需要比JMP幫助更好的資源來解釋分區<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />我正在查看一個包含250行和大約60列的數據集。 我正在嘗試分區進行第一次分析，以剔除完全無用的因素。 JMP幫助解釋了分區啟動窗口中的所有內容，但我需要更深入的內容來為驗證和其他參數選擇最佳值。 有什麼建議？
Re：需要比JMP幫助更好的資源來解釋分區謝謝。非常有幫助......你的建議和論文。
傑夫科爾頓
工程師
企業卓越
玻璃纖維
940 Washburn Switch Rd。
謝爾比，北卡羅來納州，美國，28150
電話：704-434-2261分機 2374
電子郵件：kolton@ppg.com
網址：www.ppg.com <>
Re：需要比JMP幫助更好的資源來解釋分區謝謝。好讀。
傑夫科爾頓
工程師
企業卓越
玻璃纖維
940 Washburn Switch Rd。
謝爾比，北卡羅來納州，美國，28150
電話：704-434-2261分機 2374
電子郵件：kolton@ppg.com
網址：www.ppg.com <>
Re：需要比JMP幫助更好的資源來解釋分區為了增加我尊敬的同事Lou和Byron在上面添加...如果你有JMP Pro，變量識別是你的主要目標......我建議使用JMP Pro中提供的多種基於樹的方法來評估你的數據。嘗試決策樹路徑，然後嘗試Bootstrap Forest和Boosted Tree方法。最後兩種方法的優點是，考慮到所有事情，決策樹路徑就是我喜歡稱之為“貪婪”的算法，在任何一個分裂中它都能識別出最具影響力的單一變量。Bootstrap Forest方法伴隨的自舉和裝袋通常更擅長識別更微妙的影響因素，因為偶爾由於隨機選擇Bootstrap森林中的列，非常有影響的因素不包括在樹創建中，這給出了更微妙的因素是展示他們的東西的戰鬥機會。
您可能還希望在廣義回歸平台中使用懲罰回歸方法進行變量識別。完全不同的算法......但通常用於相同的目的......變量識別。
最後，不要忘記將模型預測方程保存到數據表中，這樣您就可以使用JMP Pro模型比較平台，以便以一種非常易於使用的方式評估這些模型性能的“一站式服務”。..包括JMP的預測分析器。
Re：需要比JMP幫助更好的資源來解釋分區如果您只是剔除變量，則可能不需要驗證列。如果您正在使用k-fold交叉驗證，或者如果您正在構建模型，則應該有一個驗證列，但對於因子減少而言並非完全必要。
希望你有JMPv12。轉到“Cols”選項卡，Modeling Utilities，Screen Predictors。選擇X和Y並運行。該工具非常適合快速減少因子。
關於分區如何工作的舊的但很好的參考： http://www.jmp.com/content/dam/jmp/documents/en/newsletters/jmper-cable/17_spring_2005.pdf
Re：需要比JMP幫助更好的資源來解釋分區JMP網站上有一份白皮書，以及指向您可能會覺得有用的有用插件的鏈接。
@ https://community.jmp.com/docs/DOC-7055
http://www.jmp.com/en_us/whitepapers/jmp/classification-breast-cancer-cells-using-jmp.html
還找到了一些有用的視頻
https://community.jmp.com/docs/DOC-6806
https://community.jmp.com/docs/DOC-6805
