281531_ko-KR

liliconcom

JMP®를 사용하여 다양한 환경의 모델 비교(2020-US-45MP-593)

수준: 중급

 

Lucas Beverlin, 통계학자, Intel, Corp.

 

모델 비교 플랫폼은 JMP Pro에 적합한 다양한 모델을 비교하는 데 탁월한 도구입니다. 그러나 다른 소프트웨어에서 적합한 모델을 비교할 수도 있습니다. 이 프레젠테이션에서는 모델 비교 플랫폼을 사용하여 JMP Pro15, Python, MATLAB 및 R의 잘 알려진 보스턴 주택 데이터 세트에 적합한 다양한 모델을 비교합니다. JMP는 이러한 환경과 상호 작용할 수 있지만 모델 비교 플랫폼은 다음과 같은 작업을 수행할 수 있습니다. 예측을 출력할 수 있는 모든 소프트웨어에서 적합한 모델을 분석하는 데 사용됩니다.

 

 

자동 생성된 성적표...

 

스피커	성적 증명서
루카스	좋아요, 와서 제 강연을 들어주신 모든 분들께 감사드립니다. 내 이름은 루카스 베벌린이에요. 저는 인텔의 통계학자입니다.
	그리고 오늘은 JMP를 사용하여 다양한 환경의 모델을 비교하는 방법에 대해 이야기하겠습니다.
	좋아요, 현재 JMP 15 Pro는 JMP가 보유한 최신이자 최고의 제품입니다. 모델을 적합시키려는 경우 JMP 15 Pro에는 이를 수행할 수 있는 다양한 도구가 있습니다.
	Fit Model 플랫폼이 있습니다. 신경망 분할 플랫폼에는 신경망 플랫폼이 있습니다. 분류 및 회귀 트리를 원하는 경우. 비선형 모델링을 위한 비선형 플랫폼 외에 몇 가지가 더 있습니다.
	그래서 JMP 15 내에서는 12~13년에 나온 것 같지만 이 모델 비교 플랫폼은 비교에 사용할 수 있는 매우 멋진 도구입니다.
	모델은 JMP 내의 다양한 플랫폼에 적합합니다. 따라서 트리와 신경망이 있는데 어느 것이 더 나은지 확신할 수 없는 경우입니다. 좋아, 둘 사이를 앞뒤로 뒤집을 수 있습니다. 하지만 이제 이것으로,
	같은 화면에 모든 것이 있습니다. 매우 빠르고 쉽게 말할 수 있습니다. 이것이 저것보다 나은지 등등.
	즉, JMP는 많은 것에 적합할 수 있지만 안타깝게도 모든 것에 적합할 수는 없습니다. 따라서 맞지 않는 몇 가지 아이디어를 몇 가지만 제시해 보세요. 예를 들어,
	기계 학습과 AI를 많이 수행하는 것은 일반적으로 많은 활성화 기능이 필요하거나 많은 숨겨진 레이어 노드가 필요한 자동 인코더 또는 컨볼루션 신경망과 같은 것에 적합할 수 있습니다.
	JMP에서 제공하는 것 이외의 다른 활성화 기능이 있으므로 JMP는 JMP 내에서 많은 기능을 수행할 수 없습니다.
	또 다른 하나는 투영 추적 회귀(Projection Pursuit Regression)라는 것입니다. 또 다른 하나는 다변량 적응형 회귀 스플라인이라고 합니다. 불행하게도 JMP가 할 수 없는 일이 몇 가지 있습니다.
	R, Python, MATLAB.
	그 밖에도 몇 가지가 더 있는데,
	하지만 저는 이 세 가지에만 집중하겠습니다. 이제 여기서 논의할 아이디어는 C++, Java, Rust 또는 다른 언어에 적용하고 싶을 것입니다.
	생각해보면, 당신은 그것들을 많이 사용할 수 있을 것입니다.
	따라서 앞서 말했듯이 모델 비교 플랫폼을 사용하여 다른 소프트웨어와도 비교할 수 있습니다. 그럼 무엇이 필요할까요?
	따라서 필요한 두 가지 중요한 것은 모델을 맞추기 위해 사용하는 소프트웨어의 모델 예측입니다.
	그리고 일반적으로 모델 피팅을 수행할 때, 특히 대규모 모델의 경우 데이터를 훈련 검증 및/또는 테스트 세트로 분할할 수 있습니다.
	훈련, 검증, 테스트 등 모든 소프트웨어에 알려주는 것이 필요할 것입니다. 왜냐하면 적합성을 비교할 때 일관성을 원하기 때문입니다.
	좋습니다. 제가 이 강연에서 집중하기 위해 R, Python 및 MATLAB을 선택한 가장 큰 이유는 JMP와 스크립팅 언어가 실제로 자체 R 세션을 생성하고 여기에서 코드를 실행할 수 있다는 것입니다.
	따라서 여기 이 그림은 선형 회귀 모델을 일부 출력에 맞추려는 경우 매우 빠르게 표시됩니다.
	보스턴 주택 데이터 세트로 이동합니다. 나중에 해당 데이터 세트를 사용하여 더 많은 작업을 수행하겠습니다.
	그러나 R에서 선형 회귀 모델을 아주 빠르게 맞추고 예측 값을 뱉어내고 싶다면 그렇게 할 수 있습니다. 물론 JMP를 사용할 수도 있습니다. 하지만 아주 간단한 아이디어를 드리고자 합니다.
	그래서,
	한 가지 주목할 점은 R 3.6.3을 사용하고 있지만 JMP는 2.9보다 큰 버전이면 무엇이든 처리할 수 있다는 것입니다.
	그런 다음 마찬가지로 Python에서도 자신만의 Python 세션을 호출할 수 있습니다. 여기 그림은 제가 Python으로 선형 회귀에 적합하다는 것을 보여줍니다. 여기에서 모든 코드 줄을 단계별로 진행하지는 않지만 기본적인 아이디어는 얻을 수 있습니다.
	물론 Python을 사용하는 경우 Python 3.8.5의 최신 버전이라는 점에서 약간 주의해야 합니다. 하지만 Anaconda를 사용하여 설치하는 경우 JMP가 3.6보다 크면 통신하는 데 문제가 있으므로
	이 데모에서는 3.6.5를 사용하고 있기 때문입니다.
	그리고 마지막으로 자체 MATLAB 세션도 만들 수 있습니다.
	그래서 저는 MATLAB 2019b를 사용하고 있습니다. 그러나 기본적으로 MATLAB 버전이 지난 7~8년 내에 출시되었다면 문제 없이 작동할 것입니다.
	좋습니다. 그러면 모든 것을 어떻게 하나로 묶을까요? 그래서 우리가 여기서 살펴보게 될 일종의 4단계 프로세스가 있습니다. 먼저, 우리는 각 모델을 적합하게 만들고 싶습니다. 따라서 우리는 각 소프트웨어에 데이터와 각 관측치가 있는 세트를 보낼 것입니다.
	모형을 적합하게 만든 후에는 해당 적합성과 예측을 출력하고 이를 JMP가 볼 수 있는 데이터 테이블에 추가하려고 합니다.
	따라서 제가 경고하는 것은 모델을 어디에 적합시켰는지 또는 모델을 어떻게 적합했는지 알 수 있는 항목의 이름을 지정하라는 것입니다. 두 가지 모두 나타나는 예가 있습니다.
	따라서 3단계에서는 모델에 따라 일부 모델 진단을 살펴보는 것이 좋습니다. 모델이 숫자에 따라 잘 맞는 것처럼 보인다고 해서 예를 들어 잔차 그림을 보면
	가장 큰 관심 분야가 잘 맞지 않습니다.
	아니면 잔차 등에 문제가 있는 경우도 있습니다. 그래서 우리는 그런 종류의 것들을 출력하는 방법도 보여줄 것입니다.
	그런 다음 마지막으로 모델 비교 플랫폼을 사용하여 모든 것을 하나의 큰 테이블로 가져와서 앞뒤로 뒤집는 것보다 훨씬 쉽게 숫자를 비교할 것입니다.
	좋습니다. 이제 단계를 좀 더 자세히 살펴보겠습니다. 따라서 모델 피팅을 수행하는 첫 번째 단계에는 기본적으로 두 가지 옵션이 있습니다. 먼저 JSL을 통해 JMP에 선택한 소프트웨어를 호출하도록 지시할 수 있습니다.
	이에 맞는 데이터와 코드를 보냅니다. 그래서 사실 저는 잠시 이 일에서 벗어나 정확히 그 일을 하려고 합니다.
	여기 보시다시피 실제로 R을 호출하기 위한 코드가 있습니다.
	그런 다음 완료되면 Python을 호출하고 완료되면 MATLAB을 호출한 다음 모든 것을 하나로 묶습니다. 이제 여기에 있는 코드에 대해 조금 더 설명하겠습니다. 실행하는 데는 3~4분 정도 걸릴 것입니다. 그래서 지금 그렇게 하려고 합니다.
	그리고 준비가 되면 그에게 다시 돌아올 것입니다.
	따라서 다른 옵션은 검증을 통해 데이터 세트를 만드는 것입니다. 글쎄, 우리는 얼마나 많은지에 따라 검증 열 및/또는 테스트 열을 사용하여 데이터 세트를 만듭니다.
	세트가 데이터를 분할하고 있었습니다. 우리는 실행해야 하는 모든 소프트웨어에서 실행되도록 예정되어 있으며, 물론 필요한 모든 소프트웨어에서 출력됩니다.
	물론 몇 가지 경고가 있습니다. 사용하고 있는 소프트웨어가 실제로 모델에 맞는 데 필요한 기능을 갖추고 있는지 확인하십시오.
	모델을 사물과 비교하기 전에 피팅이 완료되었는지 확인하세요.
	출력 형식이 JMP에서 실제로 읽을 수 있는 형식인지 확인하세요. 다행히 JMP는 꽤 많은 내용을 읽을 수 있으므로 이는 네 가지 경고 중 가장 큰 내용은 아닙니다.
	하지만 앞서 경고한 것처럼 각 모델의 예측이 원본 데이터 세트의 올바른 관찰과 일치하는지 확인하세요.
	이것이 훈련이라면, 훈련 관찰이라면 JMP에 맞추면,
	어떤 소프트웨어를 사용하든 이를 적용할 때 훈련 관찰이 되는 것이 좋습니다. JMP에서의 검증이라면 다른 곳에서도 검증됩니다. JMP에서의 테스트이고 다른 곳에서도 테스트될 것입니다.
	따라서 모든 것이 올바르게 일치하는지 확인하세요. 우리가 마지막으로 확인하고 싶은 것은 테스트 세트를 보고 "아, 이게 훨씬 더 적합해"라고 말하는 것이기 때문입니다. 글쎄, 그것은 그에 맞는 관측치가 서로 다르게 가중치를 부여받았고 실제 특이치가 없었기 때문입니다. 그러면 결국 생각이 왜곡되는 것입니다. 그래서
	주의 사항이 있습니다. 실례합니다. 주의 사항이 있습니다.
	좋아요. 제가 언급했듯이 현재 백그라운드에서 실행 중인 예가 있습니다. 그래서 저는 제가 하고 있는 일에 대해 조금 더 자세히 설명하고 싶습니다. 그래서
	저는 R, Python, MATLAB에 신경망을 적용할 예정입니다. 따라서 이를 수행하려면 R 내에서 기본 설치에 포함된 두 개의 패키지, 즉 Keras 패키지와 Tensorflow 패키지를 R에 설치해야 합니다.
	numpy, 팬더, matplotlib.
	일부 계산을 꽤 쉽게 수행하기에는 너무 복잡합니다. 팬더, 데이터를 처리하는 팬더...일부 데이터 조작; matplotlib는 일부 플롯을 생성하는 데 매우 간단해야 합니다. 그런 다음 MATLAB에서는 딥러닝 도구 상자를 사용하는데, 액세스 권한이 있는지 여부는 알 수 없습니다.
	좋아요. 따라서 2단계에서는 JMP 데이터 테이블에 예측을 추가하려고 합니다. 따라서 JMP를 사용하여 소프트웨어를 호출하는 경우 JSL 코드를 사용하여 해당 예측을 검색하고 이를 데이터 테이블에 추가한 다음 나중에 비교할 수 있습니다.
	따라서 할 수 있는 다른 방법은 소프트웨어가 자체적으로 실행되어 출력을 저장하는 것입니다. JMP에게 신속하게 출력 파일을 가져온 다음 몇 가지 조작을 수행하여 예측을 가지고 있는 데이터 테이블에 가져오라고 알릴 수 있습니다. 결과를 저장합니다.
	이제 진단 플롯도 읽을 수 있습니다. 이 경우 일반적으로 수행할 작업은 해당 진단 플롯을 그래픽 파일로 저장하는 것입니다. 그래서 저는 PNG 파일이 될 것입니다. 하지만 물론, 어느 쪽이든
	사용할 수 있는 그래픽. 이제 JMP가 모든 항목을 처리할 수는 없지만 jpg와 일부를 매핑하는 PNG에는 일반적인 항목이 포함되어 있다고 생각합니다.
	그래서 두 번째 참고 사항은 모델 비교 플랫폼에 이것을 사용하는 것입니다. 그러나 귀하에게 적합한 모델이 무엇인지, 어디에 적합한지 식별하는 데 도움이 됩니다.
	일반적으로 추가하는 각 예측 열에 대해 다음 속성을 추가하는 것이 좋습니다. 여기에서 볼 수 있듯이 관심 있는 데이터 테이블을 보내고 있는데 이 속성을 예측이라고 합니다.
	그래서 여기에는 사물을 예측하는 데 사용하는 것이 무엇이든 있습니다(이제 여기 가치는 아마도 최선의 선택이 아닐 것입니다).
	하지만 이 제작자의 경우 이 모델을 실제로 만드는 데 어떤 소프트웨어를 사용했는지 알 수 있습니다. 그래서 여기서는 R을 사용했습니다. R이 표시되어 실제로 화면에 맞도록 표시됩니다. Python과 MATLAB은 조금 길었지만 여기에 원하는 문자열을 넣을 수 있습니다.
	곧 여기에서 코드를 좀 더 자세히 살펴볼 때 해당 내용을 확인하게 될 것입니다.
	그래서 나중에 R 내에서 여러 모델을 맞출 것이기 때문에 이것은 유용합니다. 따라서 열 이름을 올바르게 선택하고 R이 생성한 열 이름이 여러 개 있는 경우에도 실제로 보고 있는 모델이 무엇인지 알 수 있습니다.
	좋아요, 이것이 일반적인 모델 비교 대화 상자의 모습입니다.
	그래서 제가 주목하고 싶은 점은 모든 모델 피팅이 끝난 후 점을 찍고 클릭하면 대략적으로 이런 모습이 된다는 것입니다. 따라서 여러 예측 변수가 있음을 알 수 있습니다. 그래서 저는 MATLAB, Python, R을 위한 신경망을 가지고 있습니다.
	다양한 예측 형태; 저는 몇 가지 사항을 충족하기 위해 JMP를 사용했습니다.
	이제 사람들이 하는 일은 종종 이 유효성 검사 열을 그룹으로 배치하는 것입니다.
	훈련 검증과 테스트를 그룹화합니다. 실제로 여기 By 문에 출력을 추가하면 출력이 조금 더 좋아집니다. 그래서 여기서는 잠시 후에 보여드리겠습니다. 하지만 둘 중 하나를 넣을 수 있습니다.
	하지만 나는 길고 짧은 출력이 더 나은 방식을 좋아합니다.
	그래서 이것이 지금 확실히 알 수 있는 가장 큰 이유입니다. 이 모든 것이 훈련입니다.
	이것들은 모두 검증(헤더로 볼 수 없음)이고 모두 테스트입니다.
	유효성 검사를 그룹 변수로 사용하면 21개의 항목이 포함된 하나의 큰 테이블이 생성됩니다. 이제 추가 열이 있습니다. Training Validation Test 라고 나오네요. 제 경우에는 012 인데
	이렇게 단어를 사용하면 어렵게 생각할 필요가 없습니다. 012가 무엇을 의미하는지 누구에게도 설명할 필요가 없습니다. 그래서 제가 그런 선택을 하게 된 것입니다.
	좋습니다. 예를 들어 여기서는 전형적인 보스턴 주택 데이터 세트를 사용하겠습니다. 이제 이것이 JMP에 포함되었습니다. 그래서 프레젠테이션에 파일로 포함하지 않은 이유도 있습니다. JMP가 있다면 이미 갖고 있는 것이기 때문입니다.
	그래서 해리슨과 루빈펠드는 주택의 중간 가치에 대한 몇 가지 예측 변수를 가지고 있었습니다. 예를 들어 1인당 범죄율, 도시당 비소매업 면적 비율,
	구입하려는 물건의 평균 방 수, 마을별 학생 대 교사 비율(따라서 교사가 많고 학생이 많지 않다면 일반적으로 더 나은 교육을 의미하는 것은 많은 사람들이
	발견) 및 기타 여러 가지. 여기서는 13가지를 모두 다루려고 하지는 않을 것입니다.
	좋습니다. 여기서 제가 본 모델에 대한 배경 지식을 조금 말씀드리겠습니다. 그런 다음 JSL 코드를 자세히 살펴보고 모든 것을 어떻게 맞추는지 살펴보겠습니다.
	그래서 몇몇 모델을 살펴봤습니다. 먼저, 전형적인 선형 회귀 모델입니다. 여기에서는 간단한 선형 회귀를 볼 수 있습니다. 저는 세율에 따라 중앙값을 맞추었습니다.
	하지만 물론 다중 선형 회귀를 사용하여 모두 사용할 것입니다.
	그래서,
	그러나 13개의 서로 다른 예측 변수가 있고 그 중 일부가 서로 상관 관계가 있을 수 있다는 것을 알고 있으므로 몇 가지 다른 유형의 회귀 분석을 살펴볼 가치가 있다고 결정했습니다.
	그 중 하나가 브리지 회귀(Bridge Regression)라는 것입니다. 그래서 실제로 모든 것은 기본적으로 다음과 같은 제약 조건이 추가된 선형 회귀입니다.
	내 매개변수의 제곱 값은 일부 상수보다 클 수 없습니다.
	저는... 실제로 이것을 람다의 일부 값이 C의 일부 값과 일치하는 최적화 문제로 다시 작성할 수 있다는 것이 밝혀졌습니다.
	그리고 저는 여러분이 보아오던 일반적인 최소 제곱법과 달리 이 추가 벌점 항을 사용하여 이를 최소화하려고 합니다.
	이제 이것을 수축 방법이라고 합니다. 왜냐하면 당연히 이것을 점점 더 작게 만들면 이 모든 것을 0에 점점 더 가깝게 밀어넣기 때문입니다. 물론, 얼마나 제한적이기를 원하는지 생각해 볼 필요가 있습니다.
	이제 수축으로 인해 모든 사람이 천천히 0을 향해 나아가게 됩니다. 그러나 다른 유형의 처벌 용어를 사용하면 실제로 일부 용어를 완전히 제거할 수 있습니다.
	그리고 올가미라는 것을 사용할 수 있습니다. 여기의 제약은 매개변수 추정값의 제곱 대신에 매개변수 추정값의 절대값의 합을 취하는 것입니다.
	그리고 그 결과, 실제로 일어날 일은 매우 약한 사람들이 실제로 매개변수 추정치를 0으로 설정한다는 것입니다.
	중요하지 않은 용어는 제거하세요.
	따라서 올가미 및 능선 회귀가 수행하는 작업에 대해 약간의 시각적 정보를 제공합니다. 따라서 능선 회귀의 경우 여기 원은 페널티 항을 나타냅니다.
	그리고 여기서 우리는 매개변수 공간을 보고 있습니다. 따라서 실제 최소 제곱 추정값은 여기에 있습니다. 추가 제약이 있기 때문에 우리는 거기에 도달하지 못했습니다.
	그래서 결국 우리는 어디가...기본적으로 원에 닿는 최소값을 어디서 얻을 수 있는지 알아냅니다. 이것이 바로 능선 회귀 매개변수 추정치입니다.
	올가미의 경우 그림과 비슷하지만 절대값으로 보면 원이 아니라 다이아몬드에 가깝습니다. 이제 이것은 2차원입니다. 물론 우리는 초구체와 모든 모양에 대해 알아볼 것입니다.
	하지만 여기를 보시면 다이아몬드 끝 부분에 바로 닿는 것을 알 수 있습니다. 따라서 이 경우 베타 1은 실제로 0입니다. 이것이 용어를 제거하는 방법입니다.
	자, 우리가 살펴볼 또 다른 것은 회귀 트리(regression tree)라는 것입니다. 이제 JMP는 파티션 플랫폼을 사용하여 이러한 작업을 수행합니다. 그래서 이것이 무엇을 보여주는지에 대한 매우 간단한 데모를 제공하기 위해, 그 안에 모든 데이터가 있습니다.
	그래서 제가 스스로에게 물어볼 첫 번째 질문은 집에 방이 몇 개 있느냐는 것입니다. 방의 0.943개를 가질 수 없다는 것을 알고 있으므로 기본적으로
	방이 6개 이하입니다. 그러니 나무의 이 부분으로 내려오세요. 나무의 이 부분으로 내려오지 맙시다. 이제 방이 7개 이상이면 즉시 중앙값을 예측하게 됩니다.
	값은 37이 됩니다. 수만 달러 단위이므로 370,000달러를 벌어보세요.
	7보다 작다면 제가 물어본 다음 질문은 'lstat의 크기는 얼마나 됩니까?'입니다.
	따라서 그것이 14.43보다 크거나 같으면 이 노드를 보면 갑자기 내 주택 중앙값이 약 15만 달러로 추정되고 여기로 오면 약 23만 3천 달러가 될 것입니다.
	따라서 회귀 트리가 실제로 수행하는 작업은 입력 공간을 여러 영역으로 분할하는 것입니다. 그리고 우리는 해당 영역 내의 모든 값에 대해 동일한 예측을 제공합니다.
	여기서 볼 수 있듯이 분할했습니다. 이제 이 경우에는 그리기가 더 쉽기 때문에 2차원을 사용합니다.
	여기 이 트리를 볼 수 있습니다. 여기서 처음으로 x1을 살펴보겠습니다. 이제 여기 x2를 보고 x1에 대해 또 다른 질문을 하고 x2에 대해 또 다른 질문을 하세요. 이것이 제가 입력 공간을 분할하는 방식으로 끝나는 것입니다.
	이제 이 5개 각각은 예측 값을 가지게 됩니다. 그리고 그것은 본질적으로 이것이 보이는 모습입니다. 나는 이것을 위에서 바라본다. 나는 정확히 이것을 얻을 것이다. 하지만 여기에서 볼 수 있듯이
	다섯 가지 영역 중 어느 영역이 맞는지에 따라 예측이 조금씩 다릅니다.
	이제 이 중 하나를 정확히 맞추는 방법에 대해 너무 자세히 설명하지는 않겠습니다.
	James, Witten, Tibshirani 및 Friedman이 약간의 정보를 제공합니다. 레오 ??? 당신이 거기를 볼 수 있도록 그것에 중요한 책을 썼습니다.
	다음으로는 요즘 머신러닝 등에서 많이 사용되고 있는 신경망에 대해 말씀드리겠습니다. 그래서 이런 종류의 신경망이 어떻게 생겼는지 시각적으로 보여줍니다. 따라서 여기서 이 시각적 개체는 전달할 때 5개와 13개의 입력을 사용합니다.
	이것들...이 숨겨진 레이어에. 그리고 이들 각각은 활성화 함수를 통해 변환됩니다.
	그리고 각 활성화 함수에 대해 출력을 얻고 우리는 다음을 사용합니다...
	종종 중간값을 예측하기 위해 이러한 출력의 선형 회귀를 사용합니다.
	알았어, 그러니까
	실제로 신경망은 결국 비선형 모델입니다. 실제로 신경망이라고 불리는 이유는 일반적으로 뉴런이 인간 두뇌 내에서 작동하는 것으로 보는 방식을 표현하기 때문입니다.
	따라서 각 입력은 숨겨진 레이어의 노드로 전달될 수 있습니다. 히든 레이어에서는 입력이 활성화 함수를 통해 푸시되고 일부 출력이 계산되며 각 출력은 다른 히든 레이어의 노드로 전달되거나 네트워크의 출력이 될 수 있습니다.
	이제 JMP 내에서는 숨겨진 레이어가 두 개만 허용됩니다.
	사실 신경망을 만드는 데 있어서 20개를 가질 수 없다는 말은 없습니다.
	우리는 지금 걱정하고 있습니다. 사실, 어떤 연속 함수라도 근사화할 수 있다는 통계 이론이 있습니다.
	두 개의 숨겨진 레이어가 있는 몇 가지 경계 조건이 주어졌습니다. 이것이 바로 JMP가 그런 결정을 내린 이유일 것입니다.
	선형, 쌍곡선 탄젠트 및 가우스 방사형 기준. 그래서 사실,
	여기 이 노드에서 여기 작은 곡선을 확인하세요. 나는 그것이 쌍곡선 탄젠트 함수를 위한 것이라고 믿습니다. 선형은 위로 올라가는 직선이 될 것입니다. 내 생각에 가우스 방사형 기준은 정규 곡선처럼 보일 것입니다.
	그것이 바로 신경망 플랫폼입니다. 그래서 우리가 마지막으로 살펴볼 것은 투영 추적 회귀라는 것입니다. 저는 JMP가 할 수 없는 일을 끌어내고 싶었습니다. 여기서 예를 들어보겠습니다.
	음, 투영 추적 회귀는 원래 스탠포드의 Jerome Friedman과 Steutzle이 제안한 모델이었습니다. 그들의 모델은 예측을 수행합니다. y가 베타 i, f sub i의 합과 입력의 선형 변환과 같은 형식으로 예측합니다.
	실제로 이것은 신경망과 다소 유사합니다. 여기에는 k개의 노드가 있고 각 노드에는 활성화 함수 fi가 있는 하나의 숨겨진 레이어가 있습니다.
	엘. 투영 추구 회귀를 통해 우리는 실제로 이러한 f sub i도 추정할 것입니다.
	일반적으로 그들은 일종의 더 매끄러워지거나 스플라인 핏이 될 것입니다. 일반적으로 f sub i를 능선 함수라고 합니다. 이제 알파, 베타, 그리고 최적화해야 할 F가 있습니다. 따라서 일반적으로 단계적 피팅이 수행됩니다. 이 시점에서는 세부 사항에 대해 너무 깊이 다루지는 않겠습니다.
	좋아, 그래서 나는 내 모든 모델을 살펴보았습니다.
	이제 몇 가지 결과를 보여드리겠습니다. 모든 것이 좋아 보이길 바랍니다. JMP를 시작하기 전에 제가 주목해야 할 한 가지는
	R, Python for Keras에서 신경망의 시드를 설정하는 것은 정말 어렵습니다. 따라서 내 코드를 가져와 실행하면 내가 얻은 것과 정확히 일치하지 않을 수도 있지만 거의 비슷할 것입니다. 그래서 이렇게 말했습니다.
	우리가 여기서 무엇을 얻었는지 봅시다. 그래서 이것이 제가 얻은 결과였습니다. 이제 불행하게도 일이 완벽하게 진행된 것 같지는 않습니다.
	그래서,
루카스	여기에 내가 뭘 갖고 있지? 그래서 저는 교육을 받고 검증을 받고 테스트를 받습니다. 그래서 우리는 이러한 모델 중 하나가 잘 맞지 않는다는 것을 매우 빨리 알 수 있습니다. 불행히도 R 내의 신경망에는 끔찍한 일이 일어났습니다.
	시작하려면 입력 공간에서 잘못된 지점을 포착해야 합니다. 그래서 그것은 아주 좋은 모델에 맞지 않았습니다.
	불행하게도 비선형 모델의 시작 매개변수는 중요합니다. 어떤 경우에는 우리는 그들에게 조금씩 물립니다.
	하지만 다른 모든 것을 살펴보면 다른 모든 것이 꽤 잘 맞는 것 같습니다. 이제 괜찮은 점은 우리가 그것에 대해 논쟁을 벌일 수 있지만 R 제곱이 0.5보다 높은 것으로 보입니다. 루트 평균이 표시됩니다.
	여기의 제곱 오차는 약 5 정도이며 평균 절대 오차도 3개 범위에 있습니다. 이제 훈련에서는 투영 추적 회귀가 가장 좋은 것 같습니다.
	검증 데이터 세트로 내려가면 여전히 R처럼 보입니다.
	프로젝션 추구가 가장 잘되었습니다. 하지만 테스트 데이터 세트를 보면 갑자기 R의 신경망을 무시한다고 가정할 때 투영 추적 회귀가 두 번째로 최악인 것으로 나타났습니다.
	종종 이와 같은 프레임워크에서는 모델 적합성을 결정하기 위해 어떤 방식, 모양 또는 형식으로도 사용되지 않았기 때문에 가장 가까운 테스트 데이터 세트를 살펴보게 됩니다.
	그리고 우리는 그것을 바탕으로 다음과 같이 봅니다.
	JMP의 능선 회귀가 가장 적합합니다.
	여기에서 볼 수 있습니다. R 제곱은 이전에 .71이었고 이전에는 약 .73이었고 여기에서는 약 .73이므로 지속적으로 적합하다는 것을 알 수 있습니다.
	세 가지 데이터 세트 모두에서 동일한 내용이 적용됩니다. 따라서 내가 현재 보고 있는 것만을 토대로 결정을 내려야 한다면 아마도 다음과 같은 결정을 내릴 것입니다.
	능선 회귀. 즉, 여기 아래에는 수많은 진단 도구와 기타 등등이 있습니다. 따라서 R의 신경망에 무슨 일이 일어났는지 살펴보고 싶다면,
	아주 빨리 알 수 있어요. 거기에서 불과 몇 걸음 떨어진 곳에서 무슨 일이 일어났어요. 보시다시피, 거의 모든 것이 220,000개로 예측되기 때문에 피팅 작업이 매우 형편없습니다.
	따라서 우리는 이것을 피팅하는 동안 문제가 발생했다는 것을 알고 있습니다.
	그래서 우리는 능선 회귀가 가장 좋은 것처럼 보이는 것을 보았습니다. 그럼 어떤 내용이 나오는지 살펴보겠습니다. 그럼 잠시 후에 제 JSL 코드를 보여드리겠습니다.
	에서는 이 모든 작업을 수행한 방법을 보여주지만, 음, 여기서는 능선 회귀 분석의 매개변수 추정치를 볼 수 있습니다. 능선 진단 도표를 볼 수 있으므로 원래 추정치에서 상황이 너무 많이 줄어들지는 않았습니다.
	하지 않은 것과 같은 로그를 사용하여 유효성 검사 테스트를 통해 확인할 수 있습니다.
	그리고 여기 오른쪽에는 본질적으로 잔차 플롯이 있습니다. 이는 예측에 의한 실제입니다.
	훈련을 통해 알 수 있듯이 비용이 많이 들고 잘 예측되지 않은 몇 가지가 있었던 것 같습니다. 여기서는 테스트 세트보다 적은 수를 볼 수 있으므로 실제로 문제가 너무 많은 것 같지는 않습니다. 여기에는 약간 이상한 점이 몇 가지 있지만 일반적으로 볼 수 있습니다.
	가격이 낮은 주택에 있을 때는 세 가지 데이터 세트 모두 상당히 잘 들어맞습니다. 다시 한번, 우리는 이것에 무슨 일이 일어났는지 자문하고 싶을 수도 있지만,
	현재로서는 이것이 가장 좋은 것 같습니다. 그래서 우리는 다른 사람들에게서 볼 수 있습니다.
	여기를 보아라. 그럼 잠시 MATLAB을 살펴보겠습니다.
	따라서 여기에서도 훈련 테스트 검증을 볼 수 있습니다. 그래서 여기서 우리는 뱉어내고 있습니다...MATLAB은 진단의 한 가지를 뱉어냈는데, 이를 완료하는 데 몇 시대가 걸렸다는 것을 알 수 있습니다.
	하지만 고맙게도 MATLAB은 우리가 알 수 있듯이 매우 빠르게 실행됩니다.
	그리고 실제는 여기서 예측됩니다.
	우리는 이 모든 것을 볼 수 있습니다.
	좋습니다. 이제 몇 분 동안 코드를 살펴보겠습니다.
	물론 몇 가지 참고 사항은 이 모든 것을 실제로 실행할 수 있도록 설치되었는지 확인하는 것입니다. 그렇지 않으면 JMP는 비참하게 실패할 것이고 예측을 내뱉지 않고 예측을 찾을 수 없기 때문에 실패할 것입니다.
	따라서 JMP에는 코드를 사용하여 검증 열을 생성하는 기능이 있습니다. 그래서 저는 60 20 20을 선택했습니다. 저는 여러분이 제가 사용하는 것과 동일한 훈련 검증 테스트 세트를 사용할 수 있도록 여기서 무작위 시드를 선택했습니다.
	그래서 실제로 지금 당장 제가 하는 일은 훈련, 검증, 테스트 중 무엇인지 저장하는 것입니다. 실제로 해당 열을 잠시 삭제하겠습니다.
	여기서 그렇게 하는 이유는 데이터 세트를 R, Python 및 MATLAB으로 보내고 그 안에 있는 모든 것이 출력이거나 모든 입력일 때 코딩하기가 더 쉽기 때문입니다.
	그래서 나는 그렇지 않은 유효성 검사 열을 원하지 않았고 그렇게 하는 것이 조금 더 어려워졌습니다. 그래서 제가 한 일은 데이터 세트를 보내는 것이었습니다.
	훈련, 검증, 테스트 행을 보낸 다음 R 코드를 호출하여 실행합니다. 이제 실제로 할 수 있습니다
	실제 R 코드 자체를 여기에 넣으세요. 영원히 스크롤할 필요가 없도록 여기에 한 줄만 쓰기로 결정했습니다. 하지만 당신을 막을 수 있는 것은 아무것도 없습니다. 프레젠테이션 앞부분에서 본 것과 같이 코드 몇 줄만 있으면 여기에 바로 붙여넣을 수 있습니다.
	일단 완료되면...이 코드가 뱉어집니다.
	진단 사진입니다. 6~7번의 반복 후에 중지되는 것을 확인했습니다. 이것이 종료되었다고 가정해 보겠습니다.
	그리고 이 스크립트의 능선 회귀에도 적합하므로 두 개의 그림을 얻을 수 있습니다. 그래서 그 것도 뱉어내고 아웃라인 박스와 함께 저장했습니다. 이제 이것들은 모두 모든 코드의 끝에 합쳐집니다.
	그런 다음 출력을 얻었고 잠시 후에 이를 여기 데이터 테이블에 추가하겠습니다.
	좋습니다. 여기에 약간의 코드를 제공합니다. 600만 개의 관측치가 있고 실제로 모델을 맞추는 데 24시간이 걸린다고 가정하면 아마도 JMP 내에서 실행하고 싶지 않을 것입니다.
	따라서 여기에서 수행할 수 있는 약간의 코드로서 다음과 같이 말할 수 있습니다.
	좋아요, 제가 관심 있는 데이터 테이블을 열겠습니다. R에게 그동안 다른 곳에서 실행하라고 지시할 것입니다. 시스템에서 '안녕하세요, 끝났습니다'라는 녹색 표시등이 켜지면 '좋아, 그럼 출력을 열고 가져오세요'라고 말할 수 있습니다. 그것을 안으로
	내 데이터 테이블. 그래서 이것은 당신이 그 일을 할 수 있는 한 가지 방법이 될 것입니다. 물론 해당 사진 파일을 어딘가에 저장하고 이 코드도 사용하고 싶을 것입니다. 하지만 이것은 완전히 동일한 코드가 될 것입니다.
	좋습니다. Python의 경우 매우 유사할 것입니다. 이것저것은 패스하겠습니다. 일부 Python 코드를 실행하고 진단 플롯을 작성하고 예측을 작성해 보세요.
	그리고 Python 코드 몇 개를 보여드리면 JMP에서 했던 것과 매우 유사하다는 것을 알 수 있습니다. 이 경우에는 일부 CSV 파일을 열어 보겠습니다. 더 이상 필요하지 않으므로 열을 복사하고 닫습니다.
	그런 다음 MATLAB은 다시 똑같은 게임을 합니다. 자산을 관리하려면 MATLAB 스크립트를 실행하세요. 여기서 내뱉은 PNG 파일을 얻습니다. 필요한 곳에 저장하고 예측을 저장하세요. 그리고 꼭 잡아야 한다면
	여기에서 실행하는 대신 약간의 샘플 코드를 사용하면 됩니다.
	자, 이제 R, Python 및 Matlab 호출이 완료되었으므로 JMP에서 사용할 수 있도록 검증 열을 다시 가져옵니다. 그래서 나는 어느 것이 어느 것인지 기억하기 때문에.
	따라서 기본적으로 JMP는 우리가 사용할 검증 열 내의 값을 확인합니다. 가장 작은 값은 훈련이고, 그 다음으로 큰 값은 검증, 가장 큰 값은 테스트입니다. 이제 K 접기 교차 검증을 수행하면 그것이 어느 접기인지 알려줄 것입니다. 그래서 012345678 등을 통해 진행됩니다.
	그럼 이걸 만들어 보세요. 그런 다음 여기에 이것을 생성했습니다. 그러면 012 대신 실제로 출력에 훈련, 검증 및 테스트가 표시됩니다.
	이해하다. 따라서 이전에 JMP를 사용해 본 적이 없는 사람에게 012가 무엇을 의미하는지 알 수는 없지만 훈련, 검증 및 테스트가 무엇인지는 알아야 합니다.
	자, 이제 데이터 테이블에 예측을 추가하기 시작합니다. 음, 여기 제가 강연 초반에 언급했던 집합 속성이 있습니다.
	그래서 제 작성자의 MATLAB에 열 이름을 지정했습니다. 그래서 MATLAB에 대한 신경망 예측이라는 것을 알고 있습니다. 그래서 반드시 창작자가 필요하지는 않을 수도 있지만, 이름을 붙이는 것이 조금 엉성한 경우를 대비해
	미안합니다.
	따라서 우리는 모든 투영 추적 회귀, 신경망 등을 얻을 수 있습니다.
	그런 다음 저는 JMP에서 능선 회귀, 올가미, 선형 회귀 분석을 적합하다고 언급했습니다.
	그래서 여기서 다 했어요. 그래서 여기서는 적합 모델, 일반화 회귀를 수행합니다. 이 모든 것을 뱉어내세요.
	내 예측 공식을 사용해 보세요.
	마지막에 전체 출력에 대해 예측하여 실제 결과를 플롯합니다.
	그리고 신경망을 맞추겠습니다. 유효성 검사 열이라고 말할 수 있습니까? 공변량을 전송하는데, 일반적으로 신경망은 일반적으로 출력이 무엇이든 상관없이 0을 중심으로 크기를 조정할 때 조금 더 잘 맞는 경향이 있습니다.
	첫 번째 숨겨진 레이어에는 세 개의 노드가 있습니다. 두 번째 숨겨진 레이어에는 두 개의 노드가 있습니다. 여기서는 둘 다 선형 활성화 함수입니다. 위의 세 가지에 대해서는 제한된 선형 단위 활성화 기능을 사용하므로 약간 다릅니다.
	하지만 나는 그것들이 상관없이 거의 똑같은 것 같다는 것을 알았습니다.
	5. 이것이 의미하는 바는, 저는 5개의 서로 다른 시작 값 세트를 시도할 것이며, 어느 것이 가장 좋은 것을 유지할 것이라는 것입니다.
	내 코드에서 알 수 있듯이 아마도 R로 그렇게 했어야 했을 것입니다. 그것은 일종의 4개의 루프를 수행하고, 그 중 여러 개를 수행하고, 가장 잘 하는 것을 뱉어냅니다. 그래서 앞으로의 작업을 위해 제가 갈 곳은 바로 그곳입니다.
	그런 다음 해당 항목을 저장하고 이제 모델을 비교할 준비가 되었습니다. 이제 모델 비교에 새로운 열을 모두 가져옵니다.
	조금 스크롤하세요. 그래서 여기서는 이전에 언급한 대로 유효성 검사를 수행하고 있습니다.
	그래서 마지막으로 제가 원하는 대로 보이도록 약간의 코딩을 하고 있습니다.
	그래서 저는 JMP에서 말하는 일반적인 내용 대신 교육 진단, 검증 진단, 테스트 진단 등의 개요 상자를 얻습니다.
	이 진단 플롯을 얻을 거 야.
	이제 여기서는 핸들을 잡는 데 필요한 출력의 일부만 원한다고 말하고 있습니다.
	모든 잔차 플롯이 즉시 표시되는 것은 아니기 때문에 일부 잔차 플롯을 매우 빠르게 만들겠습니다. 특히 MATLAB, Python 및 R의 잔차 플롯은 더욱 그렇습니다.
	제목을 설정한 다음 여기서는 크고 오래된 테이블이나 크고 오래된 대화를 만듭니다.
	그런 다음 모든 것을 일기로 기록합니다.
	그래야 깔끔하고 깨끗해요. 많은 물건을 닫아서 걱정할 필요가 없습니다. 그리고 마지막에 제가 하고 싶었던 일은 이 중 하나를 열 때였습니다.
	그 아래의 다른 모든 것은 즉시 열려 있습니다.
	6~7가지 다른 항목을 클릭해야 합니다. 보시다시피 여기와 여기를 클릭해야 합니다.
	여기 3개가 더 있습니다. 하나 더 있는 것 같아요. 죄송합니다. 하지만 이렇게 하면 이들 중 하나를 클릭할 필요가 없으며 자동으로 열립니다.
	이것이 바로 이 코드의 마지막 부분이 하는 일입니다.
	좋아요.
루카스	따라서 이것은 출력과 라이브 실행이 다릅니다. 그러나 이것이 보일 수도 있는 곳입니다.
	제가 언급한 것처럼 코드에서 여러분이 본 것과 우리가 본 것과 다른 것을 본 것입니다.
	리차드
루카스	아니요. 따라서 모든 것을 마무리하면 모델 비교 플랫폼은 한 곳에서 여러 모델의 예측 능력을 비교할 수 있는 매우 훌륭한 도구입니다. 여러 가지 일 사이를 왔다 갔다 할 필요가 없습니다. 바로 눈앞의 모든 것을 바라볼 수 있습니다.
	JMP에 맞지 않는 모델을 맞추거나 JMP에 맞지 않는 모델을 비교하는 데에도 유연성을 사용할 수 있습니다. 그래서
	이를 통해 피팅하는 데 오랜 시간이 걸리는 매우 큰 모델을 피팅해야 하는 경우 적합하도록 지시할 수 있습니다. JMP에서 모든 것을 가져오고 모든 결과를 매우 쉽게 확인하여 다음 단계를 결정하세요.
	시간을 내주셔서 감사합니다.

 

브레이크아웃데이터 접근 및 조작예측 모델링