44248_es-ES

liliconcom

Rendimiento JMP vs. Otras herramientas (más grandes): ¿cuándo usar cada una?Re: JMP Rendimiento vs. Otras herramientas (más grandes): ¿cuándo usar cada una?

Alemán:

 

Así es como respondo a esta pregunta de "Cuándo usar JMP vs. SAS vs. R? ". Por lo general, primero hago varias preguntas de sondeo más, como:

 

1) El "rendimiento" se puede evaluar de varias maneras. ¿Qué características de "rendimiento" son las más importantes ... cuáles no son importantes? Puede terminar con mucha discusión solo sobre este punto ... como la interfaz de usuario (que en mi opinión no está exactamente orientada al rendimiento, pero a menudo surge como parte de esta discusión). O la velocidad de respuesta. ¿O una pregunta más binaria puede / no puede hacer? Como decir si terminas en un '¿Puede JMP hacer esto? tipo conversación ... SAS ganará si por ninguna otra razón el tamaño de la caja de herramientas de análisis potencial es descomunal en comparación con JMP).

 

2) ¿Qué tan importante es el soporte técnico continuo para el software, así como los recursos proporcionados por el desarrollador / fabricante del software?

 

3) ¿Existen consideraciones de implementación de hardware y TI que pueden influir en la elección de las opciones de implementación de software?

 

4) ¿Cuál es el presupuesto para 3? arriba y el software en sí?

 

5) ¿Qué tan importante es la capacidad de interactuar dinámicamente con los datos, los informes / resultados de análisis y la capacidad de compartir con otros con y sin la aplicación principal utilizada para generar los resultados?

 

Entonces, el prospecto / cliente probablemente ya está empezando a pensar en todo "JMP vs. SAS vs. La conversación R "es mucho más compleja que la estricta comparación de conjuntos de características. Claro que me gustaría tener un Lamborghini ... pero tengo un Toyota RAV 4 y un Mustang convertible en mi camino de entrada porque muchas otras consideraciones entraron en la decisión de compra de Sharon y mi automóvil además de 'características' y 'rendimiento'.

 

 

Re: JMP Rendimiento vs. Otras herramientas (más grandes): ¿cuándo usar cada una?

Hola jerry,

Supongo que para cosas generales hay otros que pueden intervenir. Para Neural Nets en especial, creo que tan pronto como te encuentres con alguien que ama a Neural Nets, JMP no es la herramienta adecuada para usar. Está limitado a una o dos capas (Pro). No hay forma de cambiar la función de entrenamiento. Solo por nombrar algunos populares:

Algoritmo
	Levenberg-Marquardt
	Regularización Bayesiana
	BFGS Cuasi-Newton
	Propagación resistente
	Gradiente de conjugado escalado
	Gradiente conjugado con reinicios Powell / Beale
	Gradiente de conjugado de Fletcher-Powell
	Gradiente conjugado de Polak-Ribiére
	Secante de un paso
	Descenso de gradiente de tasa de aprendizaje variable
	Descenso de gradiente con impulso
	Descenso de gradiente

 

A la gente le gusta ajustar las redes neuronales. Tenemos algún tipo de capacidades de manipulación como penalizaciones, robustas, estructura de capas, refuerzo. Sin embargo, en el mundo NN también hay diferentes paquetes disponibles para las funciones de transferencia, como la propagación hacia adelante o hacia atrás.

Aunque para muchas situaciones lo que proporcionamos es suficiente (y generalmente supera a Excel-AddIns que proporcionan NN), las personas que conocen NN utilizarán otras herramientas para eso. Esto puede ser R, MATLAB o SAS (aunque esto es mucho más costoso y, por lo tanto, solo es una verdadera opción para los clientes de SAS, por lo general no es una opción para pequeñas y medianas empresas (en mi experiencia). Que el uso de R de JSL pueda ser un buen compromiso para NN.

 

Con respecto a la computación multiproceso o incluso paralela o GPU, creo que JMP estará al final de la lista comparando JMP, SAS, R, MATLAB. JMP proporciona subprocesos múltiples para varios algoritmos. no proporciona computación paralela / GPU hasta ahora. Los otros necesitan una máquina con múltiples núcleos o una máquina de computación de distribución dedicada (si no GPU en la misma máquina). Una nota al margen: el subprocesamiento múltiple no es distribuido / paralelo / computación GPU. Este último también puede tener en cuenta el álgebra lineal y dividir las multiplicaciones de matrices grandes en varios cálculos en una unidad separada y transfiere el resultado final.

Así que todo en detección de imágenes, simulaciones monte-carlo, álgebra lineal, rutinas de optimización complejas (globales), ... son buenos para esos. (Por supuesto, los juegos también;))

 

Creo que genReg ha dado un gran paso adelante en los últimos años también con respecto al rendimiento. Entonces, este podría ser uno en el que pueda apuntar a usar JMP (Pro). También Bootstrap Forest es bastante rápido.

 

Dependiendo de la máquina, RAM por un lado, pero también cuántos núcleos comparten la RAM, qué más ocupa el sistema, en qué está trabajando el sistema en la parte posterior, cuánto tiempo está funcionando el sistema, cómo está la memoria usado, todo puede tener un impacto en el rendimiento independientemente del tamaño del archivo.

 

No estoy seguro, pero puede que otros lo sepan. A veces tengo la impresión de que JMP está tratando de no asignar la memoria por adelantado para la matriz / vector completo, en caso de que esté agregando valores de forma iterativa a una matriz / vector. Esto podría terminar en problemas de memoria ya que después de un tiempo la ubicación de la memoria inicial es demasiado pequeña y la dirección debe cambiar a un lugar más grande. Empaquetar los bits de memoria separados puede liberar memoria y, por lo tanto, aumentar el rendimiento. Puede ser una buena práctica hacer eso antes de realizar un gran análisis. ¿Alguna experiencia sobre eso disponible?

 

 

 

 

 

 

Re: JMP Rendimiento vs. Otras herramientas (más grandes): ¿cuándo usar cada una?

No estoy seguro de por qué no pude publicar en el tema original, pero esto es lo que busco.

 

Tengo un cliente que hizo la pregunta: ¿Cómo se compara el rendimiento de JMP con otras herramientas más grandes para diversos análisis?

 

Lo que está buscando son pautas sobre cuándo usar JMP vs. cuándo usar SAS y / o R (a los cuales tiene acceso).  Obviamente, hay problemas que son demasiado grandes para que JMP los maneje, por lo que deberíamos recurrir a R. Además, sospecho que hay algunos problemas en los que JMP es realmente bueno (por ejemplo, regresión lineal), pero tal vez no sea tan bueno en cuanto al rendimiento para otros tareas (por ejemplo, redes neuronales ??), donde SAS podría aprovechar núcleos adicionales de CPU o GPU en máquinas más grandes de las que JMP puede manejar.

 

No estoy seguro de cómo responder a esta pregunta, así que pensé en comenzar una conversación aquí.  La respuesta puede ser "Si cabe en JMP en su PC, entonces use JMP, de lo contrario use SAS". O puede tener otros pensamientos basados en su experiencia.

 

Gracias de antemano por cualquier orientación que pueda proporcionar!