NUR FÜR DEN INTERNEN GEBRAUCH: Dieses Dokument ist derzeit nur für den internen Gebrauch bestimmt.
Dies ist ein Update für JMP 12. Benötigen Sie JMP Pro? Dokument für JMP 13.
JMP Pro ist die erweiterte Analyseversion von JMP, die für Hauptbenutzer entwickelt wurde, die ausgefeilte Modellierungstechniken benötigen, um die Zukunft besser vorhersehen und gut für morgen planen zu können. Die statistische Analysesoftware JMP Pro von SAS wurde speziell für Wissenschaftler und Ingenieure entwickelt und bietet alle überlegenen Funktionen für die interaktive Datenvisualisierung, -erkundung, -analyse und -kommunikation, die das Markenzeichen von JMP sind.
Darüber hinaus bietet JMP Pro eine Vielzahl ausgefeilter Techniken: Vorhersagemodellierung mit Kreuzvalidierung unter Verwendung verschiedener Methoden, moderne Modellierungstechniken, Modellvergleichs- und Mittelungsfunktionen, fortschrittliche multivariate Techniken, Zuverlässigkeitsblockdiagramme, Abdeckungsarrays, gemischte Modelle, Hebung Modelle und erweiterte Methoden der Computerstatistik.
Wenn Sie JMP bereits verwenden, werden Sie erfreut sein zu erfahren, dass all diese statistische Feuerkraft in einer vertrauten In-Memory-Desktop-Umgebung verfügbar ist. Und wenn Sie JMP noch nicht kennen, werden Sie feststellen, dass Sie mit JMP Pro die Datenanalyse auf ein völlig neues Niveau heben können als jetzt und anspruchsvolle statistische Probleme einfacher lösen können.
Noch wichtiger ist, dass JMP Pro Ihnen hilft, eine Erzählung zu erstellen und Ergebnisse interaktiv so zu kommunizieren, dass andere sie leicht verstehen und darauf reagieren können.
Durch den Zugriff auf alle umfangreichen erweiterten Analysen in JMP Pro werden Hindernisse für die statistische Ermittlung beseitigt und Ihre Fähigkeit verbessert, weitere Hinweise in Ihren Daten zu finden. Dadurch erzielen Sie schneller Durchbrüche, sodass Sie proaktiver werden und die Zukunft besser kontrollieren können.
Hauptmerkmale
Vorausschauende Modellierung
Jeder kann die Leistung des letzten Jahres fair beschreiben. Ohne die richtigen Tools und modernsten Techniken wird es jedoch viel schwieriger, ein Modell zu erstellen, um vorherzusagen, was mit neuen Kunden, neuen Prozessen oder neuen Risiken passieren wird. JMP Pro enthält eine Vielzahl von Algorithmen zum Erstellen besserer Modelle Ihrer Daten. Zwei der nützlichsten Techniken für die prädiktive Modellierung sind Entscheidungsbäume und neuronale Netze.
Die Partitionsplattform in JMP Pro automatisiert den Baumbildungsprozess mit modernen Methoden. Die Bootstrap-Gesamtstruktur, eine Random-Forest-Technik, vergrößert Dutzende von Entscheidungsbäumen unter Verwendung zufälliger Teilmengen der verfügbaren Daten und mittelt den berechneten Einfluss jedes Faktors in diesen Bäumen. Die Boosted-Tree-Technik baut viele einfache Bäume und passt wiederholt alle verbleibenden Variationen von einem Baum zum nächsten an. Die Partitionsplattform in JMP Pro passt auch für Modelle mit K nächsten Nachbarn (K-NN). Mit diesen Methoden können Sie Modelle erstellen, die besser vorhersagen als einfache Entscheidungsbaummodelle.
Mit der fortschrittlichen neuronalen Plattform in JMP Pro können Sie ein- oder zweischichtige neuronale Netze mit drei Aktivierungsfunktionen und automatischer Modellkonstruktion mithilfe von Gradientenverstärkung erstellen. Diese Plattform verarbeitet automatisch fehlende Werte und die Transformation von fortlaufenden X, was Zeit und Mühe spart. Darüber hinaus enthält es robuste Anpassungsoptionen.
Sowohl die Partitions- als auch die neuronale Plattform in JMP Pro nutzen die Kreuzvalidierung. Der Vorteil der Validierung wird im nächsten Abschnitt beschrieben. Darüber hinaus können die schrittweise Regression, die logistische Regression (sowohl nominal als auch ordinal) und die Diskriminanzanalyse in JMP Pro die Verwendung einer Validierungsspalte nutzen, mit der Sie diese Modellierungsmethoden in Ihrem Vorhersagemodellierungsworkflow verwenden können.
Kreuzvalidierung
Für eine effektive Vorhersagemodellierung benötigen Sie fundierte Methoden zur Validierung Ihres Modells. Bei einem großen Modell kann es leicht zu Problemen bei der Überanpassung kommen. Große Modelle sollten immer gegenseitig validiert werden, und JMP Pro führt dies durch Datenpartitionierung oder Holdback durch. Die Aufteilung der Daten in Trainings-, Validierungs- und Testdatensätze wird seit langem verwendet, um eine Überanpassung zu vermeiden und sicherzustellen, dass die von Ihnen erstellten Modelle nicht von den Eigenschaften der spezifischen Stichprobe abhängen, mit der sie erstellt wurden.
Der allgemeine Ansatz für die Kreuzvalidierung in JMP Pro besteht in der Verwendung einer Validierungsspalte. Sie können Ihre Daten mithilfe des Validierungsspalten-Dienstprogramms (entweder mit einer rein zufälligen Stichprobe oder einer geschichteten Zufallsstichprobe) einfach für verschiedene Zwecke in verschiedene Sätze aufteilen. Der Trainingssatz wird zum Erstellen der Modelle verwendet. Der Validierungssatz wird beim Modellieren verwendet, um die Auswahl des Modells zu erleichtern. Schließlich wird der Testsatz vollständig aus dem Modellierungsprozess herausgehalten und zur Bewertung der Qualität des Modells (der Modelle) verwendet. Für kleinere Datensätze kann auch eine k-fache Kreuzvalidierung verwendet werden.
Mithilfe der Kreuzvalidierungstechnik können Sie Modelle erstellen, die sich gut auf die Daten von morgen übertragen lassen - über neue Kunden, neue Prozesse oder neue Risiken -, sodass Sie datengesteuerte Rückschlüsse auf die Zukunft ziehen können.
Und obwohl all dies wahr ist, können Beobachtungsdaten Sie nur so weit bringen. Um Ursache und Wirkung wirklich zu verstehen, möchten Sie möglicherweise häufig die Versuchsplanung (DOE) anwenden. JMP bietet erstklassige Tools für eine optimale DOE in einer Form, die Sie problemlos verwenden können.
Modellvergleich
In der realen Welt passen einige Arten von Modellen in bestimmten Situationen gut, in anderen jedoch schlecht. Mit JMP Pro gibt es viele Möglichkeiten, um zu passen, und Sie müssen herausfinden, welche in einer bestimmten Situation am besten geeignet ist. Ein typischer Ansatz für die Modellbildung besteht darin, dass Sie viele verschiedene Modelle ausprobieren: Modelle mit mehr oder weniger Komplexität, Modelle mit oder ohne bestimmte Faktoren / Prädiktoren, Modelle, die mit verschiedenen Arten von Modellierungsmethoden erstellt wurden, oder sogar Durchschnittswerte mehrerer Modelle (Ensemblemodelle).
Jedes dieser Modelle verfügt über gemeinsame Qualitätsmaßstäbe, anhand derer das Modell bewertet werden kann: R. 2 , Fehlklassifizierungsrate, ROC-Kurven, AUC, Auftriebskurven usw.
Mithilfe des Modellvergleichs in JMP Pro können Sie alle gespeicherten Vorhersagespalten aus verschiedenen Anpassungen vergleichen und die beste Kombination aus Anpassungsgüte, Sparsamkeit und Kreuzvalidierung auswählen. JMP Pro führt diesen Vergleich automatisch durch. Gleichzeitig können Sie mit visuellen Modellprofilern interagieren, um zu sehen, welche wichtigen Faktoren jedes Modell erfasst. Der Modellvergleich in JMP Pro erleichtert das gleichzeitige Vergleichen mehrerer Modelle und bei Bedarf auch die einfache Modellmittelung.
Moderne Modellierung
Die generalisierte Regression ist eine Klasse neuer Modellierungstechniken, die sich gut zum Erstellen besserer Modelle eignen, selbst bei herausfordernden Daten. Es passt zu verallgemeinerten linearen Modellen unter Verwendung von regulierten oder bestraften Regressionsmethoden.
Standardschätzungstechniken brechen zusammen, wenn Sie Prädiktoren haben, die stark korreliert sind oder mehr Prädiktoren als Beobachtungen. Und wenn es viele korrelierte Prädiktoren gibt (wie dies häufig bei Beobachtungsdaten der Fall ist), können schrittweise Regressionen oder andere Standardtechniken zu unbefriedigenden Ergebnissen führen. Solche Modelle sind häufig überangepasst und lassen sich nur schlecht auf neue Daten übertragen. Aber wie entscheiden Sie, welche Variablen vor dem Modellieren ausgewählt werden sollen - oder, schlimmer noch, wie viel Zeit verlieren Sie bei der manuellen Vorverarbeitung von Datensätzen zur Vorbereitung der Modellierung?
Die Persönlichkeit der generalisierten Regression im Fit-Modell ist ein umfassender Ansatz für die Durchführung der Regression. Es ist ein vollständiges Modellierungsframework von der Variablenauswahl über die Modelldiagnose bis hin zu LS-Vergleichen, inversen Vorhersagen und Profilen. Und es ist nur in JMP Pro.
Die Regularisierungstechniken, die innerhalb der Persönlichkeit der generalisierten Regression verfügbar sind, umfassen Ridge, Lasso, adaptives Lasso, elastisches Netz und das adaptive elastische Netz, um X besser identifizieren zu können, die möglicherweise erklärende Kraft haben. Die Nutzung dieser Techniken ist so einfach wie bei jeder anderen Modellierungspersönlichkeit in Fit Model. Identifizieren Sie einfach Ihre Antwort, konstruieren Sie Modelleffekte und wählen Sie die gewünschte Schätz- und Validierungsmethode aus. JMP passt Ihre Daten automatisch an, führt gegebenenfalls eine Variablenauswahl durch und erstellt ein Vorhersagemodell, das auf neue Daten verallgemeinert werden kann. Sie können auch eine schrittweise Vorwärtsmethode verwenden, eine Quantilregression oder eine einfache Anpassung mit maximaler Wahrscheinlichkeit durchführen.
Schließlich bietet die allgemeine Regression Optionen zur Auswahl der geeigneten Verteilung für die Antwort, die Sie modellieren, sodass Sie unterschiedlichere Antworten wie Anzahl, Daten mit vielen Ausreißern oder verzerrte Daten modellieren können. Und wie bei allen erweiterten Modellierungsplattformen in JMP Pro haben Sie die Wahl zwischen Kreuzvalidierungstechniken.
Texterkundung
Bei der Bearbeitung verschiedener Datentypen liegen diese Daten manchmal in Textform vor, z. B. Details aus Anrufprotokollen des technischen Supports, technischen Notizen oder Kommentaren zu Umfrageantworten. Bisher war es schwierig, diese Textdaten sinnvoll zu organisieren. JMP Pro macht das Problem des Umgangs mit Textdaten schließlich zu einem Standardproblem bei der Datenanalyse. Wenn Sie über Textdaten verfügen und Vorhersagemodelle aus diesen Daten erstellen müssen oder wenn Sie eine multivariate Analyse mit Textdaten durchführen müssen, bietet die Text Explorer-Plattform hochgradig interaktive Optionen zum Organisieren und Aufdecken versteckter Ergebnisse in Ihren Textdaten. Mit dem Text Explorer können Sie ausführen latente Klassenanalyse, latente semantische Analyse, Themenanalyse sowie Clusterbegriffe und -dokumente . Mit den erweiterten Funktionen von JMP Pro ist die Textdatenanalyse wie jede andere Datenanalyse erreichbar.
Fortgeschrittene multivariate Techniken
JMP Pro enthält mehrere fortschrittliche Techniken zum Erstellen besserer Modelle bei Datenproblemen, die multivariate Anpassungsmethoden erfordern.
Teilweise kleinste Quadrate. Versuchen Sie, Daten zu modellieren, die breiter als hoch sind? Traditionelle Techniken funktionieren nicht, Partial Least Squares (PLS) jedoch. PLS ist eine leistungsstarke Modellierungstechnik, die Sie in Ihrer Toolbox haben sollten, insbesondere wenn Sie mehr X-Variablen als Beobachtungen, stark korrelierte X-Variablen, eine große Anzahl von X-Variablen oder mehrere Y-Variablen und viele X-Variablen haben. All dies sind Situationen, in denen gewöhnliche kleinste Quadrate zu unbefriedigenden Ergebnissen führen würden.
Die PLS-Modellierung passt zu linearen Modellen, die auf Faktoren basieren, nämlich linearen Kombinationen von erklärenden Variablen (den X). Die Faktoren werden auf eine Weise erhalten, die versucht, die Kovarianz zwischen den X und der Antwort oder den Antworten (den Ys) zu maximieren. In JMP Pro können Sie PLS-Modelle mit kontinuierlichen oder kategorialen Antworten (PLS-DA) erstellen, Krümmungsterme oder Interaktionseffekte angeben und eine Imputation fehlender Werte durchführen.
Variables Clustering. Wenn eine große Anzahl von Variablen zur Vorhersage eines Ergebnisses angezeigt wird, möchten Sie möglicherweise die Anzahl der Variablen auf irgendeine Weise reduzieren, um die Lösung des Vorhersageproblems zu vereinfachen. Eine mögliche Technik zur Dimensionsreduzierung ist die bekannte Methode der Hauptkomponentenanalyse (PCA). Die aus PCA resultierenden Variablen können jedoch schwer zu interpretieren sein. Eine alternative Strategie besteht darin, in JMP Pro Variablencluster zu verwenden, um zu verstehen, ob Ihre Antworten in Cluster gruppiert sind, und um zu bestimmen, wie viele Cluster die Antworten enthalten. Durch Auswahl eines Clusters im Bericht wird automatisch die repräsentativste Spalte des Clusters in der Datentabelle ausgewählt, wodurch es viel schneller und einfacher wird, Modellbegriffe anzugeben oder eine Dimensionsreduzierung durchzuführen.
Zuverlässigkeitsblockdiagramm
Oft müssen Sie die Zuverlässigkeit eines komplexeren Analysesystems analysieren - beispielsweise eines RAID-Speicherarrays mit mehreren Festplatten oder eines Flugzeugs mit vier Triebwerken. Mit JMP verfügen Sie über zahlreiche Tools, um die Zuverlässigkeit einzelner Komponenten in diesen Systemen zu analysieren. Mit JMP Pro können Sie jedoch die Zuverlässigkeit einzelner Komponenten nutzen, ein komplexes System aus mehreren Komponenten erstellen und die Zuverlässigkeit eines gesamten Systems mit der Reliability Block Diagram-Plattform analysieren.
Mit dieser Plattform können Sie die Zuverlässigkeit des gesamten Systems besser vorhersagen und die erwartete Leistung basierend auf der aktuellen Leistung einzelner Komponenten ermitteln. Sie können problemlos Was-wäre-wenn-Analysen durchführen, indem Sie verschiedene Designs betrachten und Diagramme über mehrere Systemdesigns hinweg vergleichen. Sie können auch die besten Stellen ermitteln, an denen Redundanz hinzugefügt und die Wahrscheinlichkeit eines Systemausfalls verringert werden kann. Mithilfe des Zuverlässigkeitsblockdiagramms können Sie Schwachstellen in Ihrem System einfach entwerfen und beheben - und besser informiert sein, um zukünftige Systemausfälle zu vermeiden.
Arrays abdecken
Abdeckungsarrays werden in Testanwendungen verwendet, bei denen Faktorwechselwirkungen zu Fehlern führen können. Jeder Versuchslauf kann kostspielig sein. Daher müssen Sie ein Experiment entwerfen, um die Wahrscheinlichkeit des Auffindens von Fehlern zu maximieren und gleichzeitig Kosten und Zeit zu minimieren. Mit Covering Arrays können Sie genau das tun. Mit JMP Pro können Sie ein Experiment entwerfen, um deterministische Systeme zu testen und alle möglichen Kombinationen von Faktoren bis zu einer bestimmten Reihenfolge von Interaktionen abzudecken.
Und wenn es Kombinationen von Faktoren gibt, die unplausible Bedingungen schaffen, können Sie den interaktiven Filter Nicht zugelassene Kombinationen verwenden, um diese Kombinationen von Faktoreinstellungen automatisch vom Entwurf auszuschließen.
Einer der großen Vorteile der Abdeckung von Arrays in JMP Pro besteht darin, dass JMP Pro ein statistisches Analysetool ist und nicht nur ein Entwurfswerkzeug für abdeckende Arrays. In JMP Pro können Sie alle Arten von statistischen Analysen durchführen. Beispielsweise gibt es derzeit keine andere Software zur Abdeckung des Arrays-Designs, mit der Sie Ihre Daten auch mithilfe einer allgemeinen Regression analysieren können. Dies ist ein großer Vorteil von JMP Pro gegenüber anderen Design-Tools für abdeckende Arrays.
JMP Pro ist nicht nur ein Design-Tool. Außerdem können Sie jedes von jeder Software generierte Covering-Array-Design importieren, weiter optimieren und die Ergebnisse analysieren. Sie können die Arrays selbst entwerfen, ohne sich auf andere verlassen zu müssen, um Experimente für Sie zu erstellen. Testen Sie intelligenter mit abdeckenden Arrays in JMP Pro.
Gemischte Modelle
Mit gemischten Modellen können Sie Daten analysieren, die sowohl Zeit als auch Raum betreffen. Beispielsweise können Sie gemischte Modelle in einem Studiendesign verwenden, bei dem mehrere Probanden während eines Arzneimittelversuchs mehrmals gemessen werden, oder in Crossover-Designs in der Pharma-, Fertigungs- oder chemischen Industrie.
Mit JMP Pro können Sie gemischte Modelle an Ihre Daten anpassen und feste, zufällige und wiederholte Effekte festlegen. Gruppen von Variablen korrelieren; und richten Sie Motiv- und kontinuierliche Effekte ein - alles mit einer intuitiven Drag-and-Drop-Oberfläche.
Darüber hinaus können Sie jetzt die Kovarianzparameter für eine Vielzahl von Korrelationsstrukturen berechnen. Solche Beispiele umfassen wenn die experimentellen Einheiten, an denen die Daten gemessen werden, in Cluster gruppiert werden können und die Daten aus einem gemeinsamen Cluster korreliert werden. Ein anderes Beispiel ist, wenn wiederholte Messungen an derselben experimentellen Einheit durchgeführt werden und diese wiederholten Messungen korreliert sind oder eine Variabilität aufweisen, die sich ändert.
Es ist auch einfach visuell zu bestimmen, welche räumliche Kovarianzstruktur für die Verwendung in Ihrer Modellspezifikation beim Erstellen gemischter Modelle in JMP Pro geeignet ist.
Modelle heben
Möglicherweise möchten Sie die Wirkung Ihres begrenzten Marketingbudgets maximieren, indem Sie Angebote nur an Personen senden, die wahrscheinlich positiv reagieren. Diese Aufgabe mag jedoch entmutigend erscheinen, insbesondere wenn Sie über große Datenmengen und viele mögliche Verhaltens- oder demografische Prädiktoren verfügen. Mit JMP Pro können Sie jedoch Auftriebsmodelle verwenden, um diese Vorhersage zu treffen. Diese Methode, die auch als inkrementelle Modellierung, True-Lift-Modellierung oder Netzmodellierung bezeichnet wird, wurde entwickelt, um Marketingentscheidungen zu optimieren, personalisierte Medizinprotokolle zu definieren oder allgemeiner Merkmale von Personen zu identifizieren, die wahrscheinlich auf bestimmte Maßnahmen reagieren.
Die Uplift-Modellierung in JMP Pro passt zu Partitionsmodellen, die Teilungen finden, um einen Behandlungsunterschied zu maximieren. Die Models Hilfe bei der Identifizierung von Personengruppen, die am wahrscheinlichsten positiv auf eine Aktion reagieren; Sie tragen dazu bei, effiziente und zielgerichtete Entscheidungen zu treffen, die die Ressourcenzuweisung und die Auswirkungen auf den Einzelnen optimieren.
Erweiterte Rechenstatistik
JMP Pro enthält exakte statistische Tests für Kontingenztabellen und exakte nichtparametrische statistische Tests für Einweg-ANOVA. Außerdem enthält JMP Pro in den meisten JMP-Berichten eine allgemeine Methode zum Booten von Statistiken.
Das Bootstrapping nähert sich der Stichprobenverteilung einer Statistik an. JMP Pro ist das einzige statistische Softwarepaket, mit dem Sie eine Statistik booten können, ohne eine einzige Codezeile schreiben zu müssen. Ein-Klick-Bootstrapping bedeutet, dass Sie nur einen Klick davon entfernt sind, eine beliebige Menge in einem JMP-Bericht zu booten.
Diese Technik ist nützlich, wenn Lehrbuchannahmen in Frage gestellt werden oder nicht existieren. Versuchen Sie beispielsweise, Bootstrapping-Techniken auf nichtlineare Modellergebnisse anzuwenden, die verwendet werden, um Vorhersagen zu treffen oder Abdeckungsintervalle um Quantile zu bestimmen. Sie können Bootstrapping auch als alternative Methode verwenden, um die Unsicherheit in Vorhersagemodellen zu messen. Mit Bootstrapping können Sie das Vertrauen in Ihre Schätzungen mit weniger Annahmen beurteilen - und das Bootstrapping mit einem Klick in JMP Pro macht es einfach.
Stellen Sie eine Verbindung zum Reichtum von SAS her ®
Als eines der SAS-Angebote für Predictive Analytics und Data Mining stellt JMP Pro eine einfache Verbindung zu SAS her, erweitert die Optionen und bietet Zugriff auf die beispiellose Tiefe von SAS Analytics und Datenintegration. Mit oder ohne aktive SAS-Verbindung kann JMP Pro SAS-Code ausgeben, um mit in JMP integrierten Modellen schnell und einfach neue Daten zu erhalten.
Ergebnisse teilen und kommunizieren
Bei JMP ging es immer darum, diese Entdeckungen in Ihrem Unternehmen am besten zu kommunizieren. JMP Pro enthält alle visuellen und interaktiven Funktionen von JMP, sodass Ihre Daten auf eine Weise zugänglich sind, die Sie vielleicht noch nie erlebt haben. Durch dynamisch verknüpfte Daten, Grafiken und Statistiken erweckt JMP Pro Ihre Untersuchung in einem 3-D-Diagramm oder einem animierten Diagramm, das Änderungen im Zeitverlauf zeigt, zum Leben und generiert wertvolle neue Erkenntnisse, die sowohl den Modellbau als auch den Erklärungsprozess beeinflussen.
Betriebssystemrichtlinien
JMP Pro läuft unter Microsoft Windows und Mac OS. Es unterstützt sowohl 32- als auch 64-Bit-Systeme. Die vollständigen Systemanforderungen finden Sie unter jmp.com/system.
