Comment interpréter les résultats du dépistage prédictif et est-ce généralBonjour à tous!
Je suis étudiant à la maîtrise en bio-ingénierie et je travaille actuellement sur ma thèse, qui comprend beaucoup de traitement de données. J'ai 66 caractéristiques d'un signal dans environ 248 fenêtres (chacune de 5 secondes), qui sont l'entrée de mon classificateur. La sortie est le niveau d'un symptôme spécifique, une variable ordinale. Je voulais appliquer la "sélection des caractéristiques" avant la classification parce que je veux savoir quels paramètres physiques sont bien corrélés avec le symptôme.
J'envisageais d'utiliser l'option de « dépistage prédictif » de JMP. Mais pour ce faire, j'ai besoin de comprendre 2 choses supplémentaires.
- ce "filtrage prédictif" peut-il être utilisé comme outil général de sélection de fonctionnalités ? Après la sélection des fonctionnalités, je veux essayer différents classificateurs, pas seulement la forêt d'arbres bootstrap (qui est utilisée dans l'outil de filtrage des prédicteurs).
- Comment interpréter exactement le niveau de « contribution » de la sortie du dépistage prédictif ? J'ai trouvé beaucoup d'informations confuses à ce sujet.
Remarque supplémentaire ; si vous avez d'autres idées de sélection de fonctionnalités, faites-le moi savoir ! 
Passe une bonne journée,
Ben
Re: Comment interpréter les résultats du dépistage prédictif et est-ce généralLa plate-forme Predictor Screening est l'une des nombreuses plates-formes pouvant être utilisées pour la sélection de variables... en fait, presque toutes les plates-formes de modélisation de JMP/JMP Pro peuvent être utilisées pour la sélection de variables. Chacun a sa place au soleil. Je suggère de lire la documentation JMP pour diverses plates-formes telles que Stepwise, Partition, Partial Least Squares et si vous avez JMP Pro... et il semble que vous le faites... Bootstrap Forest et Boosted Tree. Ou les sous-personnalités Elastic Net ou Adaptive Lasso dans la personnalité de la plate-forme de régression généralisée...
Mais d'abord... combien de temps et d'efforts avez-vous investi pour comprendre le comportement du processus ET la généalogie des données elles-mêmes ? La raison pour laquelle je demande, c'est disons simplement que les résultats de la plate-forme Predictor Screening vont à l'encontre des lois connues de la médecine (on dirait que vous avez une application médicale ???) ? Par exemple, si le rapport de la plateforme suggère qu'une augmentation du tabagisme entraîne une diminution de la probabilité de cancer du poumon... eh bien, quelque chose ne va pas. Ou la qualité des données ? Absence, valeurs aberrantes, valeurs absurdes, structure multivariée multicolinéaire cachée ou moins qu'évidente dans les données ? Tous ces problèmes peuvent faire des ravages avec la modélisation. Je recommande donc PREMIER de passer du temps dans cet espace avec des plates-formes allant de la bonne plate-forme de distribution à l'ancienne (pour une vision univariée du monde) aux plates-formes Explorer les valeurs aberrantes / manquantes et les composants principaux pour vous assurer d'avoir une haute qualité, raisonnable , données pour les prédicteurs ET les réponses. La dernière étape consiste à réfléchir à votre stratégie de validation de modélisation. Pour les problèmes de type sélection de variables, je recommande d'utiliser la construction de validation Train/Validation/Test disponible sur la plate-forme JMP Pro Make Validation.
Bonne chance!
