17028_de-DE

liliconcom

Benötigen Sie eine bessere Ressource als die JMP-Hilfe, um die Partitionierung zu erklären<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />

Ich betrachte einen Datensatz mit 250 Zeilen und etwa 60 Spalten.  Ich versuche Partition, eine erste Analyse durchzuführen, um völlig nutzlose Faktoren auszuschalten.  In der JMP-Hilfe wird erläutert, was alles im Startfenster für die Partition bedeutet. Ich brauche jedoch etwas mehr Tiefe, um die besten Werte für Validation und andere Parameter auszuwählen.  Irgendwelche Empfehlungen?

Re: Benötigen Sie eine bessere Ressource als die JMP-Hilfe, um die Partitionierung zu erklären

Vielen Dank. Sehr hilfreich… Ihr Rat und die Zeitung.

Jeff Kolton

Staff Engineer

Enterprise Excellence

Fiberglas

940 Washburn Switch Rd.

Shelby, NC, USA, 28150

Tel: 704-434-2261, Durchwahl 2374

E-Mail: kolton@ppg.com < kolton="">

Web: www.ppg.com <>

Re: Benötigen Sie eine bessere Ressource als die JMP-Hilfe, um die Partitionierung zu erklären

Vielen Dank. Gute Lektüre.

Jeff Kolton

Staff Engineer

Enterprise Excellence

Fiberglas

940 Washburn Switch Rd.

Shelby, NC, USA, 28150

Tel: 704-434-2261, Durchwahl 2374

E-Mail: kolton@ppg.com < kolton="">

Web: www.ppg.com <>

Re: Benötigen Sie eine bessere Ressource als die JMP-Hilfe, um die Partitionierung zu erklären

Zu dem, was meine geschätzten Kollegen Lou und Byron hinzufügen, fügen Sie Folgendes hinzu: Wenn Sie über JMP Pro verfügen und die Identifizierung von Variablen Ihr wichtigstes Ziel ist ... empfehle ich Ihnen, Ihre Daten mithilfe mehrerer Baummethoden zu bewerten, die in JMP Pro verfügbar sind. Probieren Sie den Decision Tree-Pfad und dann die Methoden Bootstrap Forest und Boosted Tree aus. Das Schöne an diesen beiden letzten Methoden ist, alles in allem betrachtet, der Decision-Tree-Pfad ist der, den ich als "unersättlichen" Algorithmus bezeichne, da er bei jedem Split die einflussreichste Variable identifiziert. Das Bootstrapping und das Bagging, das den Bootstrap Forest-Ansatz begleitet, ist im Allgemeinen geschickter bei der Ermittlung der subtileren Einflussfaktoren, da gelegentlich aufgrund der zufälligen Auswahl von Spalten im Bootstrap Forest die SEHR Einflussfaktoren bei der Erstellung des Baums nicht berücksichtigt werden die subtileren Faktoren eine Kampfchance, um ihre Sachen zu zeigen.

Sie können auch die bestraften Regressionsmethoden innerhalb der Generalized Regression-Plattform zur Variablenidentifikation verwenden. Ganz andere Algorithmen ... aber oft für denselben Zweck verwendet ... Variablenidentifikation.

Vergessen Sie nicht, Modellvorhersagegleichungen in der Datentabelle zu speichern, damit Sie die JMP Pro Model Comparison-Plattform nutzen können, um eine zentrale Anlaufstelle für die Bewertung dieser vielen Modelle zu erhalten, die sehr einfach nebeneinander zu verwenden ist. ..umfasst den JMP Prediction Profiler.

Re: Benötigen Sie eine bessere Ressource als die JMP-Hilfe, um die Partitionierung zu erklären

Wenn Sie nur Variablen aussortieren, benötigen Sie möglicherweise keine Validierungsspalte. Sie sollten über eine Validierungsspalte verfügen, wenn Sie die k-fache Kreuzvalidierung verwenden oder wenn Sie ein Modell erstellen, das jedoch nicht unbedingt für die Faktorreduzierung erforderlich ist.

Hoffentlich haben Sie JMPv12. Gehen Sie zur Registerkarte "Cols", Modellierungshilfsprogramme, Bildschirmprädiktoren. Wähle X und Y aus und führe aus. Dieses Tool eignet sich hervorragend für die schnelle Faktorreduzierung.

alte, aber gute Hinweise zur Funktionsweise der Partitionierung: http://www.jmp.com/content/dam/jmp/documents/de/newsletters/jmper-cable/17_spring_2005.pdf

Re: Benötigen Sie eine bessere Ressource als die JMP-Hilfe, um die Partitionierung zu erklären

Auf der JMP-Website gibt es ein Whitepaper und einen Link zu einem hilfreichen Add-In, das möglicherweise hilfreich ist.

@ https://community.jmp.com/docs/DOC-7055

http://www.jmp.com/de_us/whitepapers/jmp/classification-breast-cancer-cells-using-jmp.html

Auch einige hilfreiche Videos gefunden

https://community.jmp.com/docs/DOC-6806

https://community.jmp.com/docs/DOC-6805