JMP SVM(Support Vector Machine) 플랫폼R에서 수행한 SVM 모델을 다시 만들려고 하지만 지금은 JMP 내장 SVM 플랫폼을 사용하고 있습니다. 내 입력 매개변수의 크기 조정 및 센터링 없이 JMP SVM을 수행할 수 있습니까? 나는 화학 혼합물 성분을 중량 분율로 표시하므로 모두 동일한 단위(wt.fractions)를 갖습니다. 또한 JMP SVM이 C 및 감마를 최적화할 수 있는지 아니면 R에서 수행해야 하는지 궁금합니다. JMP Pro 15.0을 사용하고 있습니다.
Re: JMP SVM(Support Vector Machine) 플랫폼말할 수 없습니다.
Neural은 유연한 보간기이기 때문에 방금 사용했습니다. 그것은 내 목적을 달성했습니다. 이 경우 또는 일반적으로 다른 모든 경우에 이것이 최고의 보간법이라는 의미는 아닙니다. 나는 나의 이익을 얻었다. 다른 인터폴레이터는 고려하지 않았습니다. 다른 하나가 이 경우 더 잘했을 수도 있지만 이 결과는 'gut genug'였습니다.
최고의 모델을 선택하는 것은 항상 다릅니다. '플러그 앤 처그'가 아닙니다.
예측 모델링의 많은 틈새 시장에는 선호하는 모델이 있으며 다른 모델은 절대 보지 않습니다. 모델이 처음 훈련되었을 때 최고의 모델이었을 것입니다. 데이터가 변하고 예측 모델도 변해야 합니다. 데이터의 특성에 따라 최상의 모델 유형 선택이 결정되지만 데이터의 특성은 시간이 지남에 따라 변합니다. 따라서 데이터가 변경되면 모델을 새로 고쳐야 하며 모델 유형의 선택도 다시 평가해야 합니다. (우리는 오늘 앙상블 모델에 대해 다루지 않을 것입니다.)
이 토론의 질문에 대한 답변으로는 다양한 상황에서 모든 유형의 예측 모델에 대한 모든 장단점을 설명할 수 없습니다. 어떤 유형의 모델도 우월하지 않습니다. "통계 학습의 요소"를 읽는 것이 좋습니다.
Re: JMP SVM(Support Vector Machine) 플랫폼사실이지만 for 루프에서 사용한 가능한 조합을 고려하여 최적의 모델 적합을 달성하기 위해 비용 및 감마에 대한 최적 값을 추정하기 위해 NN 플랫폼을 사용했습니다. 맞습니까?
제 질문은 최적의 값을 찾기 위해 가우스 프로세스보다 NN 플랫폼을 사용하는 이점이 있는지 여부에 관한 것입니다.Re: JMP SVM(Support Vector Machine) 플랫폼질문은 신경 피팅 프로세스의 하이퍼 매개변수에 대한 것이었습니다. 우리는 다른 플랫폼 하이퍼 매개변수의 결과에 대한 신경 모델을 사용하지 않았습니다.
Re: JMP SVM(Support Vector Machine) 플랫폼안녕 @Mark_Bailey ,
비용 및 감마에 대한 최적의 설정을 찾는 데 NN 플랫폼을 사용하면 이점이 있습니까?
최적의 하이퍼파라미터 설정을 찾기 위해 내 데이터와 유사한 작업을 수행하지만 최적의 것을 찾기 위해 NN을 사용하는 대신 Gaussian Process 플랫폼을 사용합니다. 두 가지 "최적" 옵션 각각의 적합도를 비교했으며 가우시안 프로세스의 적합도는 NN 방법에 대해 0.25 대 0.275의 오분류 비율을 보였습니다.
그냥 궁금합니다.
감사!,
DS
Re: JMP SVM(Support Vector Machine) 플랫폼저도 JMP Pro 15.0을 사용하고 있습니다. 머신(SVM)을 사용해 보세요. 감사합니다!Re: JMP SVM(Support Vector Machine) 플랫폼Probability Threshold를 항상 0.5로 유지하려면 어떻게 해야 합니까?
Validation Method("KFold", 10)를 사용하여 Cost 및 Gamma 최적화를 실행할 때 항상 조정된 임계값을 사용하여 Validation Misclassification을 계산하므로 Conditional Validation Misclassification Rate를 계산하므로 첨부 파일을 참조하십시오. 최적화하려고 하지 않는 세 번째 매개변수 임계값이 있으므로 최상의 비용 및 감마를 선택할 수 없습니다.
Re: JMP SVM(Support Vector Machine) 플랫폼저도 좀 바꿨습니다. 대부분 개인 스타일의 문제입니다.
Names Default to Here( 1 );
// use a small example
data = Open( "$SAMPLE_DATA/Big Class.jmp" );
// launch SVM platform
svm = data << Support Vector Machines(
Y( :age ),
X( :height, :weight )
);
// iterate over a range of hyper-parameters
For( cost = 0.5, cost <= 5, cost += 0.5,
For( gamma = 0.1, gamma <= 1, gamma += 0.1,
svm << Fit(
Kernel Function( "Radial Basis Function" ),
Gamma( gamma ),
Cost( cost ),
Validation Method( "None" )
);
);
);
// separate parameters and performance in a new table
results = Report( svm )["Model Comparison"][TableBox(1)] << Make Into Data Table;
// fit interpolator for profiling
results << Neural(
Y( :Training Misclassification Rate ),
X( :Cost, :Gamma ),
Informative Missing( 0 ),
Validation Method( "Holdback", 0.3333 ),
Fit(
NTanH( 3 ),
Profiler(
1,
Confidence Intervals( 1 ),
Term Value(
Cost( 2.75, Lock( 0 ), Show( 1 ) ),
Gamma( 1, Lock( 0 ), Show( 1 ) )
)
),
Plot Actual by Predicted( 1 ),
Plot Residual by Predicted( 1 )
)
);
그러나 분류 오류율이 하이퍼 매개변수에 어떻게 의존하는지 이해하기 위해 또 다른 단계를 추가했습니다. Model Comparison에서 테이블을 저장하고 간단한(그러나 적절한) 신경망에 적합했습니다. 프로파일러는 좋은 값을 찾고 이해하는 데 사용할 수 있습니다. 예를 들어, 비용을 증가시켜 개선이 거의 없는 높은 감마와 적당한 비용을 사용합니다.
Re: JMP SVM(Support Vector Machine) 플랫폼조금 바꿨더니 잘되네요 감사합니다!
dt = Open( "$SAMPLE_DATA/Big Class.jmp" );
gam = .1;
cos = .5;
svm = dt << Support Vector Machines(
Y( :age ),
X( :height, :weight ),
Fit( Kernel Function( "Radial Basis Function" ), Gamma( gam ), Cost( cos ), Validation Method( "None" ), )
);
For( i = 1, i <= 10, i++,
For( ii = 1, ii <= 10, ii++,
svm << Fit(
Kernel Function( "Radial Basis Function" ),
Gamma( gam ),
Cost( cos ),
Validation Method( "None" )
);
gam = gam + .1;
);
cos = cos + .5;
);
Re: JMP SVM(Support Vector Machine) 플랫폼다음과 같은 오류가 발생합니다.
'Assign'의 액세스 또는 평가에서 L-값이 아닌 개체에 할당을 시도하는 경우 dt << obj = /*###*/Support Vector Machines(
Y( :나이 ),
X( :키, :체중),
맞다(
커널 함수( "방사형 기저 함수" ),
감마(감),
비용( cos ),
유효성 검사 방법( "없음")
)
) /*###*/
내가 뭘 잘못했어?Re: JMP SVM(Support Vector Machines) 플랫폼다음은 다양한 매개변수를 반복하는 간단한 예입니다. 기교는 없고 그냥 무차별적으로.
참고로 보고서가 나온 후 보고서 비교에 가장 좋은 모델이 표시됩니다.
dt=Open("$SAMPLE_DATA/Big Class.jmp")
gam=.1;
cos=.5;
dt<<OBJ></OBJ>Re: JMP SVM(Support Vector Machines) 플랫폼센터링 및 스케일링을 끌 방법이 없습니다. 모든 입력이 동일한 스케일에 있는 경우 센터링 및 스케일링은 실제로 이를 변경하지 않습니다. 이는 모델의 "매개변수"에 영향을 주지만 결과 모델에는 영향을 미치지 않습니다. 즉, 0에서 1까지 또는 -1에서 +1까지의 척도에 있는지 여부는 중요하지 않습니다. X 사이의 관계는 동일하게 유지됩니다.
C 및 Gamma의 경우 JMP 설명서에서 다음을 참조하세요.
팁: 가장 적합한 모델을 찾으려면 다양한 커널 함수 및 매개변수 값을 피팅하고 모델 비교 보고서를 사용하십시오.
따라서 JMP는 이러한 매개변수를 최적화하지 않습니다. 이를 수행하기 위해 JMP 스크립트를 작성하는 것을 상상할 수 있지만 C와 감마의 여러 조합에 대해 SVM에 맞아야 하기 때문에 스크립트를 실행하는 데 시간이 걸릴 수 있습니다. 그런 다음에도 여전히 어떤 형태의 보간(또는 model-building) "최적"을 찾습니다.
답변: JMP SVM(지원 벡터 머신) 플랫폼센터링과 스케일링을 끄는 방법이 없습니다. 모든 입력이 동일한 스케일에 있는 경우 센터링 및 스케일링은 실제로 이를 변경하지 않습니다. 이는 모델의 "매개변수"에 영향을 주지만 결과 모델에는 영향을 주지 않습니다. 즉, 0~1 척도인지, -1~+1 척도인지는 중요하지 않습니다. X들 사이의 관계는 동일하게 유지됩니다.
C와 감마에 관해서는 JMP 문서에서:
팁: 가장 적합한 모델을 찾으려면 다양한 커널 함수와 매개변수 값을 맞추고 모델 비교 보고서를 사용하세요.
따라서 JMP는 이러한 매개변수를 자동으로 최적화하지 않습니다. 이를 위해 JMP 스크립트를 작성하는 것을 상상할 수도 있지만 C와 감마의 여러 조합에 대해 SVM을 맞춰야 하기 때문에 스크립트를 실행하는 데 시간이 걸릴 수 있습니다. 모델 구축) "최적"을 찾습니다.
