명한 것입니다. 모델 방정식의 오른쪽에는 선형 예측 변수가 있고 왼쪽에는 로짓 함수가 있습니다. 모수 추정치 표 하단에 표시되는 메모는 선형 예측 변수와 함께 사용된 로짓에 대한 기록일 뿐입니다.
이 추정 테이블을 저장하는 경우 각 행의 로짓 값을 계산하는 열 수식을 만들어야 합니다. 그런 다음 확률을 역예측하려면 각 반응 수준에 대해 다른 열 공식을 추가해야 합니다. 이것이 바로 저장 > 확률 저장 명령이 수행하는 작업입니다.
Re: 여러 결과 변수를 사용한 로지스틱 회귀 - JMP의 승산비신속한 응답에 감사드립니다.
확률 공식을 저장하고 승산비를 직접 계산하는 대신, "결과 A/결과 C, 결과 B/결과 C의 로그 확률에 대한"이라는 다항 로지스틱 모델의 매개변수 추정 데이터 표시 하단에서 독립적으로 확인했습니다. " 여기서 결과 C는 나의 참고 결과입니다.이 데이터를 데이터 테이블로 변환하고 exp(Estimate) 수식을 사용하여 새 열을 삽입하여 승산비를 계산할 수 있습니까?
나는 이것을 참조하는 별도의 게시물을 찾았습니다 --> https://community.jmp.com/t5/Discussions/Logistic-regression-with-multiple-outcome-variables/mp/110579/highlight/true#M39763
사실이라고 믿기에는 너무 쉬운 것 같습니다.
다시 감사합니다.
Re: 여러 결과 변수를 사용한 로지스틱 회귀 - JMP의 승산비플랫폼 상단의 빨간색 삼각형을 클릭하고 저장 > 확률 공식 저장 .
Re: 여러 결과 변수를 사용한 로지스틱 회귀 - JMP의 승산비안녕 마크,
세 가지 수준의 결과 변수에 대해 다항 로지스틱 회귀를 수행하고 있습니다.나는 승산비를 찾는 방법을 찾으려고 노력해 왔으며 마침내 귀하로부터 이전 답변을 발견했습니다.
확률 공식을 어떻게 저장하나요?
미리 감사드립니다.
Re: 여러 결과 변수를 사용한 로지스틱 회귀약간 단순한 GUI 기반 솔루션: 매개변수 추정 테이블에서 테이블을 두 번 클릭했습니다. 저는 "데이터 테이블로 만들기" 옵션을 선택했습니다. JMP가 데이터 테이블을 생성한 후 승산비라는 이름의 새 열을 만들었습니다. 그런 다음 Cols 메뉴에서 수식 옵션을 선택했습니다. 공식 창에서 exp(Estimate)라는 공식을 작성했습니다. 결과는 추정치에 대한 승산비였습니다. 다시 확인하기 위해 추정치를 R에 복사하여 붙여넣고 R의 exp 함수를 사용했습니다. 동일한 결과가 나왔습니다. HTH
Re: 여러 결과 변수를 사용한 로지스틱 회귀학습 자산을 확인했지만 명목형 로지스틱 회귀에 대한 튜토리얼을 찾지 못했습니다. (JMP 홈 페이지 메뉴에서 JMP 학습을 선택하여 항목을 확인하세요.) 그런 다음 YouTube 계정을 확인하고 다음 튜토리얼을 찾았습니다. 다중 로지스틱 회귀 . 도 있습니다 JMP 튜토리얼을 통한 로지스틱 회귀 소개 YouTube에서. 로지스틱 회귀를 더 철저하게 다루지만 결과에 대해서만 다룹니다. 다항 로지스틱 회귀 분석은 다루지 않습니다.
우리는 다음 주제를 다루는 교육 과정을 제공합니다. 개별 응답 분석 . 우리는 이러한 모델의 기원, 사용, 해석뿐만 아니라 JMP에서 이러한 회귀를 수행하는 방법도 다룹니다.
Re: 여러 결과 변수를 사용한 로지스틱 회귀학생용 버전이 아닌 JMP 13 Pro를 사용하고 있습니다.
Re: 여러 결과 변수를 사용한 로지스틱 회귀여러 결과가 포함된 로지스틱 회귀에 대한 튜토리얼/비디오가 있습니까?
Re: 여러 결과 변수를 사용한 로지스틱 회귀 - JMP의 승산비예, 각 행(개별)은 확률 공식에 따라 결과를 얻습니다.
예, 평균 확률을 사용할 수 있습니다. 사용 테이블 > 요약 또는 분석하다 > 표로 만들다 각 그룹 또는 하위 그룹에 대한 결과를 얻으려면
손으로 계산하는 방법은 Pr(그룹 A)을 Pr(그룹 A가 아님)으로 나눈 것과 같습니다. 승산비는 다양한 조건(치료, 미처리)에서의 승산비입니다.
Re: 여러 결과 변수를 사용한 로지스틱 회귀 - JMP의 승산비알겠어요! 감사합니다!
후속~
Prob[X] 열을 사용하여 확률 t(Prob[X1]을 Prob[X2]로 나눈 값)을 계산하면 그에 대한 확률이 나옵니다. 개인 , 옳은?
이것을 논문에 보고할 때 각 그룹의 승률과 비교 그룹의 승산비(예를 들어 F 처리 대 M 처리 또는 처리되지 않은 비교)를 보고해야 합니다.
그룹 배당률을 계산할 때 나는 단순히 평균 확률 그 그룹 때문에?
나는 이것이 JMP에 대한 질문보다 통계에 더 가깝다는 것을 알고 있지만 대부분의 프로그램은 그룹 확률을 계산하므로 이를 직접 수행하는 방법에 대한 다른 문서를 찾을 수 없습니다.감사합니다!
Re: 여러 결과 변수를 사용한 로지스틱 회귀 - JMP의 승산비Lin[X] 열에는 적합한 로짓 함수에 대한 선형 예측 변수가 포함되어 있습니다. 공식을 살펴보면 로지스틱 회귀 분석 결과에 표시된 것과 동일한 모수 추정치를 볼 수 있습니다. 로짓이 필요하지 않으면 필요하지 않습니다!
선형 예측 변수는 각 응답 수준의 확률을 Prob[X]로 계산하는 데 사용됩니다. (p에 대한 log( p / (1-p) ) = Lin[X]를 풀면 얻을 수 있습니다.) 이 확률은 귀하의 목적에 가장 유용합니다. 그래프 > 프로파일러를 선택하고 Prob[X]를 선택하는 경우 중간 공식을 확장하는 기능을 활성화해야 합니다. 그렇지 않으면 실제 예측 변수 대신 Lin[X]에 대해 프로파일링하게 됩니다.
새 열 공식에서 Prob[X] 열을 사용하여 Prob[X1]을 Prob[X2]로 나누어 원하는 확률을 계산할 수 있습니다. 마찬가지로, 이런 방식으로 파생된 승산에서 원하는 승산비를 계산할 수 있습니다.
Re: 여러 결과 변수를 사용한 로지스틱 회귀 - JMP의 승산비친애하는 마크에게,
당신의 도움을 주셔서 감사합니다!JMP가 이 작업을 자동으로 수행했으면 좋겠습니다. 아마도 버전 14일 겁니다 
문제 수식을 저장하면 다음 열이 표시됩니다.
Lin [F] Lin [B] Prob [F] Prob [B] Prob [M] 가능성이 가장 높은 결과
여기서 F, B, M은 내 결과이고 M은 참조 범주입니다.
질문:
Lin[ ] 열은 무엇을 말해주고 있나요?
이진 로지스틱 회귀에 대해 이것을 계산하는 것은 그다지 어렵지 않지만 여기서는 조금 더 까다롭다고 생각합니다.
내가 어떻게 할
- 각 개인에 대한 확률을 계산합니까?
- 각 결과 카테고리 그룹에 대한 확률을 계산합니까?
각 결과 그룹에 대한 확률을 얻은 후에는 이를 참조 그룹에 대한 결합 확률로 간단히 나누어 승산비(예를 들어 M과 비교한 F의 비율)를 얻습니다. 그 맞습니까?
통계 노하우를 공유해 주셔서 감사합니다!
Re: 여러 결과 변수를 사용한 로지스틱 회귀 - JMP의 승산비문제가 무엇인지 알 것 같습니다. 인용하신 예에는 이진 결과가 있습니다. 그러나 데이터에 두 가지 이상의 수준이 있는 것 같습니다. 이러한 경우 JMP는 승산비를 계산하지 않습니다. 하지만 확률 공식을 저장하고 승산비를 계산한 다음 이를 사용하여 승산비를 계산할 수 있습니다.
Re: 여러 결과 변수를 사용한 로지스틱 회귀 - JMP의 승산비승산비는 두 가지 모두에서 사용할 수 있습니다. 물류 플랫폼(Fit Y by X로 시작)과 명목상 로지스틱 적합도 플랫폼(Fit Model로 시작). 위에서 인용한 튜토리얼 예제를 사용하면 첫 번째 플랫폼을 사용하여 다음과 같은 결과를 얻을 수 있습니다.
두 번째 플랫폼을 사용하여 이 결과를 얻었습니다.
승산비는 명목형 반응에만 사용할 수 있습니다.
Re: 여러 결과 변수를 사용한 로지스틱 회귀 - JMP의 승산비다중 다항 로지스틱 회귀 분석을 실행 중인데 JMP에서 다음과 같이 승산비를 계산할 수 없습니다. 튜토리얼 미리 준비된 데이터 세트를 사용합니다.
위의 지침을 따르십시오.
Fit Y by X(방송 여부)를 사용할 때 승산비 옵션이 나타나지 않습니다(아래 첫 번째 및 두 번째 스크린샷 참조).
프로파일러를 찾을 수 있지만 실제로는 이미 손으로 계산한 것과 비교할 수 있도록 승산비를 찾고 있습니다(오른쪽의 세 번째 스크린샷 참조).
다른 사람이 이 문제를 겪은 적이 있나요?JMP를 사용하여 다중 다항 로지스틱의 승산비를 계산할 수 있었던 적이 있습니까?
당신의 도움을 주셔서 감사합니다!
Re: 여러 결과 변수를 사용한 로지스틱 회귀업데이트로서, 이것이 지금 내가 하고 있는 일입니다. 표준 이항 로지스틱 회귀를 사용하여 각 행동을 개별적으로 실행하고 있으며, 행동이 발생한 시점에 대해 1로 점수를 매기고 다른 모든 행동에 대해 0으로 점수를 매깁니다(명목 로지스틱 회귀가 중요한 경우에만).나는 일반적인 행동에 대해서만 이 작업을 수행하고 있습니다.이것은 결국 내가 비교하고 싶었던 것입니다(한 가지 행동과 사람 수에 따른 다른 모든 행동).지금 겪고 있는 유일한 문제는 여러 테스트(예: bonferroni)를 실행하기 위해 수정 작업을 수행해야 하는지 여부입니다.5가지 동작(먹기, 보이지 않음, 수면, 휴식, 여행, 발성)만 실행하고 있어서 수정이 필요한지 잘 모르겠습니다.Bonferroni가 다소 보수적일 수 있다는 것을 알고 있으므로 꼭 필요한 경우가 아니면 사용하기가 조금 주저됩니다.
Re: 여러 결과 변수를 사용한 로지스틱 회귀LRT를 사용하여 중요성을 판단하고 모델을 선택하십시오. 해당 부분이 완료되면 모델을 사용하여 승산비를 계산합니다.
예측 프로파일러를 사용하여 주어진 예측 수준에 대한 확률과 비사건 대비 사건 확률을 계산합니다. 예측 수준을 변경하고, 업데이트된 확률을 얻고, 새로운 확률을 계산합니다. 그런 다음 비율을 계산할 수 있습니다. 이 방법으로 모든 것에 대한 승산비를 계산할 수 있습니다.
Re: 여러 결과 변수를 사용한 로지스틱 회귀예측 프로파일러에 대한 자세한 정보를 제공해 주실 수 있나요?y를 x로 맞추는 대신 적합 모델을 사용하여 테스트를 실행하면 해당 수치를 얻을 수 있지만 각 예측에 대한 확률을 추정하는 방법을 잘 모르겠습니다.내가 얻은 것은 내가 만든 것과 같은 형상이었는데, 거기에도 빨간색 수평선이 있었다.빨간색 드롭다운 화살표에는 여러 가지 옵션이 있지만 어느 것이 각 예측을 테스트하는지 잘 모르겠습니다.그리고 실제로 술을 마시는 것은 드문 행동이기 때문에 불안정하다고 생각했습니다.
2개 이상의 동작이 있기 때문에 jmp에서 해당 옵션을 제공하지 않는 승산비를 실행하는 데 문제가 있습니다.나는 그것이 내가 해야 할 일이라고 생각하지만 jmp가 그렇게 하도록 할 수는 없는 것 같습니다.응답 변수에 가능한 결과가 2개만 있는 새 데이터 시트를 구성하지 않으면 드롭다운 삼각형에 옵션이 표시되지 않습니다.예측 프로파일러를 사용할 수 있지만 작동 방식은 잘 모르겠습니다.
다시 한번 감사드립니다
Re: 여러 결과 변수를 사용한 로지스틱 회귀두 매개변수 추정치가 불안정하다는 사실은 DRINK가 아마도 흔하지 않은 동작이었음을 나타냅니다.
로지스틱 회귀를 해석하는 가장 쉬운 방법은 승산비(exp(매개변수 추정) 및 예측 확률)를 사용하는 것입니다. 저는 JMP를 모르지만 SAS/STAT가 있다면 다항 로지스틱에 관한 논문을 썼습니다.그것은 여기:
Re: 여러 결과 변수를 사용한 로지스틱 회귀적합 모델의 명목형 로지스틱 회귀 특성이 도움이 될 것입니다. 플랫폼 상단의 빨간색 삼각형을 클릭하면 승산비를 확인할 수 있습니다. 또한 예측 프로파일러를 사용하여 모든 조건에 대한 모든 수준의 확률을 추정한 다음 확률을 계산할 수 있습니다. 이제 조건(예측자 수준)을 변경하고 계산을 반복합니다. 이제 승산비를 계산해 보세요.
Re: 여러 결과 변수를 사용한 로지스틱 회귀마치 당신이 배치 한 것과 같습니다.긴팔원숭이는 한 번에 한 가지 행동만 하지만 먹이 주기, 여행하기, 소리 내기, 손질하기 등 여러 가지 행동을 할 수 있습니다.내가 하려는 것은 존재하는 사람의 수가 긴팔원숭이가 특정 행동을 할 가능성에 어떻게 영향을 미치는지 확인하는 것입니다. 예를 들어 긴팔원숭이가 더 많은 사람이 있을 때 먹이를 먹는 데 소요되는 시간을 줄이는지 확인하는 것입니다.로지스틱 회귀는 나에게 전체 모델에 대한 ap 값을 제공하므로 사람들의 수가 긴팔원숭이 행동에 영향을 미친다는 것을 알 수 있습니다. 그러나 제가 하고 싶은 것은 어떤 개별 행동이 모델을 주도하는지 확인하는 것입니다. 어떤 행동이 실제로 변하고 있는지 보여주는 p 값이 있는 통계입니다.지금 내가 하고 있는 일은 출력 수치를 보고 동작이 어떻게 변하는지 설명하는 것뿐입니다.출력은 다음과 같습니다.그림을 삽입하려고 했는데 작동하지 않았습니다.하지만 내 응답(행동)에 2개 이상의 변수가 있기 때문에 승산비 테스트를 수행할 수 없다는 것을 알았습니다.
전체 인간에 의한 행동의 논리적 적합성
전체 모델 테스트
모델 | -로그우도 | DF | 카이스퀘어 | 문제>치스크 |
차이점 | 37.2401 | 11 | 74.48025 | <.0001* |
가득한 | 1162.7796 | | | |
줄인 | 1200.0197 | | | |
| |
RS퀘어(U) | 0.0310 |
AICc | 2371.15 |
빅 | 2468.39 |
관찰(또는 총 Wgts) | 660 |
| |
| |
| |
측정하다 | 훈련 | 정의 |
엔트로피 R스퀘어 | 0.0310 | 1-로그라이크(모델)/로그라이크(0) |
일반화된 R-제곱 | 0.1096 | (1-(L(0)/L(모델))^(2/n))/(1-L(0)^(2/n)) |
평균 -로그 p | 1.7618 | ∑ -로그(ρ)/N |
RMSE | 0.7987 | √ ∑(y-ρ)²/n |
평균 복근 편차 | 0.7918 | ∑ |y-ρ|/n |
오분류율 | 0.6727 | ∑ (ρ≠ρ최대)/n |
N | 660 | N |
| | |
매개변수 추정
용어 | | 추정 | 표준 오류 | 카이스퀘어 | 문제>치스크 |
인터셉트[음료] | 불안정한 | 9.3119005 | 1537.0201 | 0.00 | 0.9952 |
총 인간[음료] | 불안정한 | -13.895268 | 1537.0192 | 0.00 | 0.9928 |
가로채기[피드] | | -1.5746952 | 0.2067421 | 58.01 | <.0001* |
전체 인간[피드] | | 0.45943506 | 0.0703651 | 42.63 | <.0001* |
인터셉트[신랑] | | -3.8964691 | 0.7363762 | 28.00 | <.0001* |
총인간[신랑] | | 0.17142825 | 0.2657919 | 0.42 | 0.5189 |
인터셉트[신랑 수신자] | | -5.9062151 | 1.021258 | 33.45 | <.0001* |
전체 인간[신랑 대상자] | | 0.60419887 | 0.1604264 | 14.18 | 0.0002* |
가로채기[멈춤] | | -3.4626526 | 0.5849713 | 4월 35일 | <.0001* |
전체 인간[Hang] | | 0.187694 | 0.2073532 | 0.82 | 0.3654 |
차단[보이지 않음] | | -0.9158515 | 0.1862225 | 19.24. | <.0001* |
전체 인간[보이지 않음] | | 0.35203714 | 0.0696868 | 25.52 | <.0001* |
인터셉트[기타] | | -7.0115111 | 1.4481919 | 23.44 | <.0001* |
전체 인간[기타] | | 0.71085044 | 0.1806613 | 15.48 | <.0001* |
차단[휴식 - 수면] | | -2.0491431 | 0.2866187 | 51.11 | <.0001* |
전체인간[휴식 - 수면] | | 0.25952368 | 0.0987496 | 6.91 | 0.0086* |
인터셉트[휴식 - 정지] | | -1.703556 | 0.2215666 | 59.12 | <.0001* |
총인류[휴식 - 가만히] | | 0.40532436 | 0.0739462 | 5월 30일 | <.0001* |
인터셉트[셀프그루밍] | | -5.34457 | 1.6699724 | 10.24 | 0.0014* |
전체인간[셀프그루밍] | | 0.09443149 | 0.6681153 | 0.02 | 0.8876 |
인터셉트[여행] | | -1.709588 | 0.2321228 | 54.24 | <.0001* |
총인간[여행] | | 0.34947804 | 0.0784157 | 19.86 | <.0001* |
음주/발성, 먹이/발성, 신랑/발성, 신랑 수신자/발성, 끊기/발성, 보이지 않음/발성, 기타/발성, 휴식 - 수면/발성, 휴식 - 가만히/발성, 셀프 신랑/발성 로그 확률 , 여행/발성
Re: 여러 결과 변수를 사용한 로지스틱 회귀한 번의 로지스틱 실행에서 여러 종속 변수를 사용하여 로지스틱 회귀를 수행할 수 없습니다. 하지만 아마도 여러 수준을 가진 하나의 종속 변수(긴팔원숭이의 행동)가 있을까요?"행동"은 어떻게 조작화됩니까? 데이터가 다음과 같은가요?
케이스 ID 인원수 행동
1 3A
2 2B
3 5A
4 2C
등.? 아니면 각 긴팔원숭이는 다양한 행동을 합니까? 아니면 각 긴팔원숭이가 여러 사건에 관여하고 있나요? (이 경우 GLIMMIX와 같은 일종의 다중 레벨 모델이 필요합니까?
Re: 여러 결과 변수를 사용한 로지스틱 회귀학생용 버전에서 사용할 수 있는 JMP 기능 중 일부를 모른다는 점을 인정해야 합니다. 하지만 다음 제안 사항을 시도해 보고 찾은 내용을 알려주시기 바랍니다.
1. Fit Y by X를 사용하여 물류 플랫폼을 시작합니다. 유의성을 판단하기 위해 Wald 테스트에 대한 p-값을 이미 찾았습니다. 창 상단의 빨간색 삼각형을 클릭하고 승산비를 선택합니다. 그 중 두 개는 모수 추정값과 p-값 오른쪽에 나타납니다. 그만큼 단위 승산비 예측변수의 1단위 변화에 대한 비율입니다. 다른 교차비 예측 변수의 전체 범위(최소에서 최대까지)에 대한 변화입니다.
(참고: 여러 응답으로 Logistic을 시작하면 동일한 창에 병렬 모델이 표시됩니다. 이렇게 해 보세요. Windows에서는 Ctrl 키를, Macintosh에서는 Command 키를 누른 채 빨간색 삼각형을 클릭하세요. 이렇게 하면 한 번에 하나의 응답을 묻는 대신 모든 응답에 대해 승산비가 계산됩니다. 이 트릭은 방송 JMP의 대부분의 기능과 작동합니다!)
2. 또는 분석 > 적합 모델을 선택합니다. 반응을 Y 역할에 할당하고 예측변수를 효과 목록에 추가합니다. 실행 버튼을 클릭하면 Logistic에서와 동일한 기본 분석을 얻을 수 있지만 중요도에는 차이가 있습니다. 모수 추정은 Wald 검정 대신 우도비 검정을 사용합니다. 또한 상단의 빨간색 삼각형을 클릭하고 Profilers > Profiler를 선택합니다. 창 하단에 나타납니다. 이제 프로파일러는 각 응답 수준의 예측 확률을 보여줍니다. 예측 변수의 일부 참조 수준에서 확률을 추정한 다음 다른 조건에서 확률을 추정하고 필요한 승산비를 형성할 수 있습니다.
Logistic 및 Nominal Logisitic Fit 플랫폼에는 더 많은 기능이 있지만 한꺼번에 압도하고 싶지는 않습니다. 이 설명이 도움이 되었거나, 더 어려운 점이나 궁금한 점이 있으면 알려주시기 바랍니다.
Re: 여러 결과 변수를 사용한 로지스틱 회귀도와 주셔서 감사합니다.저는 JMP 학생 라이센스를 가지고 있습니다.승산비 테스트를 찾을 수 없으며 숫자가 아닌 값으로 프로파일러를 사용하는 방법을 알 수 없습니다.이러한 기능에 어떻게 액세스할 수 있는지 아시나요?저는 y by x 분석을 실행 중이므로 명목형 로지스틱 회귀 분석을 실행 중임을 나타내는 방법도 모릅니다.
Re: 여러 결과 변수를 사용한 로지스틱 회귀반응 변수의 수준이 2개 이상인 경우 순서형 또는 명목형 로지스틱 회귀 분석을 사용하는 것입니다. 이 두 경우 모두 누적 로짓 또는 일반화 로짓은 각각 마지막 수준의 확률을 사용하므로 추정할 수 없습니다. 따라서 k개의 수준이 있으면 관련 매개변수와 함께 k-1개의 로짓이 있습니다.
이러한 로짓을 해석하는 가장 좋은 방법은 승산비(마지막 수준 기준)를 사용하거나 JMP의 예측 프로파일러와 같은 특정 시각화를 사용하는 것입니다.
