Pourquoi JMP est très lent sous OSX (El Capitan) pour les modèles gaussiens (krigeage)<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Salut,
J'ai acheté et installé JMP 12 sur un Macbook air doté d'un processeur Intel Corei7 et de 8 Go de RAM.
JMP est bien, mais je l’ai acheté principalement pour estimer les métamodèles en utilisant l’approche du krigeage (modèles, gaussien).
Malheureusement, le processus d'estimation est extrêmement lent. J'utilise un sous-ensemble de données avec 2400 points d'observation, avec 8 variables indépendantes, et cela prend une éternité (plus de 12 heures jusqu'à maintenant), et la barre de progression bouge à peine.
Est-ce normal? J'ai lu que cette plate-forme n'est pas capable d'exploiter des multi-cœurs (j'ai deux cœurs sur lesquels je peux exécuter 4 threads). Comment pourrais-je accélérer ce processus?
J'ai aussi un MacBook Pro à 4 cœurs. Puis-je également installer ma licence JMP dessus? Eh bien, s’il n’utilise pas plusieurs cœurs, cela ne résoudra pas mon problème, j’imagine ...
J'aurai beaucoup d'estimations de Kriging à faire pour mes recherches, alors toute idée serait la bienvenue.
Très cordialement
Prof. Murat Yildizoglu
Pourquoi JMP est très lent sous OSX (El Capitan) pour les modèles gaussiens (krigeage)Cher Ryan,
Je teste actuellement la démo de JMP 12 et l'un de nos problèmes majeurs était également la lenteur relativement lente du processus gaussien. Jeu de données de 10 variables et 1000 lignes. Python 4s, JMP> 5 heures.
Je suppose que vous ne pouvez rien dire sur une éventuelle période de publication de JMP 13? Ce moteur plus rapide pour les processus gaussiens ne sera-t-il disponible que pour la version Pro?
sincères amitiés
Andreas
Pourquoi JMP est très lent sous OSX (El Capitan) pour les modèles gaussiens (krigeage)Le professeur Yildzoglu,
Je conviens que les réseaux de neurones offrent leur propre ensemble de défis, avec des modèles parcimonieux. Utilisez-vous JMP Pro? JMP Pro propose plusieurs options vous permettant de créer des modèles prédictifs plus robustes avec la plate-forme NN. Ces modèles ne seront probablement pas aussi parcimonieux que tous les modèles gaussiens que vous construisez pour les mêmes données, mais leur capacité de prévision sera probablement tout aussi bonne ou meilleure.
La raison pour laquelle j'aime mieux NN (dans la plupart des cas) que gaussien est que, bien que gaussien corresponde exactement à chaque point, celui entre deux points de données consécutifs est difficile à déterminer et constitue au mieux une extrapolation. Une façon de vérifier cela est de regarder votre Actual par Jackknife Ajustement prévu pour votre ajustement gaussien. Tracez une ligne de 45 degrés du coin supérieur droit au coin inférieur gauche. Si vos données sont serrées sur cette ligne, il y a peu de biais dans les données et vous pouvez avoir plus de confiance que votre condition physique est bonne, même entre les points. Vous avez ici un avantage en ce sens que vous avez beaucoup de données et que vous n’avez peut-être pas à vous inquiéter autant de ce qui se passe entre les points.
Le profileur de prévision vous permet également de voir comment la position gaussienne fluctue entre des points consécutifs. La table de données ci-jointe contient une comparaison du profileur pour un ajustement en Gauss, un ajustement par la méthode des moindres carrés ordinaires et un ajustement NN du même jeu de données. L’ajustement NN comportait 3 nœuds cachés dans la fonction d’activation Tan H et une validation croisée sur 5 plis en K. L'ajustement OLS a été construit en utilisant RSM avec une réduction variable plus ou moins progressive. La seule chose que je voudrais souligner est comment " ondulant "Le profileur gaussien est comparé aux deux autres. Lorsque vous déplacez la valeur dans l'une des variables indépendantes, les valeurs prédites changent, mais pour le profileur gaussien, vous verrez également que les lignes de prédiction individuelles pour les variables indépendantes peuvent se déplacer de manière assez spectaculaire par rapport aux deux autres modèles d'ajustement.
J'ai également comparé les trois modèles à l'aide d'un Fit Y by X. L'ajustement gaussien montre un ajustement parfait pour le modèle, mais cela ne correspond pas à ce que vous voyez dans le profileur. S'il n'y avait pas de biais, le profileur pour l'ajustement guassien serait aussi plat que les deux autres lorsque vous vous déplacez de point en point.
Les données que j'ai utilisées ici sont de nature stochastique, mais il n'est pas inhabituel de voir le même type de résultats avec des systèmes déterministes tels que des simulations sur ordinateur.
Meilleur,
Facture
Pourquoi JMP est très lent sous OSX (El Capitan) pour les modèles gaussiens (krigeage)Merci beaucoup Bill et Ryan!
J'ai déjà suivi votre suggestion Bill. En effet, ANN est beaucoup plus rapide. Malheureusement, l'estimation semble assez instable lorsque je modifie le nombre de nœuds cachés: la relation entre la variable dépendante et les variables indépendantes peut simplement être inversée lorsque je modifie ce paramètre. Ce qui n'est pas très rassurant ...
Pour vous donner une idée de ce que j'essaie de faire: j'essaie de comprendre la relation entre les paramètres et les résultats d'un modèle de simulation économique. Utiliser une estimation de DoE et une estimation de krigeage donne des résultats simples et parcimonieux dans notre contexte, comme nous l'avons montré dans un article sur l'économie du numérique.
I. Salle, M. Yildizoglu, Échantillonnage et métamodelage efficaces pour les modèles économiques informatiques , à paraître dans Économie informatique , publié en ligne, novembre 2013.
Pourquoi JMP est très lent sous OSX (El Capitan) pour les modèles gaussiens (krigeage)La suggestion de Bill d'essayer la plate-forme NN est excellente. Je voudrais noter que nous mettons à jour la plate-forme de processus gaussienne pour JMP Pro 13. Ces mises à jour intègrent de nouvelles techniques qui permettent une estimation globale plus rapide, tout en permettant de tirer parti de plusieurs cœurs lorsqu'ils sont disponibles.
Pourquoi JMP est très lent sous OSX (El Capitan) pour les modèles gaussiens (krigeage)Bonjour prof Yildzoglu,
Sur la base de l’expérience passée, une fois la centaine d’observations dépassée, la plate-forme gaussienne ralentit considérablement, quelle que soit la puissance de votre ordinateur. Avez-vous essayé la plate-forme Neural Net pour vos métamodèles? Dans une vie antérieure, nous avions constaté que la plateforme NN donnait généralement de meilleurs modèles d'approximation que la plateforme Gaussienne pour les mêmes données et était beaucoup plus rapide avec des ensembles de données plus volumineux.
Meilleur,
Facture
