내부 전용 :이 문서는 현재 내부 용입니다.
이것은 JMP 12에 대한 업데이트입니다. JMP Pro가 필요하십니까? JMP 용 문서 13
JMP Pro는 미래를 더 잘 예측하고 내일을 잘 계획하기 위해 정교한 모델링 기술이 필요한 고급 사용자를 위해 만든 고급 JMP 분석 버전입니다. 과학자 및 엔지니어를 염두에두고 구축 된 SAS의 JMP Pro 통계 분석 소프트웨어는 JMP의 특징 인 대화식 데이터 시각화, 탐색, 분석 및 통신을위한 모든 뛰어난 기능을 제공합니다.
또한 JMP Pro는 여러 가지 다양한 방법을 사용한 교차 검증을 통한 예측 모델링, 최신 모델링 기술, 모델 비교 및 평균화 기능, 고급 다변량 기술, 안정성 블록 다이어그램, 배열 포함, 혼합 모델, 향상 모델 및 고급 계산 통계 방법.
이미 JMP를 사용하고 있다면이 모든 통계적 화력이 친숙한 인 메모리 데스크톱 환경에서 제공된다는 것을 알게되어 기쁩니다. JMP를 처음 사용하는 경우 JMP Pro를 사용하면 현재보다 완전히 새로운 수준으로 데이터 분석을 수행하고 복잡한 통계 문제를보다 쉽게 해결할 수 있습니다.
더 중요한 것은 JMP Pro를 사용하면 다른 사람들이 쉽게 이해하고 행동 할 수있는 방식으로 이야기를 구성하고 대화식으로 결과를 전달할 수 있습니다.
JMP Pro의 풍부한 고급 분석 기능에 액세스하면 통계적 발견에 대한 장애물을 제거하고 데이터에서 더 많은 단서를 발견 할 수있는 능력이 향상됩니다. 따라서보다 빠르게 혁신을 이룰 수 있으므로보다 능동적으로 행동하고 미래를 더 잘 통제 할 수 있습니다.
주요 특징들
예측 모델링
누구나 작년의 성과를 설명하는 공정한 일을 할 수 있습니다. 그러나 올바른 도구와 가장 현대적인 기술이 없다면 새로운 고객, 새로운 프로세스 또는 새로운 위험에 어떤 일이 일어날 지 예측하기위한 모델을 구축하는 것이 훨씬 더 어려워집니다. JMP Pro에는 더 나은 데이터 모델을 구축 할 수있는 풍부한 알고리즘이 포함되어 있습니다. 예측 모델링에 가장 유용한 두 가지 기술은 의사 결정 트리와 신경망입니다.
JMP Pro의 파티션 플랫폼은 현대적인 방법으로 트리 구축 프로세스를 자동화합니다. 임의 포리스트 기술인 부트 스트랩 포리스트는 사용 가능한 데이터의 임의의 하위 집합을 사용하여 수십 개의 의사 결정 트리를 확장하고 이러한 트리에서 각 요소의 계산 된 영향을 평균화합니다. 부스트 트리 기술은 하나의 트리에서 다음 트리로의 잔차 변화를 반복적으로 맞추면서 많은 간단한 트리를 만듭니다. JMP Pro의 파티션 플랫폼은 K-NN 모델에 적합합니다. 이러한 방법을 사용하면 단순한 의사 결정 트리 모델보다 더 나은 예측 모델을 구축 할 수 있습니다.
JMP Pro의 고급 신경 플랫폼을 사용하면 3 가지 활성화 기능과 그라디언트 부스팅을 사용한 자동 모델 구성을 선택하여 1 계층 또는 2 계층 신경망을 구축 할 수 있습니다. 이 플랫폼은 결 측값과 연속 X 변환을 자동으로 처리하여 시간과 노력을 절약합니다. 또한 강력한 피팅 옵션이 포함되어 있습니다.
JMP Pro의 Partition 및 Neural 플랫폼은 교차 유효성 검사를 사용합니다. 유효성 검사의 이점은 다음 섹션에서 설명합니다. 또한 JMP Pro의 단계별 회귀 분석, 로지스틱 회귀 분석 (명목 및 순서) 및 판별 분석을 통해 유효성 검증 열을 사용하여 예측 모델링 워크 플로우에서 이러한 모델링 방법을 사용할 수 있습니다.
교차 검증
효과적인 예측 모델링을 위해서는 모델을 검증 할 수있는 올바른 방법이 필요하며 큰 모델을 사용하면 쉽게 과적 합에 문제를 일으킬 수 있습니다. 큰 모델은 항상 교차 유효성을 검사해야하며 JMP Pro는 데이터 분할 또는 보류를 통해이를 수행합니다. 데이터를 훈련, 검증 및 테스트 데이터 세트로 나누는 것은 과적 합을 피하기 위해 오랫동안 사용되어 왔으며, 구축 한 모델이 해당 모델을 구축하는 데 사용 된 특정 샘플의 특성에 의존하지 않도록합니다.
JMP Pro에서 교차 유효성 검사에 대한 일반적인 접근 방식은 유효성 검사 열을 사용하는 것입니다. 유효성 검사 열 유틸리티 (순수 무작위 샘플 또는 계층화 된 무작위)를 사용하여 다양한 목적으로 데이터를 다른 세트로 쉽게 분할 할 수 있습니다. 훈련 세트는 모델을 빌드하는 데 사용되며, 검증 세트는 모델 구축 과정에서 모델의 복잡도를 선택하는 데 사용됩니다. 마지막으로, 테스트 세트는 모델 구축 프로세스에서 완전히 수행되며 모델의 품질을 평가하는 데 사용됩니다. 더 작은 데이터 세트의 경우 k- 폴드 교차 검증을 사용할 수도 있습니다.
교차 유효성 검사 기술을 사용하면 새로운 고객, 새로운 프로세스 또는 새로운 위험에 대한 내일의 데이터를 일반화하는 모델을 구축하여 미래에 대한 데이터 기반 추론을 만들 수 있습니다.
이 모든 것이 사실이지만 관측 데이터는 지금까지만 가능합니다. 원인과 결과를 진정으로 이해하기 위해 여러 번 실험 설계 (DOE)를 사용하고자 할 수 있습니다. JMP는 사용하기 쉬운 형태로 최적의 DOE를위한 세계적 수준의 도구를 제공합니다.
모델 비교
실제 상황에서 일부 모델은 특정 상황에 적합하지만 다른 모델에는 적합하지 않습니다. JMP Pro에는 여러 가지 방법이 있으며 주어진 상황에서 가장 적합한 방법을 찾아야합니다. 모델 구축에 대한 일반적인 접근 방식은 복잡도를 높이거나 덜 고려한 모델, 특정 요인 / 예측자가 있거나없는 모델, 다양한 종류의 모델링 방법을 사용하여 작성된 모델 또는 여러 모델의 평균 (앙상블 모델) 등 여러 가지 다른 모델을 시도하는 것입니다.
이러한 각 모델에는 모델을 평가하는 데 사용할 수있는 공통 품질 측정 값이 있습니다. R 2 , 오 분류 율, ROC 곡선, AUC, 리프트 곡선 등
JMP Pro에서 모델 비교를 사용하면 다양한 피팅에서 저장된 모든 예측 열을 비교하고 적합도, parsimony 및 교차 검증의 최상의 조합을 선택할 수 있습니다. JMP Pro는이 비교를 자동으로 수행합니다. 동시에, 비주얼 모델 프로파일 러와 상호 작용하여 각 모델이 어떤 중요한 요소를 포착하는지 확인할 수 있습니다. JMP Pro의 모델 비교를 통해 여러 모델을 동시에 쉽게 비교할 수 있으며 필요한 경우 간단한 모델 평균을 수행 할 수도 있습니다.
현대적인 모델링
일반화 회귀는 까다로운 데이터로도 더 나은 모델을 구축하는 데 적합한 새로운 모델링 기술 클래스입니다. 정규화 또는 불이익 회귀 분석법을 사용하여 일반화 선형 모형에 적합합니다.
표준 추정 기법은 관측치보다 밀접하게 연관되거나 예측 변수가 많은 예측 변수가있는 경우 분류됩니다. 또한 많은 관측 된 예측 변수가있는 경우 (종종 관측 데이터에서와 같이) 단계적 회귀 또는 기타 표준 기술로 인해 만족스럽지 않은 결과가 발생할 수 있습니다. 이러한 모델은 종종 과잉 적합하며 새로운 데이터에 적합하지 않습니다. 그러나 모델링 전에 컬링 할 변수를 어떻게 결정합니까? 또는 모델링 준비에서 데이터 세트를 수동으로 사전 처리하는 데 얼마나 많은 시간이 소요됩니까?
적합 모형의 일반화 된 회귀 특성은 회귀 분석에 대한 포괄적 인 접근 방식입니다. 변수 선택에서 모델 진단에 이르기까지 LS는 비교, 역 예측 및 프로파일 링을 의미하는 완벽한 모델링 프레임 워크입니다. 그리고 JMP Pro에만 있습니다.
Generalized Regression 특성 내에서 사용 가능한 정규화 기술에는 Ridge, Lasso, adaptive Lasso, Elastic Net 및 Adaptive Elastic Net이 포함되어있어 설명력이있는 X를 더 잘 식별 할 수 있습니다. 이러한 기술을 활용하는 것은 Fit Model의 다른 모델링 성격과 마찬가지로 쉽습니다. 간단히 응답을 식별하고 모델 효과를 구성하며 원하는 추정 및 검증 방법을 선택하십시오. JMP는 데이터를 자동으로 맞추고 적절한 경우 변수 선택을 수행하며 새 데이터로 일반화 할 수있는 예측 모델을 작성합니다. 또한 순방향 단계적 기법을 사용하거나, 최대 가능성을 사용하여 Quantile 회귀 또는 단순 피팅을 수행 할 수 있습니다.
마지막으로 일반 회귀 분석은 모델링중인 반응에 적합한 분포를 선택할 수있는 옵션을 제공하여 카운트, 특이 치가 많은 데이터 또는 기울어 진 데이터와 같은 다양한 반응을 모델링 할 수 있습니다. JMP Pro의 모든 고급 모델링 플랫폼과 마찬가지로 교차 검증 기술을 선택할 수 있습니다.
텍스트 탐색
다른 유형의 데이터를 처리 할 때 기술 지원 요청 로그, 엔지니어링 노트 또는 설문 응답 응답의 세부 정보와 같은 텍스트 형식의 데이터가있을 수 있습니다. 이전에는 해당 텍스트 데이터를 의미있는 방식으로 구성하기가 어려웠습니다. JMP Pro는 최종적으로 텍스트 데이터 처리 문제를 표준 데이터 분석 문제로 바꿉니다. 텍스트 데이터가 있고 해당 데이터로부터 예측 모델을 작성해야하거나 텍스트 데이터로 다변량 분석을 수행해야하는 경우 텍스트 탐색기 플랫폼은 텍스트 데이터에서 숨겨진 결과를 구성하고 공개 할 수있는 대화식 옵션을 제공합니다. 텍스트 탐색기를 사용하여 수행 할 수 있습니다 잠재 클래스 분석, 잠재 시맨틱 분석, 주제 분석 및 군집 용어 및 문서 . JMP Pro의 향상된 기능을 사용하면 다른 데이터 분석과 마찬가지로 텍스트 데이터 분석이 가능해집니다.
고급 다변량 기법
JMP Pro에는 다변량 피팅 방법이 필요한 데이터 문제에 직면했을 때 더 나은 모델을 구축하기위한 여러 가지 고급 기술이 포함되어 있습니다.
부분 최소 제곱. 키보다 큰 데이터를 모델링하려고합니까? 전통적인 기술은 작동하지 않지만 부분 최소 제곱 (PLS)은 작동합니다. PLS는 특히 관측치보다 많은 X 변수, 상관 관계가 높은 X 변수, 많은 수의 X 변수 또는 여러 개의 Y 변수와 많은 X 변수가있는 경우 도구 상자에 포함 할 수있는 강력한 모델링 기술입니다. 이들 모두는 보통 최소 제곱이 만족스럽지 않은 결과를 생성하는 상황입니다.
PLS 모델링은 요인, 즉 설명 변수 (X)의 선형 조합에 따라 선형 모델에 적합합니다. X와 응답 또는 응답 (Y) 간의 공분산을 최대화하려는 방식으로 인수를 구합니다. JMP Pro에서는 연속 또는 범주 형 응답 (PLS-DA)을 사용하여 PLS 모델을 작성하고 곡률 항 또는 상호 작용 효과를 지정하며 결 측값 대치를 수행 할 수 있습니다.
가변 클러스터링. 결과를 예측하기 위해 많은 수의 변수가 제공되는 경우 예측 문제를보다 쉽게 처리 할 수있는 방법으로 변수 수를 줄이는 것이 좋습니다. 하나의 가능한 치수 축소 기술은 잘 알려진 주요 성분 분석 (PCA) 방법입니다. 그러나 PCA에서 발생하는 변수는 해석하기 어려울 수 있습니다. 대안 전략은 JMP Pro에서 변수 클러스터링을 사용하여 응답이 클러스터로 그룹화되는지 여부를 이해하고 응답에 포함 된 클러스터 수를 결정하는 것입니다. 보고서 내에서 클러스터를 선택하면 데이터 테이블에서 클러스터의 가장 대표적인 열이 자동으로 선택되므로 모델 용어를 지정하거나 차원 축소를 훨씬 빠르고 쉽게 지정할 수 있습니다.
신뢰성 블록 다이어그램
예를 들어, 더 복잡한 분석 시스템 (예 : 여러 개의 하드 드라이브가있는 RAID 스토리지 배열 또는 4 개의 엔진이있는 비행기)의 안정성을 분석하는 데 직면하게됩니다. JMP를 사용하면 해당 시스템 내에서 단일 구성 요소의 안정성을 분석 할 수있는 많은 도구가 있습니다. 그러나 JMP Pro를 사용하면 Reliability Block Diagram 플랫폼을 통해 단일 구성 요소의 안정성을 확보하고 여러 구성 요소의 복잡한 시스템을 구축하며 전체 시스템의 안정성을 분석 할 수 있습니다.
이 플랫폼을 사용하면 전체 시스템의 안정성을보다 잘 예측하고 개별 구성 요소의 현재 성능을 기반으로 예상 성능을 결정할 수 있습니다. 서로 다른 설계를보고 여러 시스템 설계에서 플롯을 비교하여 가정 분석을 쉽게 수행 할 수 있습니다. 중복성을 추가하고 시스템 장애 가능성을 줄일 수있는 최적의 장소를 결정할 수도 있습니다. 안정성 블록 다이어그램을 사용하면 시스템의 약점을 쉽게 설계하고 수정할 수 있으며 향후 시스템 장애를 예방할 수 있도록보다 나은 정보를 얻을 수 있습니다.
취재 배열
커버링 어레이는 요인 상호 작용으로 인해 고장이 발생할 수있는 응용 분야 테스트에 사용됩니다. 각 실험은 비용이 많이들 수 있습니다. 결과적으로 결함을 발견 할 확률을 최대화하면서 비용과 시간을 최소화하는 실험을 설계해야합니다. 취재 배열을 사용하면 그렇게 할 수 있습니다. JMP Pro를 사용하면 결정 론적 시스템을 테스트하고 특정 순서의 상호 작용까지 가능한 모든 요인 조합을 포함하는 실험을 설계 할 수 있습니다.
또한 불가사의 한 조건을 생성하는 요인 조합이있는 경우 대화식 Disallowed Combinations 필터를 사용하여 이러한 요인 설정 조합을 설계에서 자동으로 제외 할 수 있습니다.
JMP Pro에서 어레이를 커버 할 때 얻을 수있는 가장 큰 장점 중 하나는 JMP Pro는 단순히 커버링 어레이 디자인 툴이 아니라 통계 분석 툴이라는 것입니다. JMP Pro에서 모든 종류의 통계 분석을 수행 할 수 있습니다. 예를 들어, 현재 배열 설계를 다루기위한 다른 소프트웨어가 없으므로 일반 회귀 분석을 사용하여 데이터를 분석 할 수도 있습니다. 이는 다른 배열 설계 도구보다 JMP Pro의 큰 이점입니다.
JMP Pro는 단순히 디자인 도구가 아닙니다. 또한 소프트웨어로 생성 된 모든 어레이 구성을 가져오고이를 더욱 최적화하고 결과를 분석 할 수 있습니다. 실험을 위해 다른 사람에게 의존하지 않고도 직접 배열을 설계 할 수 있습니다. JMP Pro에서 어레이를 다루면서 더 스마트하게 테스트하십시오.
혼합 모델
혼합 모델을 사용하면 시간과 공간이 모두 포함 된 데이터를 분석 할 수 있습니다. 예를 들어, 약물 시험 과정에서 여러 피험자가 여러 번 측정되는 스터디 디자인 또는 제약, 제조 또는 화학 산업의 크로스 오버 디자인에서 혼합 모델을 사용할 수 있습니다.
JMP Pro를 사용하면 혼합 모델을 데이터에 맞출 수 있으며 고정, 임의 및 반복 효과를 지정할 수 있습니다. 변수 그룹을 상관시킵니다. 직관적 인 끌어서 놓기 인터페이스를 통해 주제 및 연속 효과를 설정할 수 있습니다.
또한 다양한 상관 관계 구조에 대한 공분산 모수를 계산할 수 있습니다. 이러한 예에는 다음이 포함됩니다. 데이터가 측정되는 실험 단위가 클러스터로 그룹화 될 수 있고 공통 클러스터의 데이터가 상관됩니다. 또 다른 예는 동일한 실험 단위에서 반복 측정을 수행하는 경우이며, 이러한 반복 측정은 상관되거나 변경되는 변동성을 나타냅니다.
JMP Pro에서 혼합 모델을 구축 할 때 모델 사양에 적합한 공간 공분산 구조 (있는 경우)를 시각적으로 쉽게 확인할 수 있습니다.
향상 모델
호의적으로 반응 할 가능성이있는 개인에게만 오퍼를 보내서 제한된 마케팅 예산의 영향을 최대화 할 수 있습니다. 그러나 특히 대규모 데이터 세트가 있고 가능한 많은 행동 또는 인구 통계 학적 예측 변수가있는 경우이 작업이 어려워 보일 수 있습니다. 그러나 JMP Pro에서는 향상 모델을 사용하여이 예측을 수행 할 수 있습니다. 증분 모델링, 실제 리프트 모델링 또는 네트 모델링이라고도하는이 방법은 마케팅 결정을 최적화하고 개인화 된 의약 프로토콜을 정의하거나보다 일반적으로 어떤 행동에 반응 할 가능성이있는 개인의 특성을 식별하기 위해 개발되었습니다.
JMP Pro의 업 리프트 모델링은 처리 차이를 최대화하기 위해 분할 된 파티션 모델에 적합합니다. 모델 행동에 호의적으로 반응 할 가능성이 가장 높은 개인 집단을 식별하도록 돕는다. 그들은 자원 배분을 최적화하고 개인에게 미치는 영향을 최적화하는 효율적이고 타깃 화 된 결정을 내릴 수 있도록 도와줍니다.
고급 계산 통계
JMP Pro에는 우연성 테이블에 대한 정확한 통계 테스트와 일원 분산 분석에 대한 정확한 비모수 통계 테스트가 포함됩니다. 또한 JMP Pro에는 대부분의 JMP 보고서에서 통계를 부트 스트랩하는 일반적인 방법이 포함되어 있습니다.
부트 스트랩은 통계의 샘플링 분포와 비슷합니다. JMP Pro는 한 줄의 코드를 작성하지 않고도 통계를 부트 스트랩 할 수있는 유일한 통계 소프트웨어 패키지입니다. 원 클릭 부트 스트랩은 JMP 보고서에서 수량을 부트 스트랩 할 수 있다는 것만으로 클릭 한 번만 가능하다는 의미입니다.
이 기술은 교과서 가정에 의문이 있거나 존재하지 않을 때 유용합니다. 예를 들어, 예측을하거나 Quantile 주변의 커버리지 간격을 결정하는 데 사용되는 비선형 모델 결과에 부트 스트랩 기법을 적용 해보십시오. 또한 부트 스트랩을 사용하여 예측 모델의 불확실성을 측정 할 수 있습니다. 부트 스트랩을 사용하면 더 적은 가정으로도 추정치에 대한 신뢰도를 평가할 수 있으며 JMP Pro의 원 클릭 부트 스트랩을 통해 쉽게 수행 할 수 있습니다.
풍부한 SAS에 연결 ®
예측 분석 및 데이터 마이닝을위한 SAS 오퍼링 중 하나 인 JMP Pro는 SAS에 쉽게 연결하여 옵션을 확장하고 비교할 수없는 깊이의 SAS Analytics 및 데이터 통합에 액세스 할 수 있습니다. 활성 SAS 연결 유무에 관계없이 JMP Pro는 SAS 코드를 출력하여 JMP 내장 모델로 새 데이터를 빠르고 쉽게 채점 할 수 있습니다.
결과 공유 및 커뮤니케이션
JMP는 항상 검색을 통해 조직 전체에서 이러한 검색을 전달하는 가장 좋은 방법을 찾아 왔습니다. JMP Pro에는 JMP의 모든 시각적 및 대화 형 기능이 포함되어있어 전혀 경험하지 못한 방식으로 데이터에 액세스 할 수 있습니다. JMP Pro는 동적으로 연결된 데이터, 그래픽 및 통계를 통해 3D 플롯 또는 시간 경과에 따른 변화를 보여주는 애니메이션 그래프로 조사 결과를 실시간으로 제공하여 모델 구축 및 설명 프로세스 모두에 유용한 새로운 통찰력을 생성합니다.
운영 체제 지침
JMP Pro는 Microsoft Windows 및 Mac OS에서 실행됩니다. 32 비트 및 64 비트 시스템을 모두 지원합니다. 전체 시스템 요구 사항은 jmp.com/system을 참조하십시오.
