Perché JMP è molto lento su OSX (El Capitan) per i modelli gaussiani (kriging)<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Ciao,
Ho acquistato e installato JMP 12 su un MacBook con processore Intel Corei7 e 8 GB di RAM.
JMP è bello, ma l'ho comprato principalmente per stimare i metamodelli usando l'approccio kriging (Models, Gaussian).
Sfortunatamente, il processo di stima è estremamente lento. Sto usando un sottoinsieme di dati con 2400 punti di osservazione, con 8 variabili indipendenti, e ci vuole per sempre (più di 12 ore fino ad ora), e la barra di avanzamento si muove a malapena.
È normale? Ho letto che questa piattaforma non è in grado di sfruttare multi-core (ho due core su cui posso eseguire 4 thread). Come potrei accelerare questo processo?
Ho anche un MacBook Pro con 4 core. Posso installare anche la mia licenza JMP? Beh, se non usa multi-core, questo non risolverebbe il mio problema, immagino ...
Avrò molte stime di Kriging da fare per la mia ricerca, quindi qualsiasi idea sarebbe molto gradita.
Molto cordialmente,
Prof. Murat Yildizoglu
Ri: Perché JMP è molto lento su OSX (El Capitan) per i modelli gaussiani (kriging)Caro Ryan,
Attualmente sto testando la demo di JMP 12 e uno dei nostri principali problemi è stata anche la velocità relativamente bassa del processo gaussiano. Set di dati di 10 variabili e 1000 righe. Python 4s, JMP> 5 ore.
Immagino che non puoi dire nulla su un possibile periodo di rilascio di JMP 13? Questo motore più veloce per processi gaussiani sarà disponibile solo per la versione Pro?
Cordiali saluti
Andreas
Ri: Perché JMP è molto lento su OSX (El Capitan) per i modelli gaussiani (kriging)Il professor Yildzoglu,
Sono d'accordo, Neural Nets offre il proprio set di sfide con modelli parsimoniosi essendo uno di loro. Stai usando JMP Pro? Ci sono diverse opzioni in JMP Pro che ti permetteranno di costruire modelli predittivi più robusti con la piattaforma NN. Molto probabilmente questi modelli non saranno così parsimoniosi come qualsiasi modello gaussiano che costruisci per gli stessi dati, ma la loro capacità predittiva probabilmente sarà altrettanto buona o migliore.
Il motivo per cui preferisco NN (nella maggior parte dei casi) rispetto a quello gaussiano è che sebbene la gaussiana si adatti esattamente ad ogni punto, l'adattamento tra due punti di dati consecutivi è difficile da determinare ed è l'estrapolazione nella migliore delle ipotesi. Un modo per controllare questo è guardare il tuo Actual by Jackknife Predicted fit for you misura gaussiana. Disegna una linea di 45 gradi dall'angolo in alto a destra a quello in basso a sinistra. Se i tuoi dati sono stretti su questa linea, i dati sono poco influenzati e puoi avere più fiducia che tu stia bene anche tra i punti. Hai un vantaggio qui in quanto hai un sacco di dati e non dovresti preoccuparti così tanto di quello che succede tra i punti.
Il Prediction Profiler è dove vedrai anche come la misura gaussiana fluttua tra punti consecutivi. Nella tabella di dati allegata è presente un confronto di profiler per un adattamento gaussiano, un adattamento di minimi quadrati ordinari (OLS) e un adattamento NN dello stesso set di dati. L'adattamento NN era con 3 nodi nascosti nella funzione di attivazione Tan H e 5 cross-validation K-fold. Il fit OLS è stato realizzato utilizzando RSM con una riduzione variabile più o meno graduale. L'unica cosa che vorrei sottolineare è come " wiggly "il profiler gaussiano viene confrontato con gli altri due. Quando sposti il valore in una qualsiasi delle variabili indipendenti, vedrai lo spostamento dei valori previsti, ma per il profiler gaussiano vedrai anche che le singole linee di predizione per le variabili indipendenti possono muoversi in modo piuttosto drammatico rispetto agli altri due modelli adatti.
Ho anche eseguito un confronto tra i tre modelli utilizzando un Fit Y di X. La vestibilità gaussiana mostra una vestibilità perfetta per il modello, ma non si allinea con quello che vedi nel profiler. Se non ci fossero pregiudizi, il profiler per l'adattamento guassiano sarebbe piatto come gli altri due quando ci si sposta da un punto all'altro.
I dati che ho usato qui sono di natura stocastica, ma non è raro vedere lo stesso tipo di risultati con sistemi deterministici come le simulazioni al computer.
Migliore,
Conto
Ri: Perché JMP è molto lento su OSX (El Capitan) per i modelli gaussiani (kriging)Grazie mille Bill e Ryan!
Ho già seguito il tuo suggerimento Bill. Infatti ANN è molto più veloce. Sfortunatamente, la stima sembra abbastanza instabile quando cambio il numero di nodi nascosti: la relazione tra la variabile dipendente e quella indipendente può essere invertita solo quando cambio questo parametro. Il che non è molto rassicurante ...
Per darti un'idea di cosa sto cercando di fare: sto cercando di capire la relazione tra i parametri e l'output di un modello di simulazione economica. Usare un DoE e una stima krig fornisce risultati piacevoli e parsimoniosi nel nostro contesto, come abbiamo mostrato in un documento di economia computazionale.
I. Salle, M. Yildizoglu, Campionamento efficiente e Metamodeling per modelli economici computazionali , in arrivo a Economia computazionale , pubblicato on-line, novembre 2013.
Ri: Perché JMP è molto lento su OSX (El Capitan) per i modelli gaussiani (kriging)Il suggerimento di Bill per provare la piattaforma NN è fantastico. Vorrei sottolineare che stiamo aggiornando la piattaforma di processo Gaussian per JMP Pro 13. Questi aggiornamenti incorporano nuove tecniche che forniscono una stima più rapida in generale, oltre a essere in grado di trarre vantaggio da più core quando sono disponibili.
Ri: Perché JMP è molto lento su OSX (El Capitan) per i modelli gaussiani (kriging)Ciao prof. Yildzoglu,
In base all'esperienza passata, una volta superate le 100 osservazioni, la piattaforma gaussiana rallenta considerevolmente indipendentemente dalla potenza del tuo computer. Hai provato la piattaforma Neural Net per i tuoi metamodelli? In una vita precedente abbiamo scoperto che la piattaforma NN in genere forniva modelli di approssimazione migliori rispetto alla piattaforma gaussiana per gli stessi dati ed era molto più veloce con insiemi di dati più grandi.
Migliore,
Conto
