USAGE INTERNE UNIQUEMENT: Ce document est à usage interne uniquement pour le moment.
Ceci est une mise à jour de JMP 12 Avez-vous besoin de JMP Pro? document pour JMP 13.
JMP Pro est la version analytique avancée de JMP, créée pour les utilisateurs expérimentés qui ont besoin de techniques de modélisation sophistiquées pour mieux anticiper l'avenir et bien planifier pour demain. Conçu pour les scientifiques et les ingénieurs, le logiciel d'analyse statistique JMP Pro de SAS offre toutes les capacités supérieures de visualisation, d'exploration, d'analyse et de communication interactives des données qui sont les caractéristiques de JMP.
De plus, JMP Pro offre une multitude de techniques sophistiquées: modélisation prédictive avec validation croisée utilisant un certain nombre de méthodes différentes, techniques de modélisation modernes, comparaison de modèles et fonctions de moyenne, techniques multivariées avancées, diagrammes de blocs de fiabilité, couvrant les tableaux, modèles mixtes, élévation modèles et méthodes avancées de statistiques computationnelles.
Si vous utilisez déjà JMP, vous serez heureux d'apprendre que toute cette puissance de feu statistique provient d'un environnement de bureau familier en mémoire. Et si vous débutez avec JMP, vous constaterez que JMP Pro vous permet de porter l'analyse des données à un tout autre niveau que vous le faites actuellement et de résoudre plus facilement les problèmes statistiques sophistiqués.
Plus important encore, JMP Pro vous aide à construire un récit et à communiquer de manière interactive les résultats de manière à ce que les autres puissent facilement comprendre et agir.
L'accès à toutes les analyses avancées avancées de JMP Pro supprime les obstacles à la découverte statistique et améliore votre capacité à découvrir plus d'indices dans vos données. Par conséquent, vous réalisez des percées plus rapidement, ce qui vous permet de devenir plus proactif et de mieux contrôler l'avenir.
Principales caractéristiques
Modélisation prédictive
Tout le monde peut faire un bon travail de description des performances de l'année dernière. Mais sans les bons outils et les techniques les plus modernes, construire un modèle pour prédire ce qui se passera avec de nouveaux clients, de nouveaux processus ou de nouveaux risques devient beaucoup plus difficile. JMP Pro comprend un riche ensemble d'algorithmes pour créer de meilleurs modèles de vos données. Les arbres de décision et les réseaux de neurones sont deux des techniques les plus utiles pour la modélisation prédictive.
La plate-forme de partition de JMP Pro automatise le processus de construction d'arbres avec des méthodes modernes. La forêt bootstrap, une technique de forêt aléatoire, fait pousser des dizaines d'arbres de décision en utilisant des sous-ensembles aléatoires des données disponibles et fait la moyenne de l'influence calculée de chaque facteur dans ces arbres. La technique des arbres boostés construit de nombreux arbres simples, ajustant à plusieurs reprises toute variation résiduelle d'un arbre au suivant. La plate-forme de partition dans JMP Pro convient également aux modèles K les plus proches voisins (K-NN). L'utilisation de ces méthodes vous permet de créer des modèles qui prédisent mieux que de simples modèles d'arbre de décision.
La plate-forme Neural avancée de JMP Pro vous permet de créer des réseaux neuronaux à une ou deux couches avec votre choix de trois fonctions d'activation et la construction automatique de modèle à l'aide de l'augmentation de gradient. Cette plate-forme gère automatiquement les valeurs manquantes et la transformation des X continus, ce qui économise du temps et des efforts. En outre, il comprend des options de montage robustes.
Les plates-formes Partition et Neural de JMP Pro tirent parti de l'utilisation de la validation croisée. L'avantage de la validation est décrit dans la section suivante. De plus, la régression pas à pas, la régression logistique (nominale et ordinale) et l'analyse discriminante dans JMP Pro peuvent tirer parti de l'utilisation d'une colonne de validation vous permettant d'utiliser ces méthodes de modélisation dans votre flux de travail de modélisation prédictive.
Validation croisée
Pour une modélisation prédictive efficace, vous avez besoin de moyens solides pour valider votre modèle, et avec un grand modèle, vous pouvez facilement avoir des problèmes de sur-ajustement. Les grands modèles doivent toujours être validés de manière croisée, et JMP Pro le fait via le partitionnement des données ou la retenue. La division des données en ensembles de données de formation, de validation et de test a longtemps été utilisée pour éviter un sur-ajustement, garantissant que les modèles que vous créez ne dépendent pas des propriétés de l'échantillon spécifique utilisé pour les construire.
L'approche générale de la validation croisée dans JMP Pro consiste à utiliser une colonne de validation. Vous pouvez facilement diviser vos données en différents ensembles à différentes fins en utilisant l'utilitaire de colonne de validation (avec un échantillon purement aléatoire ou aléatoire stratifié). L'ensemble de formation est utilisé pour construire le (s) modèle (s), l'ensemble de validation est utilisé dans le processus de création de modèle pour aider à choisir la complexité du modèle. Enfin, l'ensemble de test est complètement exclu du processus de construction de modèles et utilisé pour évaluer la qualité du ou des modèles. Pour les petits ensembles de données, une validation croisée k-fold peut également être utilisée.
La technique de validation croisée vous aide à construire des modèles qui se généralisent bien aux données de demain - sur les nouveaux clients, les nouveaux processus ou les nouveaux risques - afin que vous puissiez faire des inférences basées sur les données sur l'avenir.
Et bien que tout cela soit vrai, les données d'observation ne peuvent vous emmener jusqu'ici. Pour vraiment comprendre les causes et les effets, vous souhaiterez peut-être souvent recourir à la conception d'expériences (DOE). JMP fournit des outils de classe mondiale pour un DOE optimal sous une forme que vous pouvez facilement utiliser.
Comparaison de modèles
Dans le monde réel, certains types de modèles s’adaptent bien dans certaines situations mais s’adaptent mal dans d’autres. Avec JMP Pro, il existe de nombreuses façons de s'adapter, et vous devez savoir laquelle est la plus appropriée dans une situation donnée. Une approche typique de la construction de modèles consiste à essayer de nombreux modèles différents: modèles avec plus ou moins de complexité, modèles avec ou sans certains facteurs / prédicteurs, modèles construits en utilisant différents types de méthodes de modélisation ou même des moyennes de plusieurs modèles (modèles d'ensemble).
Chacun de ces modèles aura des mesures de qualité communes qui peuvent être utilisées pour évaluer le modèle: R 2 , taux de classification erronée, courbes ROC, AUC, courbes de portance, etc.
En utilisant la comparaison de modèles dans JMP Pro, vous pouvez comparer toutes les colonnes de prédiction enregistrées à partir de divers ajustements et choisir la meilleure combinaison de qualité d'ajustement, de parcimonie et de validation croisée. JMP Pro effectue cette comparaison automatiquement. Dans le même temps, vous pouvez interagir avec les profileurs de modèles visuels pour voir quels facteurs importants chaque modèle détecte. La comparaison de modèles dans JMP Pro permet de comparer facilement plusieurs modèles en même temps, et également de faire une moyenne simple des modèles, si vous le souhaitez.
Modélisation moderne
La régression généralisée est une classe de nouvelles techniques de modélisation bien adaptées à la construction de meilleurs modèles, même avec des données difficiles. Il s'adapte aux modèles linéaires généralisés utilisant des méthodes de régression régularisées ou pénalisées.
Les techniques d'estimation standard tombent en panne lorsque vous avez des prédicteurs fortement corrélés ou davantage de prédicteurs que les observations. Et lorsqu'il existe de nombreux prédicteurs corrélés (comme c'est souvent le cas dans les données d'observation), une régression pas à pas ou d'autres techniques standard peuvent donner des résultats insatisfaisants. Ces modèles sont souvent trop adaptés et se généralisent mal aux nouvelles données. Mais comment décidez-vous des variables à éliminer avant la modélisation - ou pire, combien de temps perdez-vous le prétraitement manuel des ensembles de données en préparation de la modélisation?
La personnalité de régression généralisée dans Fit Model est une approche globale de la régression. Il s'agit d'un cadre de modélisation complet, de la sélection des variables au diagnostic de modèle, en passant par les comparaisons LS, la prédiction inverse et le profilage. Et ce n'est que dans JMP Pro.
Les techniques de régularisation disponibles au sein de la personnalité de régression généralisée comprennent Ridge, Lasso, Lasso adaptatif, Elastic Net et le Elastic Net adaptatif pour aider à mieux identifier les X qui peuvent avoir un pouvoir explicatif. Exploiter ces techniques est aussi simple que toute autre personnalité de modélisation dans Fit Model - identifiez simplement votre réponse, construisez les effets du modèle et choisissez la méthode d'estimation et de validation souhaitée. JMP ajuste automatiquement vos données, effectue la sélection des variables le cas échéant et crée un modèle prédictif qui peut être généralisé à de nouvelles données. Vous pouvez également utiliser une technique avancée pas à pas, effectuer une régression quantile ou un ajustement simple en utilisant le maximum de vraisemblance.
Enfin, la régression généralisée offre des options pour choisir la distribution appropriée pour la réponse que vous modélisez, vous permettant de modéliser des réponses plus diverses telles que les nombres, les données avec de nombreuses valeurs aberrantes ou les données asymétriques. Et comme toutes les plates-formes de modélisation avancées de JMP Pro, vous avez le choix des techniques de validation croisée.
Exploration de texte
Lorsque vous abordez différents types de données, ces données sont parfois sous forme de texte, telles que des détails provenant des journaux d'appels du support technique, des notes d'ingénierie ou des commentaires de réponse à l'enquête. Auparavant, ces données textuelles étaient difficiles à organiser de manière significative. JMP Pro transforme enfin le problème du traitement des données texte en un problème d'analyse de données standard. Si vous avez des données texte et que vous devez créer des modèles prédictifs à partir de ces données, ou si vous devez effectuer une analyse multivariée avec des données texte, la plateforme Text Explorer fournit des options hautement interactives pour organiser et révéler les résultats cachés dans vos données texte. Avec Text Explorer, vous pouvez effectuer analyse de classe latente, analyse sémantique latente, analyse de sujet et termes et documents de cluster . Avec les capacités améliorées de JMP Pro, l'analyse des données de texte devient réalisable, comme toute autre analyse de données.
Techniques multivariées avancées
JMP Pro comprend plusieurs techniques avancées pour créer de meilleurs modèles face à des problèmes de données qui nécessitent des méthodes d'ajustement multivariées.
Moindres carrés partiels. Essayez-vous de modéliser des données plus larges que hautes? Les techniques traditionnelles ne fonctionneront pas, mais les moindres carrés partiels (PLS) le font. PLS est une technique de modélisation puissante à avoir dans votre boîte à outils, en particulier lorsque vous avez plus de variables X que d'observations, de variables X hautement corrélées, d'un grand nombre de variables X ou de plusieurs variables Y et de nombreuses variables X. Ce sont toutes des situations où les moindres carrés ordinaires produiraient des résultats insatisfaisants.
La modélisation PLS s'adapte aux modèles linéaires basés sur des facteurs, à savoir des combinaisons linéaires de variables explicatives (les X). Les facteurs sont obtenus d'une manière qui tente de maximiser la covariance entre les X et la ou les réponses (les Y). Dans JMP Pro, vous pouvez créer des modèles PLS avec des réponses continues ou catégorielles (PLS-DA), spécifier des termes de courbure ou des effets d'interaction et effectuer une imputation de valeur manquante.
Clustering variable. Lorsqu'il est présenté avec un grand nombre de variables pour prédire un résultat, vous souhaiterez peut-être réduire le nombre de variables d'une manière ou d'une autre pour rendre le problème de prédiction plus facile à résoudre. Une technique de réduction de dimension possible est la méthode bien connue de l'analyse des composants principaux (ACP). Cependant, les variables résultant de l'ACP peuvent être difficiles à interpréter. Une autre stratégie consiste à utiliser le clustering variable dans JMP Pro pour vous aider à comprendre si vos réponses sont regroupées en clusters et à déterminer le nombre de clusters que contiennent les réponses. La sélection d'un cluster dans le rapport sélectionne automatiquement la colonne la plus représentative du cluster dans le tableau de données, ce qui permet de spécifier les termes du modèle beaucoup plus rapidement et plus facilement ou d'effectuer une réduction de dimension.
Schéma fonctionnel de fiabilité
Souvent, vous êtes confronté à l'analyse de la fiabilité d'un système analytique plus complexe - une matrice de stockage RAID avec plusieurs disques durs, ou un avion avec quatre moteurs, par exemple. Avec JMP, vous disposez de nombreux outils pour analyser la fiabilité de composants uniques au sein de ces systèmes. Mais avec JMP Pro, vous pouvez profiter de la fiabilité de composants uniques, créer un système complexe de plusieurs composants et analyser la fiabilité d'un système entier avec la plate-forme de diagramme de fiabilité.
Cette plate-forme vous permet de mieux prévoir la fiabilité de l'ensemble du système et de déterminer les performances attendues en fonction des performances actuelles des composants individuels. Vous pouvez facilement effectuer des analyses de simulation en examinant différentes conceptions et en comparant les tracés sur plusieurs conceptions de système. Vous pouvez également déterminer les meilleurs emplacements pour ajouter de la redondance et réduire la probabilité de défaillance du système. En utilisant le diagramme de fiabilité, vous pouvez facilement concevoir et corriger les points faibles de votre système - et être mieux informé pour éviter de futures défaillances du système.
Tableaux de couverture
Les tableaux de couverture sont utilisés dans les applications de test où les interactions de facteurs peuvent entraîner des défaillances. Chaque essai expérimental peut être coûteux. Par conséquent, vous devez concevoir une expérience pour maximiser la probabilité de trouver des défauts tout en minimisant le coût et le temps. Couvrir les tableaux vous permet de faire exactement cela. JMP Pro vous permet de concevoir une expérience pour tester des systèmes déterministes et couvrir toutes les combinaisons possibles de facteurs jusqu'à un certain ordre d'interactions.
Et lorsqu'il existe des combinaisons de facteurs qui créent des conditions invraisemblables, vous pouvez utiliser le filtre interactif Combinaisons interdites pour exclure automatiquement ces combinaisons de paramètres de facteur de la conception.
L'un des avantages énormes de la couverture de tableaux dans JMP Pro est que JMP Pro est un outil d'analyse statistique, pas seulement un outil de conception de tableaux de couverture. Vous pouvez effectuer toutes sortes d'analyses statistiques dans JMP Pro. Par exemple, il n'existe actuellement aucun autre logiciel pour couvrir la conception de tableaux qui vous permet également d'analyser vos données à l'aide d'une régression généralisée. C'est un énorme avantage de JMP Pro par rapport aux autres outils de conception de baies de couverture.
JMP Pro n'est pas simplement un outil de conception; il vous permet également d'importer n'importe quelle conception de réseau de couvertures - générée par n'importe quel logiciel - et de l'optimiser davantage et d'analyser les résultats. Vous pouvez concevoir les tableaux vous-même sans avoir à compter sur d'autres pour créer des expériences pour vous. Testez plus intelligemment avec des tableaux de couverture dans JMP Pro.
Modèles mixtes
Les modèles mixtes vous permettent d'analyser des données impliquant à la fois du temps et de l'espace. Par exemple, vous pouvez utiliser des modèles mixtes dans une conception d'étude où plusieurs sujets sont mesurés à plusieurs reprises au cours d'un essai de médicament, ou dans des conceptions croisées dans les industries pharmaceutique, manufacturière ou chimique.
JMP Pro vous permet d'adapter des modèles mixtes à vos données, vous permettant de spécifier des effets fixes, aléatoires et répétés; corréler des groupes de variables; et configurer des effets de sujet et continus - le tout avec une interface intuitive de glisser-déposer.
De plus, vous pouvez désormais calculer les paramètres de covariance pour une grande variété de structures de corrélation. Ces exemples incluent lorsque les unités expérimentales sur lesquelles les données sont mesurées peuvent être regroupées en grappes et que les données d'une grappe commune sont corrélées. Un autre exemple est lorsque des mesures répétées sont prises sur la même unité expérimentale et que ces mesures répétées sont corrélées ou présentent une variabilité qui change.
Il est également facile de déterminer visuellement la structure de covariance spatiale, le cas échéant, à utiliser dans vos spécifications de modèle lors de la création de modèles mixtes dans JMP Pro.
Modèles Uplift
Vous souhaiterez peut-être maximiser l'impact de votre budget marketing limité en envoyant des offres uniquement aux personnes susceptibles de répondre favorablement. Mais cette tâche peut sembler décourageante, surtout lorsque vous disposez de grands ensembles de données et de nombreux prédicteurs comportementaux ou démographiques possibles. Cependant, avec JMP Pro, vous pouvez utiliser des modèles de surélévation pour effectuer cette prédiction. Également connue sous le nom de modélisation incrémentale, vraie modélisation de l'ascenseur ou modélisation nette, cette méthode a été développée pour aider à optimiser les décisions marketing, définir des protocoles de médecine personnalisés ou, plus généralement, identifier les caractéristiques des individus susceptibles de répondre à une action.
La modélisation Uplift dans JMP Pro s'adapte aux modèles de partition qui trouvent des divisions pour maximiser une différence de traitement. Les modèles aider à identifier les groupes de personnes les plus susceptibles de répondre favorablement à une action; ils aident à conduire à des décisions efficaces et ciblées qui optimisent l'allocation des ressources et l'impact sur l'individu.
Statistiques de calcul avancées
JMP Pro comprend des tests statistiques exacts pour les tableaux de contingence et des tests statistiques non paramétriques exacts pour l'ANOVA unidirectionnelle. De plus, JMP Pro inclut une méthode générale de démarrage des statistiques dans la plupart des rapports JMP.
Le bootstrap se rapproche de la distribution d'échantillonnage d'une statistique. JMP Pro est le seul progiciel statistique qui vous permet d'amorcer une statistique sans écrire une seule ligne de code. L'amorçage en un clic signifie que vous n'êtes qu'à un clic de pouvoir démarrer n'importe quelle quantité dans un rapport JMP.
Cette technique est utile lorsque les hypothèses du manuel sont en question ou n'existent pas. Par exemple, essayez d'appliquer des techniques d'amorçage aux résultats de modèles non linéaires qui sont utilisés pour faire des prédictions ou déterminer des intervalles de couverture autour des quantiles. Vous pouvez également utiliser le bootstrap comme moyen alternatif pour évaluer l'incertitude dans les modèles prédictifs. L'amorçage vous permet d'évaluer la confiance dans vos estimations avec moins d'hypothèses - et l'amorçage en un clic dans JMP Pro vous facilite la tâche.
Connectez-vous à la richesse de SAS ®
En tant qu'offre SAS pour l'analyse prédictive et l'exploration de données, JMP Pro se connecte facilement à SAS, élargissant les options et donnant accès à la profondeur inégalée de SAS Analytics et de l'intégration de données. Avec ou sans connexion SAS active, JMP Pro peut sortir du code SAS pour évaluer rapidement et facilement de nouvelles données avec des modèles intégrés à JMP.
Partager et communiquer les résultats
JMP a toujours cherché à découvrir et à trouver le meilleur moyen de communiquer ces découvertes à travers votre organisation. JMP Pro comprend toutes les fonctionnalités visuelles et interactives de JMP, rendant vos données accessibles d'une manière que vous n'auriez peut-être jamais connue. Grâce à des données, des graphiques et des statistiques liés dynamiquement, JMP Pro donne vie à votre enquête dans un graphique 3D ou un graphique animé montrant les changements au fil du temps, générant de nouvelles informations précieuses qui informent à la fois le processus de construction de modèles et d'explication.
Consignes relatives au système d'exploitation
JMP Pro fonctionne sur Microsoft Windows et Mac OS. Il inclut la prise en charge des systèmes 32 et 64 bits. Voir jmp.com/system pour la configuration système complète.
