15683_de-DE

liliconcom

Warum JMP unter OSX (El Capitan) für die Gaußschen Modelle (Kriging) sehr langsam ist<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />

Hallo,

Ich habe JMP 12 auf einem Macbook Air mit Intel Corei7-Prozessor und 8 GB RAM gekauft und installiert.

JMP ist schön, aber ich habe es hauptsächlich für die Schätzung von Metamodellen mit Hilfe des Kriging-Ansatzes (Models, Gaussian) gekauft.

Leider ist der Schätzprozess sehr langsam. Ich verwende eine Untermenge von Daten mit 2400 Beobachtungspunkten, mit 8 unabhängigen Variablen, und es dauert ewig (bis jetzt mehr als 12 Stunden), und der Fortschrittsbalken bewegt sich kaum.

Ist das normal? Ich habe gelesen, dass diese Plattform keine Multi-Cores ausnutzen kann (ich habe zwei Cores, auf denen ich 4 Threads ausführen kann). Wie könnte ich diesen Prozess beschleunigen?

Ich habe auch ein MacBook Pro mit 4 Kernen. Kann ich auch meine JMP-Lizenz darauf installieren? Nun, wenn es keine Multi-Cores verwendet, würde das mein Problem nicht lösen, ich stelle mir vor ...

Ich werde viele Kriging-Einschätzungen für meine Nachforschungen anstellen, daher wäre jede Idee sehr willkommen.

Sehr herzlich

Prof. Murat Yildizoglu

Re: Warum JMP unter OSX (El Capitan) für die Gaußschen Modelle (Kriging) sehr langsam ist

Lieber Ryan,

Ich teste gerade die JMP 12-Demo und eines unserer Hauptprobleme war auch die vergleichsweise sehr langsame Geschwindigkeit des Gaußschen Prozesses. Datensatz mit 10 Variablen und 1000 Zeilen. Python 4s, JMP> 5 Stunden.

Ich schätze, Sie können nichts zu einer möglichen Release-Periode von JMP 13 sagen? Ist diese schnellere Engine für Gaußsche Prozesse nur für die Pro-Version verfügbar?

mit freundlichen Grüßen

Andreas

Re: Warum JMP unter OSX (El Capitan) für die Gaußschen Modelle (Kriging) sehr langsam ist

Professor Yildzoglu,

Ich stimme zu, Neural Nets bieten ihre eigenen Herausforderungen an, wobei sparsame Modelle eine von ihnen sind.  Verwenden Sie JMP Pro? Es gibt mehrere Optionen in JMP Pro, mit denen Sie robuster Vorhersagemodelle mit der NN-Plattform erstellen können.  Diese Modelle werden höchstwahrscheinlich nicht so sparsam sein wie Gaußsche Modelle, die Sie für dieselben Daten erstellen, aber ihre Vorhersagefähigkeit ist wahrscheinlich genauso gut oder besser.

Der Grund, warum ich NN besser mag (in den meisten Fällen) als Gaußsches, liegt darin, dass Gaußsches Verhalten zwar genau auf jeden Punkt passt, der Fit zwischen zwei aufeinander folgenden Datenpunkten jedoch schwer zu bestimmen ist und bestenfalls eine Extrapolation ist.  Eine Möglichkeit, dies zu überprüfen, besteht darin, auf Ihr zu schauen Tatsächlich von Jackknife Vorausgesagte Passform für Ihre Gaußsche Passform. Zeichnen Sie eine 45-Grad-Linie von der oberen rechten Ecke nach links unten.  Wenn Ihre Daten auf dieser Linie knapp sind, gibt es wenig Verzerrung in den Daten und Sie können mehr Vertrauen darauf haben, dass Sie fit sind, auch zwischen den Punkten.  Sie haben hier einen Vorteil, weil Sie über viele Daten verfügen und sich nicht so sehr darum kümmern müssen, was zwischen den Punkten passiert. 

Im Prediction Profiler sehen Sie auch, wie die Gauß-Anpassung zwischen aufeinanderfolgenden Punkten schwankt.  In der beigefügten Datentabelle gibt es einen Profiler-Vergleich für eine Gaußsche Anpassung, eine normale Anpassung der kleinsten Quadrate (OLS) und eine NN-Anpassung desselben Datensatzes.  Die NN-Anpassung erfolgte mit 3 verborgenen Knoten in der Tan-H-Aktivierungsfunktion und 5-fach K-fach Kreuzvalidierung.  Die OLS-Anpassung wurde unter Verwendung von RSM mit mehr oder weniger schrittweiser variabler Reduktion erstellt.  Ich möchte darauf hinweisen, wie " wackeln "Der Gaußsche Profiler wird mit den beiden anderen verglichen.  Wenn Sie den Wert in einer der unabhängigen Variablen verschieben, werden die vorhergesagten Werte verschoben. Für den Gaußschen Profiler sehen Sie jedoch auch, dass sich die einzelnen Vorhersagelinien für die unabhängigen Variablen im Vergleich zu den beiden anderen Fit-Modellen dramatisch verschieben können.

Ich habe auch einen Vergleich der drei Modelle mit einem Fit Y nach X durchgeführt. Der Gaußsche Fit passt perfekt zum Modell, aber das stimmt nicht mit dem überein, was Sie im Profiler sehen.  Wenn es keine Verzerrung gäbe, wäre der Profiler für die Guassian-Passform so flach wie die anderen beiden, wenn Sie von Punkt zu Punkt wechseln.

Die Daten, die ich hier verwendet habe, sind stochastischer Natur, aber es ist nicht ungewöhnlich, mit deterministischen Systemen wie Computersimulationen die gleichen Ergebnisse zu sehen.

Beste,

Rechnung

Re: Warum JMP unter OSX (El Capitan) für die Gaußschen Modelle (Kriging) sehr langsam ist

Vielen Dank, Bill und Ryan!

Ich habe Ihrem Vorschlag Bill bereits gefolgt. In der Tat ist ANN viel schneller. Leider scheint die Schätzung ziemlich instabil zu sein, wenn ich die Anzahl der verborgenen Knoten ändere: Die Beziehung zwischen der abhängigen Variablen und den unabhängigen Variablen kann nur umgekehrt werden, wenn ich diesen Parameter ändere. Welches ist nicht sehr sicher ...

Um Ihnen eine Vorstellung davon zu geben, was ich versuche: Ich versuche, die Beziehung zwischen den Parametern und der Ausgabe eines ökonomischen Simulationsmodells zu verstehen. Die Verwendung eines DoE und einer Kriging-Schätzung führt in unserem Kontext zu nüchternen und sparsamen Ergebnissen, wie wir es in einer Studie über Computational Economics gezeigt haben.

I. Salle, M. Yildizoglu, Effiziente Probenahme und Metamodellierung für ökonomische Modelle bevorstehend in Computational Economics , online veröffentlicht, November 2013.

Re: Warum JMP unter OSX (El Capitan) für die Gaußschen Modelle (Kriging) sehr langsam ist

Bills Vorschlag, die NN-Plattform auszuprobieren, ist großartig. Ich möchte anmerken, dass wir die Gaußsche Prozessplattform für JMP Pro 13 aktualisieren. Diese Updates beinhalten neue Techniken, die eine schnellere Schätzung insgesamt ermöglichen und bei Verfügbarkeit mehrere Kerne nutzen können.

Re: Warum JMP unter OSX (El Capitan) für die Gaußschen Modelle (Kriging) sehr langsam ist

Hallo Prof. Yildzoglu,

Basierend auf den Erfahrungen der Vergangenheit, verlangsamt sich die Gauß-Plattform nach etwa 100 Beobachtungen beträchtlich, unabhängig davon, wie leistungsfähig Ihr Computer ist.  Haben Sie die Neural Net-Plattform für Ihre Metamodelle ausprobiert? In einem früheren Leben haben wir festgestellt, dass die NN-Plattform in der Regel bessere Näherungsmodelle als die Gaußsche Plattform für dieselben Daten ergab und mit größeren Datensätzen viel schneller war.

Beste,

Rechnung