SOLO PER USO INTERNO: questo documento è solo per uso interno in questo momento.
Questo è un aggiornamento di JMP 12 Hai bisogno di JMP Pro? documento per JMP 13.
JMP Pro è la versione di analisi avanzata di JMP, creata per utenti esperti che necessitano di sofisticate tecniche di modellazione per anticipare meglio il futuro e pianificare bene il futuro. Costruito pensando a scienziati e ingegneri, il software di analisi statistica JMP Pro di SAS offre tutte le funzionalità superiori per la visualizzazione interattiva dei dati, l'esplorazione, l'analisi e la comunicazione che sono le caratteristiche distintive di JMP.
Inoltre, JMP Pro offre una moltitudine di tecniche sofisticate: modellazione predittiva con convalida incrociata utilizzando una serie di metodi diversi, tecniche di modellazione moderne, confronto dei modelli e funzionalità di media, tecniche multivariate avanzate, diagrammi a blocchi di affidabilità, array di copertura, modelli misti, elevazione modelli e metodi avanzati di statistica computazionale.
Se usi già JMP, sarai felice di apprendere che tutta questa potenza di fuoco statistica arriva in un ambiente desktop in memoria familiare. E se non conosci JMP, scoprirai che JMP Pro ti consente di portare l'analisi dei dati a un livello completamente nuovo rispetto a quello che sei ora e di affrontare più facilmente problemi statistici sofisticati.
Ancora più importante, JMP Pro ti aiuta a costruire una narrazione e comunicare in modo interattivo i risultati in modo che altri possano facilmente comprendere e agire.
Avere accesso a tutte le ricche analisi avanzate di JMP Pro elimina i blocchi alla scoperta statistica e migliora la tua capacità di scoprire ulteriori indizi nei tuoi dati. Pertanto, fai progressi più rapidamente, consentendoti di diventare più proattivo e assumere un maggiore controllo del futuro.
Funzionalità chiave
Modellazione predittiva
Chiunque può fare un buon lavoro nel descrivere la performance dell'anno scorso. Ma senza gli strumenti giusti e le tecniche più moderne, costruire un modello per prevedere cosa accadrà con nuovi clienti, nuovi processi o nuovi rischi diventa molto più difficile. JMP Pro include un ricco set di algoritmi per creare modelli migliori dei tuoi dati. Due delle tecniche più utili per la modellazione predittiva sono gli alberi decisionali e le reti neurali.
La piattaforma di partizione in JMP Pro automatizza il processo di creazione degli alberi con metodi moderni. La foresta bootstrap, una tecnica a foresta casuale, fa crescere dozzine di alberi decisionali usando sottoinsiemi casuali dei dati disponibili e calcola in media l'influenza calcolata di ciascun fattore in questi alberi. La tecnica dell'albero potenziato costruisce molti alberi semplici, adattando ripetutamente qualsiasi variazione residua da un albero all'altro. La piattaforma di partizione in JMP Pro si adatta anche ai modelli K vicini più vicini (K-NN). L'utilizzo di questi metodi consente di creare modelli che prevedono meglio dei semplici modelli di alberi decisionali.
L'avanzata piattaforma Neural in JMP Pro ti consente di costruire reti neurali a uno o due strati con la tua scelta di tre funzioni di attivazione e la costruzione automatica del modello usando il potenziamento del gradiente. Questa piattaforma gestisce automaticamente i valori mancanti e la trasformazione delle X continue, risparmiando tempo e fatica. Inoltre, include robuste opzioni di montaggio.
Entrambe le piattaforme Partition e Neural in JMP Pro sfruttano l'utilizzo della validazione incrociata. Il vantaggio della convalida è descritto nella sezione successiva. Inoltre, la regressione graduale, la regressione logistica (sia nominale che ordinale) e l'analisi discriminante in JMP Pro possono trarre vantaggio dall'utilizzo di una colonna di convalida che consente di utilizzare questi metodi di modellazione nel flusso di lavoro di modellazione predittiva.
Convalida incrociata
Per un'efficace modellazione predittiva, sono necessari modi validi per convalidare il modello e, con un modello di grandi dimensioni, è possibile che si verifichino problemi di over-fitting. I modelli di grandi dimensioni devono sempre essere validati in modo incrociato e JMP Pro lo fa attraverso il partizionamento dei dati o il holdback. La suddivisione dei dati in set di dati di addestramento, convalida e test è stata a lungo utilizzata per evitare un adattamento eccessivo, garantendo che i modelli creati non dipendano dalle proprietà del campione specifico utilizzato per costruirli.
L'approccio generale alla convalida incrociata in JMP Pro consiste nell'utilizzare una colonna di convalida. È possibile dividere facilmente i dati in set diversi per scopi diversi utilizzando l'utilità della colonna di convalida (con un campione puramente casuale o casuale stratificato). Il set di formazione viene utilizzato per costruire il modello oi modelli, il set di convalida viene utilizzato nel processo di creazione del modello per aiutare a scegliere la complessità del modello. Infine, il set di test viene completamente eliminato dal processo di costruzione del modello e utilizzato per valutare la qualità dei modelli. Per set di dati più piccoli, è possibile utilizzare anche la convalida incrociata k-fold.
La tecnica di convalida incrociata ti aiuta a costruire modelli che generalizzano bene i dati di domani - su nuovi clienti, nuovi processi o nuovi rischi - in modo da poter fare inferenze basate sui dati sul futuro.
E mentre tutto ciò è vero, i dati osservativi possono portarti solo così lontano. Per comprendere veramente causa ed effetto, molte volte potresti voler utilizzare la progettazione di esperimenti (DOE). JMP offre strumenti di livello mondiale per DOE ottimale in una forma che puoi facilmente usare.
Confronto tra modelli
Nel mondo reale, alcuni tipi di modelli si adattano bene in determinate situazioni, ma si adattano male in altri. Con JMP Pro, ci sono molti modi per adattarsi e devi scoprire quale è il più appropriato in una determinata situazione. Un approccio tipico alla costruzione di modelli è che proverai molti modelli diversi: modelli con più o meno complessità, modelli con o senza determinati fattori / predittori, modelli costruiti utilizzando diversi tipi di metodi di modellazione o persino medie di più modelli (modelli di ensemble).
Ognuno di questi modelli avrà misure di qualità comuni che possono essere utilizzate per valutare il modello: R 2 , tasso di classificazione errata, curve ROC, AUC, curve di sollevamento, ecc.
Utilizzando il confronto dei modelli in JMP Pro, è possibile confrontare tutte le colonne di previsione salvate da vari accoppiamenti e scegliere la migliore combinazione di bontà di adattamento, parsimonia e convalida incrociata. JMP Pro effettua automaticamente questo confronto. Allo stesso tempo, è possibile interagire con i profiler dei modelli visivi per vedere quali fattori importanti sta rilevando ciascun modello. Il confronto dei modelli in JMP Pro semplifica il confronto di più modelli contemporaneamente e, se lo si desidera, anche la media semplice dei modelli.
Modellazione moderna
La regressione generalizzata è una classe di nuove tecniche di modellazione che ben si adattano alla costruzione di modelli migliori, anche con dati difficili. Si adatta a modelli lineari generalizzati che utilizzano metodi di regressione regolarizzati o penalizzati.
Le tecniche di stima standard si interrompono quando si hanno predittori fortemente correlati o più predittori delle osservazioni. E quando ci sono molti predittori correlati (come spesso accade nei dati osservativi), la regressione graduale o altre tecniche standard possono produrre risultati insoddisfacenti. Tali modelli sono spesso troppo adatti e generalizzano male ai nuovi dati. Ma come decidete quali variabili eliminare prima della modellazione - o, peggio ancora, quanto tempo perdete i set di dati di preelaborazione manuale in preparazione alla modellazione?
La personalità della regressione generalizzata nel modello adatto è un approccio tutto compreso per fare la regressione. È un framework di modellazione completo dalla selezione delle variabili alla diagnostica dei modelli fino a LS: confronti, previsione inversa e profilazione. Ed è solo in JMP Pro.
Le tecniche di regolarizzazione disponibili all'interno della personalità della regressione generalizzata includono Ridge, Lazo, Lazo adattivo, Rete elastica e Rete elastica adattiva per aiutare a identificare meglio le X che possono avere potere esplicativo. Sfruttare queste tecniche è facile come qualsiasi altra personalità di modellazione in Fit Model: basta identificare la tua risposta, costruire effetti del modello e scegliere il metodo di stima e validazione desiderato. JMP si adatta automaticamente ai tuoi dati, esegue la selezione delle variabili quando appropriato e crea un modello predittivo che può essere generalizzato a nuovi dati. È inoltre possibile utilizzare una tecnica stepwise in avanti, eseguire la regressione quantile o adattamento semplice utilizzando la massima probabilità.
Infine, la regressione generalizzata offre opzioni per scegliere la distribuzione appropriata per la risposta che stai modellando, permettendoti di modellare risposte più diverse come conteggi, dati con molti valori anomali o dati distorti. E come tutte le piattaforme di modellazione avanzate in JMP Pro, hai la tua scelta di tecniche di validazione incrociata.
Esplorazione del testo
Quando si affrontano diversi tipi di dati, a volte tali dati sono in formato testo, ad esempio dettagli dai registri delle chiamate del supporto tecnico, note di progettazione o commenti sulla risposta al sondaggio. In precedenza, i dati di testo erano difficili da organizzare in modo significativo. JMP Pro trasforma finalmente il problema della gestione dei dati di testo in un problema standard di analisi dei dati. Se si dispone di dati di testo e è necessario creare modelli predittivi da tali dati o se è necessario eseguire analisi multivariate con dati di testo, la piattaforma Text Explorer offre opzioni altamente interattive per organizzare e rivelare risultati nascosti nei dati di testo. Con Text Explorer puoi eseguire analisi di classe latente, analisi semantica latente, analisi di argomenti e termini e documenti del cluster . Con le funzionalità avanzate di JMP Pro, l'analisi dei dati di testo diventa raggiungibile, come qualsiasi altra analisi dei dati.
Tecniche multivariate avanzate
JMP Pro include diverse tecniche avanzate per costruire modelli migliori di fronte a problemi di dati che richiedono metodi di adattamento multivariati.
Minimi quadrati parziali. Stai cercando di modellare dati più ampi di quanto siano alti? Le tecniche tradizionali non funzioneranno, ma i minimi quadrati parziali (PLS) funzionano. PLS è una potente tecnica di modellazione da avere nella tua cassetta degli attrezzi, specialmente quando hai più variabili X delle osservazioni, variabili X altamente correlate, un gran numero di variabili X o diverse variabili Y e molte variabili X. Tutte queste sono situazioni in cui i minimi quadrati ordinari produrrebbero risultati insoddisfacenti.
La modellazione PLS si adatta a modelli lineari basati su fattori, vale a dire combinazioni lineari di variabili esplicative (le X). I fattori sono ottenuti in un modo che tenta di massimizzare la covarianza tra le X e la risposta o le risposte (le Y). In JMP Pro, è possibile creare modelli PLS con risposte continue o categoriche (PLS-DA), specificare termini di curvatura o effetti di interazione ed eseguire un'imputazione del valore mancante.
Cluster variabile. Quando viene presentato un numero elevato di variabili per prevedere un risultato, è possibile che si desideri ridurre il numero di variabili in qualche modo per facilitare il problema di previsione. Una possibile tecnica di riduzione dimensionale è il noto metodo di analisi dei componenti principali (PCA). Le variabili risultanti da PCA, tuttavia, possono essere difficili da interpretare. Una strategia alternativa consiste nell'utilizzare il clustering variabile in JMP Pro per aiutarti a capire se le tue risposte sono raggruppate in cluster e per determinare quanti cluster contengono le risposte. La selezione di qualsiasi cluster all'interno del report seleziona automaticamente la colonna più rappresentativa del cluster nella tabella dei dati, rendendo molto più veloce e più facile specificare i termini del modello o eseguire la riduzione delle dimensioni.
Diagramma a blocchi di affidabilità
Spesso, devi affrontare l'analisi dell'affidabilità di un sistema analitico più complesso, ad esempio un array di archiviazione RAID con più dischi rigidi o un aereo con quattro motori. Con JMP, hai molti strumenti per analizzare l'affidabilità dei singoli componenti all'interno di tali sistemi. Ma con JMP Pro, puoi prendere l'affidabilità di singoli componenti, costruire un sistema complesso di più componenti e analizzare l'affidabilità di un intero sistema con la piattaforma Diagramma a blocchi di affidabilità.
Questa piattaforma consente di prevedere meglio l'affidabilità dell'intero sistema e determinare le prestazioni previste in base alle prestazioni correnti dei singoli componenti. È possibile eseguire facilmente analisi what-if osservando diversi progetti e confrontando grafici tra più progetti di sistema. È inoltre possibile determinare i posti migliori in cui aggiungere ridondanza e ridurre la probabilità di un errore del sistema. Utilizzando il diagramma a blocchi dell'affidabilità, è possibile progettare e correggere facilmente i punti deboli del sistema ed essere meglio informati per prevenire futuri guasti del sistema.
Matrici di copertura
Gli array di copertura vengono utilizzati nelle applicazioni di test in cui le interazioni tra fattori possono portare a guasti. Ogni corsa sperimentale può essere costosa. Di conseguenza, è necessario progettare un esperimento per massimizzare la probabilità di trovare difetti, riducendo al contempo costi e tempi. Gli array di copertura consentono di fare proprio questo. JMP Pro ti consente di progettare un esperimento per testare sistemi deterministici e coprire tutte le possibili combinazioni di fattori fino a un certo ordine di interazioni.
E quando ci sono combinazioni di fattori che creano condizioni non plausibili, puoi usare il filtro interattivo Combinazioni non consentite per escludere automaticamente queste combinazioni di impostazioni dei fattori dal design.
Uno degli enormi vantaggi della copertura di array in JMP Pro è che JMP Pro è uno strumento di analisi statistica, non solo uno strumento di progettazione di array di copertura. Puoi eseguire tutti i tipi di analisi statistiche in JMP Pro. Ad esempio, al momento non esiste nessun altro software per la progettazione di array che consente di analizzare i dati utilizzando la regressione generalizzata. Questo è un enorme vantaggio di JMP Pro rispetto ad altri strumenti di progettazione di array di copertura.
JMP Pro non è solo uno strumento di progettazione rigorosamente; consente inoltre di importare qualsiasi progetto di array di copertura - generato da qualsiasi software - e di ottimizzarlo ulteriormente e analizzare i risultati. Puoi progettare tu stesso gli array senza dover fare affidamento sugli altri per costruire esperimenti per te. Test più intelligente con array di copertura in JMP Pro.
Modelli misti
I modelli misti consentono di analizzare i dati che coinvolgono sia il tempo che lo spazio. Ad esempio, è possibile utilizzare modelli misti in un progetto di studio in cui più soggetti vengono misurati più volte nel corso di una sperimentazione farmacologica o in progetti crossover nelle industrie farmaceutiche, manifatturiere o chimiche.
JMP Pro ti consente di adattare modelli misti ai tuoi dati, permettendoti di specificare effetti fissi, casuali e ripetuti; gruppi correlati di variabili; e imposta soggetto ed effetti continui, il tutto con un'interfaccia intuitiva di trascinamento della selezione.
Inoltre, ora è possibile calcolare i parametri di covarianza per un'ampia varietà di strutture di correlazione. Tali esempi includono quando le unità sperimentali su cui vengono misurati i dati possono essere raggruppate in cluster e i dati di un cluster comune sono correlati. Un altro esempio è quando vengono eseguite misurazioni ripetute sulla stessa unità sperimentale e queste misurazioni ripetute sono correlate o mostrano una variabilità che cambia.
È anche facile determinare visivamente quale, se presente, struttura di covarianza spaziale è appropriata da utilizzare nelle specifiche del modello quando si creano modelli misti in JMP Pro.
Modelli di sollevamento
Potresti voler massimizzare l'impatto del tuo budget di marketing limitato inviando offerte solo alle persone che probabilmente risponderanno favorevolmente. Ma quell'attività può sembrare scoraggiante, specialmente quando si hanno grandi set di dati e molti possibili predittori comportamentali o demografici. Tuttavia, con JMP Pro, è possibile utilizzare i modelli di sollevamento per effettuare questa previsione. Conosciuto anche come modellistica incrementale, modellazione con vero lift o modellazione in rete, questo metodo è stato sviluppato per aiutare a ottimizzare le decisioni di marketing, definire protocolli di medicina personalizzati o, più in generale, per identificare le caratteristiche delle persone che probabilmente risponderanno ad alcune azioni.
La modellazione di elevazione in JMP Pro si adatta ai modelli di partizione che trovano divisioni per massimizzare una differenza di trattamento. I modelli aiutare a identificare gruppi di individui che hanno maggiori probabilità di rispondere favorevolmente a un'azione; aiutano a condurre a decisioni efficaci e mirate che ottimizzano l'allocazione delle risorse e l'impatto sull'individuo.
Statistiche computazionali avanzate
JMP Pro include test statistici esatti per tabelle di contingenza e test statistici esatti non parametrici per ANOVA a senso unico. Inoltre, JMP Pro include un metodo generale per le statistiche di bootstrap nella maggior parte dei report JMP.
Il bootstrap si avvicina alla distribuzione campionaria di una statistica. JMP Pro è l'unico pacchetto software statistico che ti consente di avviare una statistica senza scrivere una singola riga di codice. Il bootstrap con un clic significa che sei a un solo clic dalla possibilità di eseguire il bootstrap di qualsiasi quantità in un report JMP.
Questa tecnica è utile quando i presupposti del libro di testo sono in questione o non esistono. Ad esempio, prova ad applicare le tecniche di bootstrap ai risultati di modelli non lineari che vengono utilizzati per fare previsioni o determinare intervalli di copertura attorno ai quantili. Inoltre, è possibile utilizzare il bootstrap come metodo alternativo per valutare l'incertezza nei modelli predittivi. Il bootstrap ti consente di valutare la fiducia nelle tue stime con meno ipotesi - e il bootstrap con un clic in JMP Pro semplifica.
Connettiti alla ricchezza di SAS ®
Come una delle offerte SAS per analisi predittiva e data mining, JMP Pro si collega facilmente a SAS, espandendo le opzioni e dando accesso alla profondità senza pari di SAS Analytics e integrazione dei dati. Con o senza una connessione SAS attiva, JMP Pro può generare codice SAS per ottenere nuovi dati in modo rapido e semplice con i modelli integrati in JMP.
Condividi e comunica i risultati
JMP ha sempre riguardato la scoperta e la ricerca del modo migliore per comunicare tali scoperte all'interno della propria organizzazione. JMP Pro include tutte le funzionalità visive e interattive di JMP, rendendo i tuoi dati accessibili in modi che potresti non aver mai sperimentato. Attraverso dati, grafici e statistiche collegati dinamicamente, JMP Pro anima la tua indagine in un diagramma 3D o in un grafico animato che mostra i cambiamenti nel tempo, generando nuove informazioni preziose che informano il processo di costruzione del modello e di spiegazione.
Linee guida del sistema operativo
JMP Pro funziona su Microsoft Windows e Mac OS. Include il supporto per entrambi i sistemi a 32 e 64 bit. Consultare jmp.com/system per i requisiti di sistema completi.
