僅供內部使用：本文檔僅在當前時間內部使用。
這是對JMP 12的更新，您是否需要JMP Pro？JMP 13的文檔。
JMP Pro是JMP的高級分析版本，為需要復雜建模技術以更好地預測未來並為明天做好計劃的高級用戶創建。SAS的JMP Pro統計分析軟件專為科學家和工程師而設計，可提供交互式數據可視化，探索，分析和通信的所有高級功能，這是JMP的標誌。
此外，JMP Pro還提供了許多複雜的技術：使用多種不同方法進行交叉驗證的預測建模，現代建模技術，模型比較和平均功能，高級多元技術，可靠性框圖，覆蓋陣列，混合模型，提升模型和高級計算統計方法。
如果您已經使用過JMP，那麼您將很高興得知所有這些統計功能都來自熟悉的內存桌面環境。如果您是JMP的新手，您會發現JMP Pro使您可以比現在將數據分析提升到一個全新的水平，並且可以更輕鬆地解決複雜的統計問題。
更重要的是，JMP Pro可幫助您以他人易於理解和採取行動的方式來構建敘述並以交互方式交流調查結果。
可以訪問JMP Pro中所有豐富的高級分析功能，從而消除了統計發現的障礙，並增強了您發現數據中更多線索的能力。因此，您可以更快地取得突破，從而使您變得更加積極主動並更好地控制未來。
主要特點
預測建模
任何人都可以公平地描述去年的表現。但是，如果沒有合適的工具和最先進的技術，建立一個模型來預測新客戶，新流程或新風險的情況將變得更加困難。JMP Pro包含一組豐富的算法，可用於構建更好的數據模型。用於預測建模的兩種最有用的技術是決策樹和神經網絡。
JMP Pro中的Partition平台使用現代方法自動化了樹的構建過程。引導森林是一種隨機森林技術，它使用可用數據的隨機子集來生長數十個決策樹，並對這些樹中每個因素的計算影響進行平均。增強樹技術可構建許多簡單的樹，並反复擬合從一棵樹到下一棵樹的任何殘餘變化。JMP Pro中的分區平台還適合K個最近鄰居（K-NN）模型。使用這些方法，您可以建立比簡單決策樹模型更好地預測的模型。
通過JMP Pro中的高級神經平台，您可以選擇三種激活功能以及使用梯度增強的自動模型構建功能來構建一層或兩層神經網絡。該平台自動處理缺失值和連續X的轉換，從而節省了時間和精力。此外，它還包括強大的擬合選項。
JMP Pro中的Partition和Neural平台都利用了交叉驗證的優勢。驗證的優勢將在下一部分中介紹。此外，JMP Pro中的逐步回歸，邏輯回歸（標稱和序數）和判別分析可以利用驗證列的優勢，使您可以在預測建模工作流程中使用這些建模方法。
交叉驗證
對於有效的預測建模，您需要可靠的方法來驗證模型，而對於大型模型，您很容易陷入過度擬合的麻煩。大型模型應始終進行交叉驗證，而JMP Pro則通過數據分區或保留來進行交叉驗證。長期以來，將數據分為訓練，驗證和測試數據集可避免過度擬合，從而確保您構建的模型不依賴於用於構建它們的特定樣本的屬性。
在JMP Pro中進行交叉驗證的通用方法是使用驗證列。您可以使用驗證列實用程序（使用純隨機樣本或分層隨機樣本）輕鬆地將數據劃分為不同目的的不同集合。訓練集用於構建模型，驗證集用於模型構建過程，以幫助選擇模型的複雜程度。最後，將測試集從模型構建過程中完全排除出來，並用於評估模型的質量。對於較小的數據集，也可以使用k倍交叉驗證。
交叉驗證技術可幫助您建立能夠很好地概括有關新客戶，新流程或新風險的明天數據的模型，以便您可以對未來進行數據驅動的推斷。
儘管所有這些都是正確的，但觀測數據只能帶您走遠。為了真正理解因果關係，很多時候您可能希望採用實驗設計（DOE）。JMP以易於使用的形式提供了用於優化DOE的世界一流工具。
型號比較
在現實世界中，某些模型在某些情況下適合，但在其他情況下則不適合。使用JMP Pro，有很多適合的方法，您需要找出在給定情況下最合適的方法。建立模型的一種典型方法是，您將嘗試許多不同的模型：具有或多或少複雜性的模型，具有或不具有某些因素/預測變量的模型，使用不同類型的建模方法甚至是多個模型（整體模型）的平均值構建的模型。
這些模型中的每一個將具有可用於評估模型的通用質量度量：R 2 ，錯誤分類率，ROC曲線，AUC，提升曲線等。
使用JMP Pro中的模型比較，您可以比較各種擬合中所有保存的預測列，並選擇擬合優度，簡約性和交叉驗證的最佳組合。JMP Pro會自動進行此比較。同時，您可以與可視化模型概要分析器進行交互，以查看每個模型正在選擇哪些重要因素。通過JMP Pro中的模型比較，可以輕鬆地同時比較多個模型，並且可以根據需要進行簡單的模型平均。
現代造型
廣義回歸是一類新的建模技術，即使具有挑戰性的數據，也非常適合於構建更好的模型。它使用正則化或罰分回歸方法擬合廣義線性模型。
當您擁有與觀測值密切相關或比觀察值更多的預測變量時，標準估算技術就會失效。而且，當有許多相關的預測變量時（觀測數據通常是這種情況），逐步回歸或其他標準技術可能會產生不令人滿意的結果。此類模型通常過擬合，並且無法很好地推廣到新數據。但是，您如何確定在建模之前要剔除哪些變量，或者更糟的是，您浪費了多少時間來手動進行數據預處理以進行建模呢？
擬合模型中的廣義回歸人格是進行回歸的全包方法。它是一個完整的建模框架，從變量選擇到模型診斷，再到LS意味著比較，逆向預測和性能分析。而且僅在JMP Pro中。
廣義回歸個性中可用的正則化技術包括Ridge，Lasso，自適應Lasso，Elastic Net和自適應Elastic Net，以幫助更好地識別可能具有解釋力的X。利用這些技術與Fit Model中的任何其他建模個性一樣容易-只需識別您的響應，構造模型效果並選擇所需的估計和驗證方法即可。JMP會自動擬合您的數據，在適當的時候執行變量選擇，並建立一個可以推廣到新數據的預測模型。您還可以使用正向逐步技術，使用最大似然法執行分位數回歸或簡單擬合。
最後，Generalized Regression提供了一些選項，可以為要建模的響應選擇適當的分佈，從而可以對更多樣化的響應進行建模，例如計數，具有許多異常值的數據或偏斜的數據。與JMP Pro中的所有高級建模平台一樣，您可以選擇交叉驗證技術。
文字探索
處理不同類型的數據時，有時該數據為文本形式，例如技術支持呼叫日誌，工程說明或調查回复註釋中的詳細信息。以前，很難以有意義的方式來組織文本數據。JMP Pro最終將處理文本數據的問題變成了標準數據分析問題。如果您有文本數據，並且需要根據這些數據構建預測模型，或者需要對文本數據進行多變量分析，則Text Explorer平台提供了高度交互的選項，可以組織和顯示文本數據中的隱藏結果。 使用文本資源管理器，您可以執行潛在類分析，潛在語義分析，主題分析以及群集術語和文檔 。借助JMP Pro的增強功能，可以像其他任何數據分析一樣實現文本數據分析。
先進的多元技術
JMP Pro包含數項先進技術，可在遇到需要多元擬合方法的數據問題時構建更好的模型。
偏最小二乘。 您是否要對寬於高的數據進行建模？傳統技術無效，但偏最小二乘（PLS）可行。PLS是工具箱中擁有的一種強大的建模技術，尤其是當您擁有比觀察值更多的X變量，高度相關的X變量，大量X變量或幾個Y變量以及許多X變量時。所有這些都是普通的最小二乘會產生不令人滿意的結果的情況。
PLS建模基於因素（即解釋變量（X）的線性組合）擬合線性模型。以試圖最大化X與一個或多個響應（Y）之間的協方差的方式獲得因子。在JMP Pro中，您可以建立具有連續或分類響應（PLS-DA）的PLS模型，指定曲率項或交互作用並執行缺失值插補。
變量聚類。當使用大量變量來預測結果時，您可能希望以某種方式減少變量的數量，以使預測問題更容易解決。一種可能的降維技術是眾所周知的主成分分析（PCA）方法。但是，PCA產生的變量可能難以解釋。一種替代策略是在JMP Pro中使用變量聚類，以幫助您了解您的響應是否被分組為集群，並確定響應包含多少個集群。選擇報告中的任何群集會自動在數據表中選擇群集中最具代表性的列，從而使指定模型術語或進行尺寸縮減變得更快，更容易。
可靠性框圖
通常，您會面臨著分析更複雜的分析系統（例如具有多個硬盤驅動器的RAID存儲陣列或具有四個引擎的飛機）的可靠性的問題。使用JMP，您可以使用許多工具來分析那些系統中單個組件的可靠性。但是，借助JMP Pro，您可以利用Reliability Block Diagram平台獲取單個組件的可靠性，構建具有多個組件的複雜系統並分析整個系統的可靠性。
該平台使您可以更好地預測整個系統的可靠性，並根據單個組件的當前性能確定預期性能。您可以通過查看不同的設計並比較多個系統設計中的圖來輕鬆執行假設分析。您還可以確定最佳位置以添加冗餘並降低系統故障的可能性。使用“可靠性框圖”，您可以輕鬆地設計和修復系統中的薄弱環節，並且可以更好地了解情況，以防止將來發生系統故障。
覆蓋數組
覆蓋陣列用於測試應用中，其中因素相互作用可能導致故障。每個實驗運行可能會很昂貴。因此，您需要設計一個實驗，以最大程度地發現缺陷，同時最大程度地減少成本和時間。覆蓋數組使您可以做到這一點。通過JMP Pro，您可以設計實驗來測試確定性系統，並涵蓋各種因素的所有可能組合，直至特定的交互順序。
並且，當有多種因素組合產生令人難以置信的條件時，您可以使用交互式“不允許組合”過濾器自動從設計中排除這些因素設置組合。
JMP Pro中覆蓋數組的巨大優勢之一是JMP Pro是一種統計分析工具，而不僅僅是覆蓋數組設計工具。您可以在JMP Pro中進行各種統計分析。例如，當前沒有其他用於覆蓋陣列設計的軟件可以讓您使用廣義回歸分析數據。與其他覆蓋陣列設計工具相比，這是JMP Pro的巨大優勢。
JMP Pro不僅僅是嚴格的設計工具；它還允許您導入由任何軟件生成的任何覆蓋陣列設計，並進一步對其進行優化並分析結果。您可以自己設計陣列，而不必依賴其他人為您建立實驗。在JMP Pro中使用覆蓋陣列進行更智能的測試。
混合模型
混合模型使您可以分析涉及時間和空間的數據。例如，您可能在研究設計中使用混合模型，在藥物試驗過程中多次測量多個受試者，或者在製藥，製造或化學行業的交叉設計中使用混合模型。
JMP Pro使您可以將混合模型擬合到數據中，從而指定固定，隨機和重複的效果；關聯變量組；並設置主題和連續效果–均具有直觀的拖放界面。
此外，您現在可以為各種相關結構計算協方差參數。這樣的例子包括當可以將測量數據的實驗單位分組時，可以將來自公共群集的數據關聯起來。另一個示例是在同一實驗單元上進行重複測量時，這些重複測量是相關的或顯示出變化的可變性。
在JMP Pro中構建混合模型時，也很容易從視覺上確定哪種空間協方差結構適合在模型規範中使用。
提升模型
您可能希望通過僅向可能會給予積極響應的個人發送報價來最大程度地發揮有限的營銷預算的影響。但是，這項任務似乎令人生畏，尤其是當您擁有大量數據集以及許多可能的行為或人口統計學預測指標時。但是，通過JMP Pro，您可以使用提升模型進行此預測。這種方法也稱為增量建模，真實舉升建模或淨建模，其開發目的是幫助優化營銷決策，定義個性化的醫療方案，或更廣泛地說，是識別可能對某些動作做出響應的個人特徵。
JMP Pro中的隆升建模適合查找分裂的分區模型，以最大程度地提高治療效果。 型號幫助確定最有可能對某項行動做出良好反應的個人群體；它們有助於促成有效而有針對性的決策，從而優化資源分配並影響個人。
先進的計算統計
JMP Pro包含針對列聯表的精確統計測試和針對單向ANOVA的精確非參數統計測試。而且，JMP Pro包括一種用於引導大多數JMP報告中的統計信息的通用方法。
自舉近似於統計量的抽樣分佈。JMP Pro是唯一使您無需編寫任何代碼即可引導統計信息的統計軟件包。一鍵式引導意味著您僅需單擊即可引導JMP報告中的任何數量。
當教科書假設有疑問或不存在時，此技術很有用。例如，嘗試將自舉技術應用於非線性模型結果，該結果用於進行預測或確定分位數附近的覆蓋範圍。此外，您可以使用自舉法來評估預測模型中的不確定性。引導程序使您可以使用更少的假設來評估估計的置信度– JMP Pro中的一鍵式引導程序使操作變得簡單。
連接到豐富的SAS ®
作為用於預測分析和數據挖掘的SAS產品之一，JMP Pro可以輕鬆連接到SAS，擴展選件並提供對SAS Analytics和數據集成無與倫比的深度的訪問。無論是否有活動的SAS連接，JMP Pro都可以輸出SAS代碼，以使用JMP內置的模型快速輕鬆地對新數據進行評分。
分享和交流結果
JMP一直致力於發現，並找到在整個組織中傳達這些發現的最佳方式。JMP Pro包含JMP的所有可視和交互式功能，使您可以以從未有過的方式訪問數據。通過動態鏈接的數據，圖形和統計信息，JMP Pro可以在3-D圖或動畫圖中顯示您隨時間變化的動態調查結果，從而產生有價值的新見解，為模型構建和解釋過程提供參考。
操作系統準則
JMP Pro在Microsoft Windows和Mac OS上運行。它包括對32位和64位系統的支持。有關完整的系統要求，請參見jmp.com/system。
