파티션 트리 회귀를 위한 "중요 변수" 식별저는 JMP 13을 사용하여 파티션 트리 회귀 분석을 개발 중입니다. 변수는 83개입니다. 가장 "대표적인" 변수를 식별하여 분석을 개발할 수 있다는 목표로 VIF와 공선성이 없는 변수를 식별하고 있습니다. 파티션 트리 회귀 (제가 사용한 예는 은행 수익입니다.
변환을 통한 다중 선형 회귀 / JMP Pro를 사용하여 더 나은 모델 구축, 4장, SAS Press(2015). 그레이슨, 가드너, 스티븐스.) 내 질문에, 이것이 적절한 방법이 될 수 있습니까? 또는 JMP에는 회귀 분할 트리와 함께 작동하는 이러한 "중요한" 변수를 식별하는 보다 구체적인 프로토콜이 있습니다.
Re: 파티션 트리 회귀를 위한 "중요 변수"를 식별합니다.시간을 내어 제안과 권장 사항을 제시하는 데 도움을 주셔서 매우 감사합니다.
마찬가지로 모든 일에 행운이 있기를 바랍니다!
Re: 파티션 트리 회귀를 위한 "중요 변수"를 식별합니다.JMP Pro에 액세스할 수 없으면 모델 생성에 몇 가지 제한이 있습니다. 반면에 ARIMA 모델링(해당하는 경우)과 단순화된 NN 및 파티션 트리를 계속 수행할 수 있습니다. 도움이 될 수 있는 또 다른 플랫폼은 분석 -> 선별 아래의 예측자 선별입니다. 이는 많은 요소 중 어느 것이 중요한지 식별하는 데도 도움이 될 수 있습니다.
시도해 볼 수 있는 또 다른 방법은 Fit Model 플랫폼에서 "개성" 아래의 "단계별"을 선택하는 것입니다. 또한 다른 기준을 사용하여 필요한 요소(및 혼합 용어)를 선택하고 필요하지 않은 요소를 선택합니다. 여기서는 어떤 종류의 모델을 사용할 것인지에 대한 좋은 아이디어를 갖는 것이 많은 도움이 됩니다. 데이터가 많으면 모든 요인을 선택한 다음 "매크로" 드롭다운 버튼에서 반응 표면을 선택할 수 있습니다. 단지 자유도가 너무 많이 줄어들지 않았는지 확인하고 싶을 뿐입니다. 반응을 제어하는 몇 가지 물리적 프로세스가 있다는 것을 알고 있다면 이것이 모델 방정식을 생성하는 방법의 시작일 수 있습니다. 마지막으로 살펴봐야 할 사항은 데이터를 모델링하기 전에 데이터를 변환하는 것입니다. 특히 정규 분포가 아닌 경우에는 더욱 그렇습니다. 데이터를 변환하면 모델링 프로세스가 그렇지 않은 경우보다 더 나은 예측 기능을 갖춘 강력한 적합성을 달성하는 데 도움이 될 수 있습니다.
검증 열에 관한 한, 표준 JMP에는 이를 생성하는 GUI가 제공되지 않는다는 것을 알고 있지만 여기에 계층화된 N(5개로 설정됨) 검증 열을 생성하는 일부 JSL이 있습니다. 일부 모델은 특정 반응에 대해 계층화하는 경우에도 검증 열에 민감하므로 다양한 검증 열을 테스트하면 모델의 견고성을 평가하는 데 도움이 될 수 있습니다.
Names Default To Here( 1 );
dt = Current Data Table();
For( i = 1, i <= 5, i++,
dt << Make Validation Column(
Training Set( 0.6 ),
Validation Set( 0 .2),
Test Set( 0.2 ),
Stratified Random( :Group )
)
);
위 스크립트에서 i는 1부터 5까지 실행되므로 60% 훈련, 20% 검증 및 20% 테스트로 분할된 5개의 검증 열을 생성합니다(데이터에 가장 적합한 값으로 값을 변경할 수 있음). :그룹 팝업 창에서 선택한 열에 대해 무작위로 계층화됩니다. 계층화를 원하지 않으면 해당 명령을 임의의 범주 공식으로 바꿀 수 있습니다.
JSL은 코딩하기 매우 쉬운 언어이므로 시간이 있으면 몇 가지 스크립트를 테스트하여 익숙해지는 것이 좋습니다. 다양한 데이터 세트에서 동일한 작업을 수행할 때 이것이 매우 유용하다는 것을 알았습니다. 즉, 작업을 자동화하는 데 도움이 됩니다. 도움말 메뉴에서 스크립팅 색인을 확인할 수도 있습니다.
행운을 빌어요!,
DS
Re: 파티션 트리 회귀를 위한 "중요 변수"를 식별합니다.제안해 주셔서 감사합니다. 그들은 나에게 많은 문제를 명확히 해 주었고 저는 그 맥락에서 일할 것입니다. 예를 들어 모델 간의 일부 비교 등을 사용하고 개발할 수 있는 제한 사항 중 하나는 JMP PRO 버전에서 작업할 수 없다는 것입니다. 그러나 저는 JMP to R Add-In Builder 옵션을 식별할 수 있었습니다. 이 옵션은 제안된 대로 분석 개발을 위해 다른 알고리즘을 쉽게 사용할 수 있다는 것을 알고 있습니다. 제가 마지막으로 지적하는 것은 제가 코더가 아닌 사람이기 때문입니다 >.<
감사해요!
Re: 파티션 트리 회귀를 위한 "중요 변수"를 식별합니다.나는 전문가는 아니지만 그 책도 읽었습니다(여담으로, 예제와 연습 작업이 마음에 들었습니다). 이후 장에는 특정 상황에 적용할 수 있는 몇 가지 좋은 예가 있습니다.
VIF는 확실히 모델에서 어떤 변수가 과도하게 강조되었는지 확인하는 방법입니다. 의사결정 트리 결과의 열 기여도를 조사하는 것도 매우 도움이 될 수 있습니다. 또 다른 접근 방식은 주성분 분석(PCA)을 사용하는 것입니다. 이는 가장 중요한 변수를 함께 그룹화하고 이를 반응 모델링에서 PC로 사용하는 데 도움이 될 수 있습니다.부트스트랩 포레스트 플랫폼은 반응과 요인이 모두 무작위로 지정되므로 과적합에 대해 견고하다고 가정됩니다. 부트스트랩 포레스트와 부스팅 트리는 모두 유용하지 않은 요소를 "제거"해야 합니다. 왜냐하면 해당 요소에 따라 분할되지 않고 기여도가 매우 낮은 값으로 떨어지기 때문입니다.
학습, 검증 및 테스트 데이터가 포함된 검증 열을 생성할 만큼 충분한 데이터가 있으면 모델을 크게 단순화하는 데 도움이 됩니다. 검증 부분은 그룹에서 가장 간결한 모델을 선택하는 데 도움이 되는 반면, 테스트 데이터는 모델이 "블라인드" 데이터와 얼마나 잘 작동하는지 확인하는 데 사용됩니다. 이에 대한 한 가지 참고 사항은 이것이 계층화되어야 하는지, 무작위화되어야 하는지 또는 다른 방식으로 선택되어야 하는지 고려할 수 있습니다. 이는 모델링의 응답을 부분적으로(또는 크게) 기반으로 할 수 있습니다. 연속인가요, 아니면 바이너리인가요?
마지막으로 NN, 파티션, 부스트랩 포리스트, 부스팅 트리 또는 일반화 회귀와 같은 여러 가지 모델(모델 비교 플랫폼)을 비교하면 데이터에 가장 적합한 모델을 선택하는 데 도움이 됩니다. "테스트" 데이터에 대해서만 모델을 비교하거나, 숨기고 제외하여 수동으로 억제한 데이터에 대해서만 비교하십시오(예: 훈련 데이터에 대해 테스트하고 싶지 않음).
이를 결정하는 "표준화된" 방법이 있는지는 확실하지 않지만 여러 각도에서 문제에 접근하면 가장 많이 겹치는 부분을 확인하고 "대표" 변수를 결정하는 데 도움이 될 것입니다.
도움이 되었기를 바랍니다!,
DS
