Por qué JMP es muy lento en OSX (El Capitán) para los modelos gaussianos (kriging)<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Hola,
Compré e instalé JMP 12 en un Macbook air con procesador Intel Corei7 y 8 Gb de RAM.
JMP es bueno, pero lo he comprado principalmente para estimar metamodelos utilizando el enfoque kriging (Modelos, Gaussian).
Desafortunadamente, el proceso de estimación es muy lento. Estoy usando un subconjunto de datos con 2400 puntos de observación, con 8 variables independientes, y toma una eternidad (más de 12 horas hasta ahora), y la barra de progreso apenas se mueve.
¿Esto es normal? He leído que esta plataforma no puede explotar varios núcleos (tengo dos núcleos en los que puedo ejecutar 4 subprocesos). ¿Cómo podría acelerar este proceso?
También tengo un MacBook Pro que tiene 4 núcleos. ¿También puedo instalar mi licencia JMP en él? Bueno, si no usa varios núcleos, eso no resolvería mi problema, me imagino ...
Tendré que hacer muchos cálculos de Kriging para mi investigación, por lo que cualquier idea sería muy bienvenida.
Muy cordialmente,
Profe. Murat Yildizoglu
Re: Por qué JMP es muy lento en OSX (El Capitán) para los modelos Gaussianos (kriging)Querido Ryan,
Actualmente estoy probando la demo de JMP 12 y uno de nuestros principales problemas también fue la velocidad muy lenta del proceso gaussiano. Conjunto de datos de 10 variables y 1000 filas. Python 4s, JMP> 5horas.
¿Supongo que no puedes decir nada sobre un posible período de lanzamiento de JMP 13? ¿Este motor más rápido para procesos gaussianos solo estará disponible para la versión Pro?
Saludos cordiales
Andreas
Re: Por qué JMP es muy lento en OSX (El Capitán) para los modelos Gaussianos (kriging)Profesor Yildzoglu,
Estoy de acuerdo, las redes neuronales ofrecen su propio conjunto de desafíos con modelos parsimoniosos como uno de ellos. ¿Estás utilizando JMP Pro? Hay varias opciones en JMP Pro que te permitirán construir modelos predictivos más robustos con la plataforma NN. Es muy probable que estos modelos no sean tan parcos como cualquier modelo gaussiano que construyas para los mismos datos, pero su capacidad predictiva probablemente sea tan buena o mejor.
La razón por la que me gusta más NN (en la mayoría de los casos) que gaussiana es que, aunque gaussiana se ajusta exactamente a cada punto, el ajuste entre dos puntos de datos consecutivos es difícil de determinar y, en el mejor de los casos, es una extrapolación. Una forma de verificar esto es mirar su Actual by Jackknife Ajuste predicho para tu ajuste gaussiano. Dibuja una línea de 45 grados desde la esquina superior derecha hasta la parte inferior izquierda. Si sus datos están ajustados en esta línea, entonces hay un pequeño sesgo en los datos y puede tener más confianza de que está en forma es buena incluso entre los puntos. Tiene una ventaja aquí, ya que tiene una gran cantidad de datos y es posible que no tenga que preocuparse tanto por lo que sucede entre los puntos.
El Perfil de predicción es donde también verás cómo el ajuste gaussiano fluctúa entre puntos consecutivos. En la tabla de datos adjunta hay una comparación de perfiles para un ajuste gaussiano, un ajuste de mínimos cuadrados ordinarios (OLS) y un ajuste NN del mismo conjunto de datos. El ajuste NN fue con 3 nodos ocultos en la función de activación Tan H y validación cruzada de 5 capas K-fold. El ajuste OLS se creó utilizando RSM con una reducción variable más o menos escalonada. Lo único que me gustaría señalar es cómo " inquieto "El perfilador gaussiano se compara con los otros dos. A medida que mueva el valor en cualquiera de las variables independientes, verá que los valores predichos cambian, pero para el generador de perfiles gaussiano, también verá que las líneas de predicción individuales para las variables independientes pueden moverse de manera bastante espectacular en comparación con los otros dos modelos de ajuste.
También realicé una comparación de los tres modelos utilizando un ajuste Y por X. El ajuste gaussiano muestra un ajuste perfecto para el modelo, pero eso no concuerda con lo que se ve en el generador de perfiles. Si no hubiera sesgo, el perfilador para el ajuste guasiano sería tan plano como los otros dos cuando se mueve de un punto a otro.
Los datos que utilicé aquí son de naturaleza estocástica, pero no es raro ver el mismo tipo de resultados con sistemas deterministas como las simulaciones por computadora.
Mejor,
Cuenta
Re: Por qué JMP es muy lento en OSX (El Capitán) para los modelos Gaussianos (kriging)Muchas gracias Bill y Ryan!
Ya he seguido tu sugerencia Bill. De hecho ANN es mucho más rápido. Desafortunadamente, la estimación parece bastante inestable cuando cambio el número de nodos ocultos: la relación entre la variable dependiente y los independientes solo se puede invertir cuando cambio este parámetro. Lo cual no es muy asegurador ...
Para darle una idea de lo que estoy tratando de hacer: estoy tratando de entender la relación entre los parámetros y la salida de un modelo de simulación económica. El uso de un DoE y una estimación de kriging proporciona resultados agradables y parcosos en nuestro contexto, tal como lo hemos mostrado en un artículo sobre economía computacional.
I. Salle, M. Yildizoglu, Muestreo y metamodelado eficientes para modelos económicos computacionales Próximamente en Economia computacional , publicado en línea, noviembre de 2013.
Re: Por qué JMP es muy lento en OSX (El Capitán) para los modelos Gaussianos (kriging)La sugerencia de Bill para probar la plataforma NN es excelente. Me gustaría señalar que estamos actualizando la plataforma de proceso Gaussian para JMP Pro 13. Estas actualizaciones incorporan nuevas técnicas que proporcionan una estimación general más rápida, además de poder aprovechar múltiples núcleos cuando están disponibles.
Re: Por qué JMP es muy lento en OSX (El Capitán) para los modelos Gaussianos (kriging)Hola profesor Yildzoglu,
Basado en la experiencia pasada, una vez que obtienes más de 100 observaciones, la plataforma Gaussiana se ralentiza considerablemente, sin importar qué tan poderosa sea tu computadora. ¿Has probado la plataforma Neural Net para tus metamodelos? En una vida anterior, encontramos que la plataforma NN generalmente daba mejores modelos de aproximación que la plataforma Gaussian para los mismos datos y era mucho más rápida con conjuntos de datos más grandes.
Mejor,
Cuenta
