Hai bisogno di una risorsa migliore della Guida di JMP per spiegare il partizionamento<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Sto guardando un set di dati che ha 250 righe e circa 60 colonne. Sto provando la partizione per fare una prima analisi, per individuare fattori totalmente inutili. Guida di JMP spiega cosa significa tutto sulla finestra di avvio della partizione, ma ho bisogno di qualcosa di più approfondito per scegliere i valori migliori per la convalida e altri parametri. Qualche raccomandazione?
Ri: Hai bisogno di una risorsa migliore di quella di JMP per spiegare il partizionamentoGrazie. Molto utile ... il tuo consiglio e il giornale.
Jeff Kolton
Ingegnere del personale
Eccellenza aziendale
lana di vetro
940 Washburn Switch Rd.
Shelby, NC, USA, 28150
Tel: 704-434-2261 ext. 2374
E-mail: kolton@ppg.com < kolton="">
Web: www.ppg.com <>
Ri: Hai bisogno di una risorsa migliore di quella di JMP per spiegare il partizionamentoGrazie. Buona lettura.
Jeff Kolton
Ingegnere del personale
Eccellenza aziendale
lana di vetro
940 Washburn Switch Rd.
Shelby, NC, USA, 28150
Tel: 704-434-2261 ext. 2374
E-mail: kolton@ppg.com < kolton="">
Web: www.ppg.com <>
Ri: Hai bisogno di una risorsa migliore di quella di JMP per spiegare il partizionamentoPer aggiungere a ciò che i miei stimati colleghi Lou e Byron aggiungono sopra ... se hai JMP Pro e l'identificazione delle variabili è il tuo obiettivo principale ... Suggerisco di valutare i tuoi dati utilizzando più metodi basati su albero disponibili in JMP Pro. Prova il percorso dell'albero decisionale, quindi i metodi Foresta di bootstrap e Boosted Tree. La bellezza di questi ultimi due metodi è, tutto sommato, il percorso dell'albero decisionale è quello che mi piace definire un algoritmo "vorace" in quanto, in ogni divisione, identifica la singola variabile più influente. Il bootstrap e l'insaccamento che accompagna l'approccio Bootstrap Forest è generalmente più abile nell'individuare i più influenti fattori influenti perché occasionalmente, a causa della selezione casuale delle colonne nella foresta di Bootstrap, i fattori MOLTO influenti non sono inclusi nella creazione dell'albero e questo dà i fattori più sottili una possibilità di combattere per mostrare le loro cose.
Si consiglia inoltre di utilizzare i metodi di regressione penalizzata all'interno della piattaforma di regressione generalizzata per l'identificazione variabile. Algoritmi completamente diversi ... ma spesso usati per lo stesso scopo ... identificazione variabile.
Infine, non dimenticare di salvare il modello che predice le equazioni alla tabella dati in modo da poter utilizzare la piattaforma di confronto dei modelli JMP Pro per avere uno "sportello unico" per valutare queste prestazioni di molti modelli in un modo molto facile da usare affiancato. .. incluso il Prediction Profiler di JMP.
Ri: Hai bisogno di una risorsa migliore di quella di JMP per spiegare il partizionamentoSe stai solo selezionando le variabili, potresti non aver bisogno di una colonna di convalida. Dovresti avere una colonna di convalida se stai usando la convalida incrociata di k-fold, o se stai costruendo un modello, ma non è del tutto necessario per la riduzione dei fattori.
Spero che tu abbia JMPv12. Vai alla scheda "Colli", Modellazione di utilità, Predittori schermo. Seleziona X e Y e corri. Questo strumento è ottimo per fare una riduzione rapida del fattore.
vecchio ma buon riferimento su come funziona la partizione: http://www.jmp.com/content/dam/jmp/documents/en/newsletters/jmper-cable/17_spring_2005.pdf
Ri: Hai bisogno di una risorsa migliore di quella di JMP per spiegare il partizionamentoC'è un white paper sul sito web di JMP e un link a un utile componente aggiuntivo che potresti trovare utile.
@ https://community.jmp.com/docs/DOC-7055
http://www.jmp.com/en_us/whitepapers/jmp/classification-breast-cancer-cells-using-jmp.html
Ho trovato anche alcuni video utili
https://community.jmp.com/docs/DOC-6806
https://community.jmp.com/docs/DOC-6805
