237369_de-DE

liliconcom

PLS mit kategorischer Antwort

Muss nächste Woche eine JMP Pro-Demo für einen an PLS interessierten Kunden mit kategorischer (binomialer) Antwort durchführen.Hat jemand einen guten Datensatz, um dies zu demonstrieren?Alle PLS-Datensätze, die ich bisher gefunden habe, beinhalten numerische Antworten.

 

Vielen Dank,

Markieren

Betreff: PLS mit kategorischer Antwort

Update zu diesem Thread.Ich habe ein Problem mit PLS beim Modellieren von kategorialen Antworten festgestellt, bei dem die in der Datentabelle gespeicherte Vorhersageformel nicht über die Spalteneigenschaft „Antwortwahrscheinlichkeit“ verfügt.Daher ist es im Modellvergleich nicht möglich, das PLS-Modell mit anderen Klassifikationsmodellen zu vergleichen.Es kann einen bestimmten Grund dafür geben, aber ich weiß noch nicht, was es sein könnte.Ich werde diesen Thread mit dem aktualisieren, was ich vom technischen Support zu diesem Problem erfahre.

Betreff: PLS mit kategorischer Antwortfair genug Betreff: PLS mit kategorischer Antwort

Die ROC-Kurve enthält tatsächlich beide Fehlerarten, die Sie an einer Fehlklassifikationsrate sehen können, sie wird nur anders ausgedrückt. Anhand der Form der ROC-Kurve können Sie bestimmen, welcher Fehlertyp (falls vorhanden) ein „besserer“ Fehler ist.

Das Problem bei Fehlklassifizierungen besteht darin, dass Fehlklassifizierungen nicht sehr empfindlich sind. Mit anderen Worten, es berücksichtigt nicht die Wahrscheinlichkeiten eines Ereignisses. Betrachten Sie zwei Modelle: Modell 1 und Modell 2. Für eine gegebene Bedingung sagt Modell 1 eine Wahrscheinlichkeit von 95 % voraus, dass das Ereignis eintritt, während Modell 2 eine Wahrscheinlichkeit von 55 % vorhersagt. Für diese Bedingung würden beide Modelle diese Beobachtung auf die gleiche Weise kategorisieren, aber eines ist sich des Ergebnisses viel "sicherer" als das andere. Informationskriterien wie AICc und BIC sind sensiblere Modellmetriken.

 

Ich sage nicht, dass ich keine Fehlklassifizierung verwenden würde, aber zwei Modelle mit derselben Fehlklassifizierungsrate sind nicht unbedingt gleich.

Betreff: PLS mit kategorischer Antwort

Nur eine andere Meinung: Ich weiß, dass ROC-Kurven eine gute Möglichkeit sind, Modelle zu vergleichen. Bei binomialen Antworten schaue ich mir jedoch gerne mehr die Fehlklassifizierungsraten an und insbesondere, wie homogen die Fehler auf Fehler 1 vs. Fehler 2 verteilt sind. Wieso den? Ein Modell, das ein Niveau perfekt vorhersagt und das andere fast aufgrund von mehr oder weniger seltenen Ereignissen, sieht vielleicht immer noch besser aus als ein anderes Modell, das nur die ROC-Kurve betrachtet, glaube ich (@Statistiker, bitte korrigieren Sie mich, wenn ich falsch liege, bin nur ein Mathematiker ).

Das heißt, Sie führen zu einem Modell, das nur besagt, dass alle Vorhersagen zu einer Ebene führen, und nur einige Vorhersagen mit Fehler 1 erhält. Es könnte ein Modell geben, das mehr Fehler im absoluten Sinne vorhersagt, aber sie sagen beide Ebenen ziemlich gut voraus. Dieses Modell ist vielleicht nicht so gut wie das andere Modell aus einer ROC-Kurve oder auch der reinen Fehlklassifikationsrate, aber ich würde es trotzdem wählen, weil es wahrscheinlich näher an der Realität liegt.

 

Betreff: PLS mit kategorischer Antwort

@Dan_Obermiller
Ich stimme Ihrem Snark zu, aber das Problem wäre, wenn sie dafür ein benutzerdefiniertes Skript schreiben müssen, gibt es keinen so zwingenden Grund, JMP Pro zusätzlich zu Python zu übernehmen.

Ich betrachte derzeit die Discriminant-Plattform als potenzielle Option, die die ROC-Diagnose enthält, die der Kunde gewohnt ist, aber versuche, die Vor- und Nachteile zwischen dieser und der PLS-Plattform innerhalb von Fit Model zu verstehen. Um zusätzliche Komplexität hinzuzufügen, möchte der Kunde auch Kreuzbegriffe einbeziehen, die Discriminant nicht unterstützt, PLS-DA jedoch schon. Uff...

Betreff: PLS mit kategorischer Antwort

Nun, natürlich können Sie es in Python tun, weil es eine Programmiersprache ist. Aus dem gleichen Grund können Sie dies in JMP über Skripte tun. Okay, jetzt, wo ich meine "Snarkiness" aus dem Weg geräumt habe ...

 

Ich hatte gehofft, dass Sie die Vorhersageformel von PLS-DA speichern und die ROC-Kurve über die Modellvergleichsplattform erhalten könnten. Leider scheint das Format für die PLS-DA-Vorhersageformel nicht gut mit der Modellvergleichsplattform zu funktionieren. Es sieht so aus, als müsste die ROC-Kurve per Skript erstellt werden.

Betreff: PLS mit kategorischer Antwort

Vielen Dank an alle, sehr hilfreich! Der Kunde (NeuroVision) fragt auch, ob es möglich ist, eine ROC-Diagnosekurve von PLS zu erhalten? Scheint keine Option zu sein, aber gibt es einen Umweg und was ist der Grund, warum es keine Option für PLS mit kategorischen Antworten ist?Anscheinend verwenden sie Python, um diese Art von Ergebnis zu erhalten, und möchten, dass JMP Pro etwas Ähnliches tut.

Betreff: PLS mit kategorischer AntwortEntschuldigung, ich habe gerade festgestellt, dass der Datensatz nicht binomial ist, es gibt mehrere Kategorien.Betreff: PLS mit kategorischer Antwort

Jeder der Beispieldatensätze für die Diskriminanzanalyse in der Beispielbibliothek würde ebenfalls funktionieren.

Der Datensatz „Owl Diet“ ist einfach zu verstehen und funktioniert durch die Konzepte von PLS-DA.

Betreff: PLS mit kategorischer AntwortIch wünschte, ich wäre am Schreiben des PSL-Buches beteiligt gewesen, aber es ist ausschließlich das Produkt von Marie Gaudard und Ian Cox.Betreff: PLS mit kategorischer Antwort

Neugierig, ob mir jemand helfen kann, die Anwendungen für PLS vs. Gen Reg (mit Validierung) zu erklären?Warum sollte man PLS über Gen Reg verwenden?Oder umgekehrt?  

Betreff: PLS mit kategorischer Antwort

Bitte denken Sie daran, das ausgezeichnete Buch über PLS mit JMP von Mia und Ian zu erwähnen!

Betreff: PLS mit kategorischer Antwort

Hallo Mark,

 

Ich füge nur ein Beispiel hinzu, das ich aus einer Situation in der Wissenschafts- / Ingenieurbranche verwendet habe.

 

Das ist aus einem Labor für forensische analytische Chemie. Die Markenprodukte des Unternehmens werden weltweit vertrieben. Manchmal werden gefälschte Produkte als ihre eigenen verkauft. Wenn sie Kundenbeschwerden haben, müssen sie schnell feststellen, ob es sich um ihr Produkt oder eine Fälschung handelt. Traditionell geschieht dies, indem eine Probe über Tage mit vielen verschiedenen chemischen Tests getestet wird. Dies kostet viel Zeit im Labor und bedeutet, dass die Lösung von Kundenproblemen zu lange dauert.

 

Die Lösung besteht darin, Datenanalysen für eine schnelle chemische Analyse zu verwenden, die viele Daten generiert.

 

Im Anhang stellen die RT-Säulen die Peakfläche bei unterschiedlichen Retentionszeiten aus Chromatogrammen dar. Jeder Peak ist eine andere chemische Einheit. Und die Fläche ist proportional zur Menge dieser Entität in der Probe.

 

Ich zeige, wie verschiedene visuelle und Modellierungstechniken es Ihnen ermöglichen, die Unterschiede zwischen den 3 Quellen zu verstehen, und wie Sie bestimmen können, was die Quelle für eine Unbekannte ist. PLS wäre eine Option.

 

Ich hoffe, das hilft.

Phil

Betreff: PLS mit kategorischer Antwort

In der angehängten ZIP-Datei befindet sich ein Journal, das PCA und PLS vergleicht. Darin befindet sich ein Amour-Tiger-Datensatz mit einer kategorischen Reaktion.

Es gibt eine Beschreibung und einige andere Beispiele. Ich denke, das sollte bei dem helfen, wonach Sie suchen. Sie müssen überprüfen, ob alles in JMP 15 funktioniert, da ich es seit einiger Zeit nicht überprüft habe