如何解釋預測篩選結果，這是一般性的你好呀！
我是生物工程專業的碩士生，目前正在寫我的論文，其中包括大量數據處理。 我在大約 248 個窗口（每 5 秒）中有 66 個信號特徵，它們是我的分類器的輸入。 輸出是特定症狀的水平，序數變量。 我想在分類之前應用“特徵選擇”，因為我想知道哪些物理參數與症狀密切相關。
我正在考慮使用 JMP 的“預測篩選”選項。 但是要做到這一點，我需要了解兩件額外的事情。
- 這種“預測篩選”可以用作一般特徵選擇工具嗎？ 特徵選擇後，我想嘗試不同的分類器，而不僅僅是 bootstrap 樹森林（用於預測篩選工具）。
- 我如何準確解釋預測篩選輸出的“貢獻”水平？ 我發現了很多關於此的令人困惑的信息。
額外說明；如果您對特徵選擇有任何其他想法，請告訴我！ 
祝你今天過得愉快，
本
回复：如何解釋預測篩選結果，這是一般性的Predictor Screening 平台是眾多可用於變量選擇的平台之一……事實上，JMP/JMP Pro 中的幾乎任何建模平台都可用於變量選擇。 每個人在陽光下都有自己的位置。 我建議閱讀各種平台的 JMP 文檔，例如 Stepwise、Partition、Partial Least Squares，如果您有 JMP Pro……聽起來您有……Bootstrap Forest 和 Boosted Tree。 或廣義回歸平台個性中的彈性網絡或自適應套索子個性......
但首先……您投入了多少時間和精力來理解流程行為和數據本身的譜系？ 我問的原因是，我們只是說 Predictor Screening 平台的結果與已知的醫學定律背道而馳（聽起來你有醫學應用程序？？？）？ 例如，如果平台報告表明吸煙增加導致患肺癌的可能性降低……那麼有些不對勁。 還是數據質量？ 數據中是否存在缺失、異常值、無意義值、隱藏或不太明顯的多元多重共線性結構？ 所有這些問題都會對建模造成嚴重破壞。 因此，我建議首先花時間在這個空間中使用從老式分發平台（用於世界的單變量視圖）到探索異常值/缺失值和主要組件平台的平台，以幫助確保您獲得高質量、合理的，預測變量和響應的數據。 這裡的最後一步是考慮您的建模驗證策略。 對於變量選擇類型的問題，我建議使用 JMP Pro Make Validation 平台中提供的訓練/驗證/測試驗證結構。
祝你好運！
