281495_ja-JP

liliconcom

JMP Pro 用 XGBoost アドイン (2020-US-45MP-540)

レベル: 上級

ラス・ウォルフィンガー、JMP 科学発見・ゲノミクス担当ディレクター、著名な研究員
ミア・スティーブンス、JMP 主席製品マネージャー

JMP Pro の XGBoost アドインは、極度勾配ブースティング ツリーを使用した予測モデリング用の人気の XGBoost オープンソース ライブラリへのポイント アンド クリック インターフェイスを提供します。付加価値機能には次のものが含まれます。

• フォールド外予測によるk-フォールド交差検証の繰り返し、および最適化されたk-フォールド検証列を作成するための別のルーチン

• 1回の実行で複数のY応答を適合させる機能

• JMP実験計画法（DOE）による自動パラメータ検索、高速で柔軟な充填設計

• インタラクティブなグラフィックと統計出力

• モデル比較インターフェース

• 再現性を確保するためにJMPスクリプト言語（JSL）とPythonコードのプロファイリングエクスポート

上記のリンクをクリックすると、チュートリアルで紹介されているジャーナルと補足資料を含む zip ファイルをダウンロードできます。ビデオでは XGBoost が [予測モデリング] メニューに表示されていますが、アドインをインストールすると [アドイン] メニューの下に表示されることに注意してください。[表示] > [カスタマイズ] > [メニューとツールバー] を使用して、メニューを自由にカスタマイズできます。

アドインはここから入手できます: JMP Pro 用 XGBoost アドイン

自動生成されたトランスクリプト...

スピーカー	トランスクリプト
ラス・ウルフィンガー	はい。それでは皆さんこんにちは。
	ノースカロライナ州ホリースプリングスの私の家へようこそ。
	コロナ禍が続く中、オンラインでバーチャルカンファレンスを行うというのは新しい経験ですが、今日は皆さんとお話しし、JMP Pro用の新しいアドインのチュートリアルを提供できることをとても楽しみにしています。
	人気の XGBoost 機能を実装します。
	今日はこのチュートリアルで、私たちが持っているものについて説明したいと思います。ここにあるのはJMPジャーナルです
	会議資料でご覧いただけます。皆さんもぜひご参加ください。
	今すぐビデオを一時停止して、会議資料に移動して、このジャーナルを入手してください。自分のバージョンのJMP Proで開くことができます。
	また、インストールするためのリンクもあります。アドインをインストールする必要がありますが、それをインストールすれば、私がここで行っていることをすべて自宅で再現でき、自分でも試してみることができます。可能であれば、ぜひそうすることをお勧めします。
	私には愛犬のチャーリーがいます。彼はこの写真の背景にいます。彼が恥ずかしいことをしないことを願っています。彼は今はあまり興奮していないようですが、私と同じくらい XGBoost が大好きなので、始めましょう。
	XGBoost は、かなり昔から存在している、非常に素晴らしいオープンソースの C++ ライブラリです。
	元々の理論は、90年代に数人の有名な統計学者によって提唱されたものですが、その後ワシントン大学のチームがそのアイデアを取り上げ、実装しました。
	そして、それが本当に真価を発揮したのは、いくつかの Kaggle コンテストの場でのことだったと思います。
	それが始まったところ...人々がそれを使い始め、それが利用可能になると、文字通り、Kaggle が過去数年間にわたって開催してきたほぼすべての表形式のコンペティションで勝利し始めました。
	そして、実際にオンラインで数百の例がありますので、検索してみれば、見つかります。
	したがって、これはおそらく現時点で世界で最も人気があり、おそらく最も強力な表形式データ予測モデリング手法であると私は考えています。
	もちろん競合相手もいますし、特定のデータ セットについては多少の違いが見られるかもしれませんが、全体的には非常に印象的です。
	実際、Microsoft の LightGBM や Yandex の Catboost など、非常によく似た機能を持つ競合パッケージが現在存在します。今日はそれらについて詳しく説明しませんが、かなり似ています。
	今日は時間があまりないので、動機について詳しくは述べません。しかし、もう一度言いますが、もっと詳しく調べたい場合は、この日記をご覧ください。
	私がやりたいのは、このジャーナルのハイライトを紹介し、特にライブデモンストレーションをいくつか紹介して、ここに何が載っているかを知ってもらうことです。
	そして、時間が経つにつれて、これらのことを自分で自由に探求し、試すことができます。必要なのは...JMP Pro 15の正常に機能するコピーです。
	早くてもJMP 16の早期導入者であれば、正式なJMP 16は来年2021年まで出荷されません。
	しかし、現在、早期導入版を入手することができ、そこで機能強化を行っています。最新のJMP 16 Pro早期導入版を入手することをお勧めします。
	このアドインの最新機能を取得するには...この機能の。これは、JMP Pro の珍しい新しいフレーム設定です。
	私たちは、XGBoost C++ APIを統合するために、Pro内で多くのC++コードを記述しました。そのため、私たちはほとんどの作業をC++で行っています。
	ただし、これには動的ライブラリをインストールし、メニューを少し更新するアドインが付属しているので、実行するには Pro とアドインの両方をインストールする必要があります。
	最新の機能を入手するために、可能であれば JMP 16 Pro の早期導入をぜひご検討ください。本日は、その点についてご紹介いたします。
	では、早速例を見てみましょう。これは私が最近注目したばかりの新しい例です。これには非常に興味深い背景があります。
	これらのデータの背後にいる研究者は、ジェイビメ・エヴァリト教授です。彼は環境科学者の専門家であり、博士号を持ち、教授、助教授でもあります。
	彼はオランダのユトレヒト大学に在籍しており、このデータとその裏話は、このデータにまつわるちょっとしたドラマに巻き込まれた他の人々を助けるために、許可を得て提供してくれました。私は彼の同僚のジェフリー・マクドネルに
	このデータをすべて収集しました。これらはデータです。目的は、世界中の森林伐採地域における水の流れの流出を研究することです。
	ご覧のとおり、ここには163か所あり、そのほとんど、少なくとも半分は米国で、そして世界中、さまざまな場所で収集できました。
	木々が伐採された地域で、重要な測定が行われた。
	水の流出に何が起こったかという点において、この種の研究は、樹木の伐採や森林破壊、そして気候変動の環境への影響を研究する上で非常に重要なので、非常にタイムリーです。
	そしてジャイビメにとって幸運なことに、彼らは世界でもトップクラスの科学雑誌の一つであるネイチャー誌に論文を発表することができた。
	彼がそれをそこに載せるには経験が必要でした。残念なことに、その後に起こったことは、この論文で行ったことに対して非常に批判的な競合研究室があったにもかかわらずです。
	そして、何度も議論を重ねた結果、論文は撤回されてしまいました。
	それは明らかにジェイビメにとって本当につらい経験でした。彼はとても寛大で、自分の経験や希望を語ってくれました。
	これを避けるためです。そして、論争の根底には他にもさまざまなことがありましたが、批評家の主な不満は...
	ブースト ツリー分析を行ったかもしれません。これは非常に単純なモデルです。予測因子はほんの一握りしかなく、それぞれが重要ですが、その主な目的の 1 つは、どれが最も重要であるかを判断することでした。
	彼はブーストツリーモデルを単一のホールドアウト検証セットで実行し、約0.7の検証ホールドアウトを発表しました。すべて順調に見えました。
	しかしその後批評家が現れ、彼らは異なるホールドアウトセットでデータを再分析し、検証ホールドアウトR平方を得ました
	0.1 未満です。これはかなり大きな変化です。0.7 から 0.1 未満に変化しており、これが使われて批評家たちはこれに飛びつき、何が起こっているのかを本当に信用できないものにしようとしました。
	さて、ジャイビメさん、この時点で、ジャイビメさん、これは昨年起こったことで、論文は2020年の初めに撤回されました...
	Jaivimeは今年の夏にデータを私と共有し、私はもう少し厳密なクロスバリデーション分析を行い、実際に繰り返しKフォールドを行うことを考えました。
	2つの異なるホールドアウトの間のこの矛盾の根底を解明するために、1つのホールドアウトだけではなく、新しいルーチンを導入しました
	これはXGBoostアドインに付属しており、Kフォールド列を作成します。ここでデータセットを見ると、私が作成したものです。時間の都合上、その方法については説明しません。しかし、
	今では、K フォールド列を作成するという見出しが付いた新しいモジュールがあり、これを使って実行できます。私は階層化して実行しました。興味深いことに、このモジュールは内部で JMP DOE を呼び出します。
	このようにする利点は、直交する折り目を実際に作成できることです。これはあまり一般的ではありません。ここで、簡単な分布を見てみましょう。
	これはジェイビメが最初に行ったホールドアウトセットであり、階層化も行いました。これは良いアイデアだと思います。反応が少し偏っているからです。そしてこれは批評家が使用したホールドアウトセットです。
	そして、最終的に私が使用した折り目がこれです。3つの異なるスキームを試しました。ここで私が言いたかったのは、これらの折り目はうまく直交しているということです。
	ここでは、3 つの直交セットを使用して K フォールドを 3 回別々に実行することで、最大限の情報ゲインが得られます。
	そして、彼はすでにブースト ツリーを使用していたため、次に試すのは XGBoost アドインであることがわかりました。このデータ セットについて知ることができ、ここでお話しできて本当にうれしく思いました。
	さて、何が起こったか...ここで検証セットに対して一方向の分析をもう一度実行してみましょう。ここで私が行っていたのは、応答、つまりこの水収量を修正することだったことがわかりました。
	そして、それを検証セットと比較してプロットしています。Jaivimeのトレーニングセットでは、
	上位 4 つまたは 5 つの測定値がすべてトレーニング セットに含まれており、これが問題の根本にあると思います。
	一方、批評家のセットでは、バランスが取れていて、少しだけ優れていました。特に最悪だったのは、最高得点の場所が検証セットにあったことです。これは、トレーニングを行っていたものを超えているため、当然エラーの原因となります。
	そして、これは本当に、単一のホールドアウト セットを実行するよりも、K フォールド、K フォールド タイプの分析の方が説得力があるケースだと思います。
	私は、これらの単一のホールドアウトセットには偏りがあり、より多くの折り畳みを行って階層化したり、物事を分配したりする方が良いと主張します。
	毎回異なる方法で実行し、複数回のフィッティング後に何が起こるかを確認します。ここで作成した折り畳みが分布の観点からどのように見えるかを確認したら、XGBoost を実行してみましょう。
	アドインには実際に多くの機能があり、今日は皆さんを圧倒したくありませんが、繰り返しますが、自分でフォローしようとしている場合は、ビデオを一時停止してフォローすることをお勧めします。
	確認するためです。しかし、ここで行ったのは、スクリプトを実行しただけです。ところで、ジャーナル内のすべてのものには...JMP テーブルがあり、そこにスクリプトを保存できます。そこで、ここで行ったのは、そのスクリプトから XGBoost を実行することでした。
	説明のために、メニューからもう一度実行してみましょう。これが皆さんがやりたい方法でしょう。アドインをインストールすると、
	予測モデリングを押してXGBoostを選択します。予測モデリングメニューにこれを追加しました。設定方法は
	応答を指定することです。ここに Y があります。7 つの予測子があり、ここに x として入力し、次にそれらの折り畳み列と検証を入力します。
	ここで、JMP Pro の経験豊富なユーザーに向けて、XGBoost は検証列を他の JMP プラットフォームとは少し異なる方法で処理する点を指摘したいと思います。
	現時点では一種の実験的なフレームワークですが、私の経験に基づくと、繰り返し K フォールドは非常に魅力的な方法であることがわかったので、それを簡単に行えるようにアドインを設定したいと考えました。
	ここで、ユーティリティで作成したこれらの折り畳み列を再度入力します。ここで指定しただけで、XGBoost は自動的に繰り返し K 折り畳みを実行します。
	元の分析のように単一のホールドアウトを実行したい場合は、通常どおりに設定できますが、列を
	連続的。これは落とし穴です。初期のユーザーの中にはこれにつまずいた人もいたと思いますが、これは他の慣習とは異なるものです。
	JMP Pro内の他のXGBoostや他の予測モデリングルーチンも使用できますが、私にとってこれが最もクリーンな方法のように思えます。また、推奨される方法は、
	このように K フォールドを繰り返します。または、少なくとも 1 つの K フォールドを実行してから、[OK] をクリックするだけです。この初期起動ウィンドウが表示されます。
	XGBoost には、多くのチューニング パラメータがあります。重要なパラメータはこのボックスにリストされており、これらを操作できます。
	さらに、さらに多くのオプションがあり、それらはこの詳細オプションの下に隠されていることがわかりましたが、今日はそれについて説明する時間がありません。
	しかし、私たちは、通常、最も重要なものについて試してみました。ほとんどの場合、これらについて心配する必要はありません。それでは、実行してみましょう。もう一度実行してみましょう。ここから、[Go] ボタンをクリックすると、XGBoost が実行されます。
	今、私はシンプルなラップトップで実行しています。これは比較的小さなデータセットです。そして、5倍の繰り返しを繰り返しました。
	わずか数秒で、3 つの異なる処理が実行されます。XGBoost は非常によく調整されており、大規模なデータ セットでも問題なく動作しますが、この小さな例では、何が起こったかを見てみましょう。
	さて、この最初に出てくるグラフは、すぐに警告を出すものであることがわかりました。
	ここで見ているのは、反復回数、フィッティング反復回数にわたって、基本的には下げたい損失関数であるトレーニング曲線です。
	しかし、実線は検証曲線です。ここで何が起こったかがわかります。数回の反復が行われた直後に、この曲線は底に達し、その後、状況はさらに悪化しました。
	これは実際にはデフォルトモデルを使用したくないケースです。XGBoostはすでに過剰適合しており、
	これは、このような小さなデータ セットではよく発生するため、チューニングが必要になります。
	下部には他にもたくさんの結果がありますが、やはり、信頼できるとは思えません。この時点で、少し調整する必要があります。
	今日は少しだけ手動でチューニングをしてみましょう。でも、ぜひやってみてください。チューニング設計を作成するためのフレームワークを実装しました。
	ここでは、パラメータの範囲を指定して設計空間を検索することができ、ここでも実際に JMP DOE を使用します。
	つまり、DOE をすでに 2 つの異なる方法で使用しており、どちらも機能を大幅に強化しています。今のところは、このグラフに基づいて手動で少し調整してみましょう。
	このグラフを拡大すると、曲線が底を打っているのがわかります。3 回または 4 回の反復の直後を見てみましょう。ここで実行できる非常に簡単な操作の 1 つは、4 ステップ後にトレーニングを停止することです。
	そして何が起こるか見てみましょう。ところで、オーバーフィッティングで何が起こったかに注目してください。検証R平方は実際には負で、かなり悪いです。絶対に推奨されるモデルではありません。しかし、この新しいモデルを実行すると、4つのステップだけ実行します。
	何が起こるか見てみましょう。
	検証 R 平方が大幅に改善されました。現在、約 .16 に上昇しており、実際に楽しみのために 3 つ試してみましょう。何が起こるか見てみましょう。
	少し悪いです。これは、いろいろいじってみることができる種類のものだとおわかりいただけると思います。私たちは、この対話を、それに適したものにしようと努めました。
	また、この表の冒頭でモデルの比較を行うことができます。さまざまな列で並べ替えて最適なモデルを見つけ、その下でさまざまなモデリングの詳細をドリルダウンできます。
	ここではモデル 2 に固執し、できることは...
	その 1 つだけを残して、クリーンアップしましょう...不要なモデルをクリーンアップすると、非表示のモデルが削除されます。
	さて、ここで、より詳しく調べたいモデルに戻ります。ここで、検証 R 平方が 0.17 程度であることに注意してください。
	つまり、これは実際には、ジャイビメが最初に得たものと批評家が得たものの間にあるということを覚えておいてください。
	そして、私はこれをR2乗のより信頼性の高い尺度と見なします。なぜなら、これは全体で計算されており、実際に15の異なるモデリングフィットを実行したからです。
	5 倍の 3 回の測定です。これはそれらの平均です。したがって、モデルのパフォーマンスを測定するための、はるかに明確で信頼性の高い指標だと思います。
	適合したモデルを下にスクロールすると、かなり多くの出力があります。繰り返しになりますが、JMPは非常に優れています。私たちは常に統計の近くにグラフを表示しようとしています。
	どちらも何が起こっているかを確認し、それに数字を添付します。これらのグラフは通常どおりライブで、インタラクティブに機能します。
	しかし、ここでわかるように、トレーニングの実際の結果と予測結果と検証結果を比較すると、検証ではほとんどの場合、状況は悪化しますが、それが現実です。
	また、どこでエラーが発生しているかがわかります。これは非常に高いポイントであり、多くの場合、45 度の線になります。
	高い測定値は、予測値よりも低くなってしまう傾向があり、これはごく普通のことです。このような方法では、縮小する傾向があると思います。
	極端な値を下げて、保守的になるようにします。そうすることで、どこでエラーが発生しているか、どの程度エラーが発生しているかを正確に把握できます。
	さて、ジェイビメの主な関心事は、どの変数が実際に推進しているのかを知ることでした。
	この水補正効果です。そして、一番目として目立つのが、PETと呼ばれるものです。
	XGBoostでは変数の重要性を評価する方法がいくつかある。ゲインの尺度として、分割回数を直接見ることもできる。
	おそらく最初に試すのに最も適したものでしょう。これは、特定の変数を分割するたびにモデルがどれだけ改善されるかを示すものです。他には、cover と呼ばれるものがあります。
	この場合、3 つのうちのどれについても、この PET が最も重要なものとして浮上しています。つまり、基本的にこの簡単な分析が、これらのデータに対するアクションの場所であるようです。
	JMPでは、実際にもっと多くのことができるようになりました。モデリングの赤い三角形の下に、いくつかの新しい機能が追加されています。予測値や数式を保存したり、
	モデル デポまたはフォーミュラ デポに公開して、そこでさらに多くの操作を実行できます。
	Python コードを生成するルーチンも用意されています。これはスコアリングのためだけではなく、すべてのトレーニングとフィッティングを行うためのもので、新しい機能ですが、JMP Pro から Python に移行したい方に役立ちます。ここでは、プロファイラーを見てみましょう。
	そして、以前のビデオで友人のブラッド・ジョーンズに一言謝罪しなければなりません。彼がプロファイラーの発明者であることを私は認めるのを忘れていました。
	これは、実際に彼の功績ですが、私たちはこれを別の方法で使用しています。つまり、変数の重要性と各変数がどのように機能するかを評価することです。私にとって、これは本当に説得力のあるものです。
	私たちがこれを見ることができるフレームワークです。そしてチャーリーは、私がそれを言うとすぐにソファから立ち上がりました。彼は今、私のすぐそばにいます。
	それで、何が起こるか見てみましょう...興味深いのは、このPET変数で、重要な瞬間がわかります。PETが
	1200 を超えると、状況が本当に好転します。これは、プロファイラーがどのように機能するかを示す非常に優れた例です。
	そして、私が知る限り、これが初めてです...これが初めてです...これが唯一のソフトウェアです
	このようなグラフは、統計的な重要性の尺度を超えて、何が起こっているかを正確に示し、解釈するのに役立ちます。
	ブースト ツリー モデルです。これは分析を行うための優れた方法だと思いますので、ぜひ試していただきたいと思います。また、自分のデータで試してみることをお勧めします。
	それでは、別の例に移り、ジャーナルに戻りましょう。
	ご覧のとおり、ここにはたくさんのものがあります。当然、すべてを確認する時間はありません。
	しかし、時間の関係で、バイナリ ターゲットがある場合に何が起こるかをお見せしたいと思います。先ほど見たのは連続的なものでした。
	そのために、かなり以前から存在し、JMP サンプル ライブラリで利用できる古い糖尿病データ セットを使用します。このデータ セットは同じデータですが、いくつかの新しいスクリプトで装飾されています。
	ジャーナルをダウンロードすると、このような強化版が手に入ります。
	バイナリ順序ターゲットと、覚えているように、ここでは元のY変数から得られた低値と高値の測定値の両方を使用して、XGBoostを数回実行しました。
	糖尿病に対する反応を見ていきます。ここでもう少し進めてみましょう。利益マトリックスを使用する医療の文脈を想定してみましょう。目標は意思決定です。各人の利益を予測します。
	高いか低いかは関係ありませんが、よく考えてみると、実際に高い人の場合は、賭け金も少し高くなることに気づきました。
	そして、実際の状態が高ければ高いほど、利益や損失が2倍になるのです。そしてもちろん、
	これは通常正しい動作方法です...正しい決定はこことここにあります。
	そして、間違ったものはここにあります。これらは、このようなマトリックスを設定するときに、4 つのセルすべてについて考慮する必要があるものです。
	ここでは単純な例をやります。これは 2 倍になりますが、これに実際の金銭的価値を付与できるかどうかはわかりません。このようなシナリオの場合、これは実際には良いことです。
	もしかしたら、これらをそれぞれ 1 ビットコインとして、それぞれ 10,000 ドル程度と見なすこともできるかもしれません。
	あまり重要ではありません。むしろ、私たちは自分たちの考えに基づいて最適な決定を下したいのです。
	予測です。これから分析を行う際に、この利益マトリックスを考慮に入れます。これは実際にはモデルフィッティングの後にのみ行われます。フィッティング自体には直接使用されません。
	ではここでXGBoostを実行します。バイナリターゲットがあります。
	目的関数は、ロジスティック対数損失に変わりました。ここで反映されているのは、ロジスティック対数尤度です。
	ご覧のとおり、バイナリ ターゲットでは、それを評価するために使用するメトリックが少し異なります。
	ただし、お気づきかもしれませんが、先ほど見た利益マトリックスから計算された利益列があります。
	しかし、利益マトリックスをあまり気にせず、単純な2値回帰で済ませたいシナリオの場合は、次のような一般的な指標を検討することができます。
	誤分類率の逆である精度だけでなく、F1 または Matthews 相関も確認すると良いでしょう。また、特異度と感度のバランスをとるのに役立つ ROC 分析も確認すると良いでしょう。これらはすべて利用可能です。
	さらに詳細に分析することもできます。私たちがまだ取り組んでいる新しい機能の 1 つをお見せしたいのは、意思決定のしきい値を操作できるようになったことです。
	そして、実際にこれをインタラクティブに実行できるようになりました。そして、しきい値ごとに利益をプロットする新しい機能も追加されました。
	これは、JMP Pro に導入され始めたばかりのまったく新しいグラフです。これを入手するには、最新の JMP 16 アーリーアダプターを入手する必要がありますが、意思決定マトリックスに対応しています...
	または利益マトリックスです。そして、私たちが取り組んでいるもう 1 つのことは、このマトリックスに基づいて最適なしきい値を直接導き出すことです。
	この場合、実際にはまだ 0.5 であると私は考えています。したがって、これは、利益を最大化することが本当の目標である場合に実行したい可能性のある操作の種類について、追加の洞察を追加します。
	それ以外の場合は、コンテキストを考慮して特異性と感度のバランスを取ることが必要になる可能性がありますが、ここに表示されている典型的な混同マトリックスと、トレーニングと検証の両方のいくつかのグラフがここにあります。
	そして ROC 曲線です。
	変数の重要度に関しても、先ほど見たのと同じ種類のものが得られます。それでは、プロファイラーをもう一度実行してみましょう。これは実際には便利な機能です...
	この場合も、これは便利です。各変数で何が起こっているかを正確に確認できます。
	ここでは、たとえば LTG と BMI が 2 つの最も重要な変数であることがわかります。応答が増加すると、両方とも増加する傾向があるため、その関係を直接確認できます。実際、ツリーでは、BMI のように非線形性が得られる場合があります。
	それが本当にここで起こっていることなのかどうかは明らかではありません。もっと多くの分析やモデルを見て、この小さなことで何か本当に起こっているのかどうか確かめたいかもしれません。
	私たちが目にする隆起です。しかし、これらは、調べて見つけることができるもので、見ていて本当に楽しく興味深いものです。
	それで、糖尿病データセットを操作するためのツールがここにあります。ジャーナルには他にもたくさんの情報があります。時間の都合で今日は紹介できない例があと 2 つありますが、XGBoost のドキュメントに詳しく記載されています。
	これは、アドインについて詳細に記述した PDF ドキュメントで、これら 2 つの例を段階的に説明しています。ぜひご覧ください。
	さらに、このジャーナルには、これまでに行われたさまざまな比較も含まれています。
	ご覧いただいたのは紫色のマトリックスです。これはペンシルバニア大学で行われた研究です。
	さまざまなデータセットで一連の機械学習手法を比較し、どれが他よりも優れているかを比較します。XGBoost
	がトップモデルとして登場し、この比較は常にベストというわけではありませんが、平均的にはここに掲載されている他のすべてのモデルよりも優れたパフォーマンスを発揮する傾向がありました。
	この技術の威力と可能性についてです。ここでは触れないこともいくつかあります。
	このヒルバレーの事例は興味深いです。木がまったく機能しなかったケースです。一種の病的な状況ですが、何が起こっているのか理解するのに役立つので、研究するのは興味深いです。
	また、JMP の研究開発部門内でもかなり広範囲にわたるテストを実施しており、その結果の多くは複数の異なるデータ セットにわたってここに掲載されています。
	また、時間の都合上、それらについては詳しく説明しません。しかし、ぜひチェックしてみてください。私たちの結果はすべてこのジャーナルに添付されており、さまざまなドメインやデータ サイズで試すことができます。
	ぜひチェックしてみてください。ただの楽しみのために言っておきますが、スピードに関する私たちの結論はこの小さなミームにまとめられています。私たちは2台の異なる車を持っています。
	実際、これは本当に高速で、CPU の GPU にあるすべてのスレッドを活用するように調整されています。
	また、Windows で NVIDIA カードを使用している場合は、GPU を利用することもできます。これにより、速度がさらに 5 倍向上することがよくあります。とても楽しいです。
	ということで、ここでチュートリアルを終了したいと思います。もう一度、ぜひチェックしてみてください。本当に感謝の気持ちを伝えたいです。多くの方々が関わってくれました。
	実際のところ、おそらくここで何人か見落としているのではないかと心配していますが、少なくともこれらの人々に感謝の意を表したいと思いました。私たちには素晴らしい早期導入者グループがいました。
	そして、Marie と Diedrich から非常に素晴らしいフィードバックが提供され、Villanova のこれらの人々は実際にすでに教室で XGBoost を使い始めており、成功を収めています。
	そういうことを聞けて本当によかったです。JMP の多くの人々が協力してくれています。
	もちろん、これは JMP インフラストラクチャ全体に基づいて構築されています。そのため、この作業の支援を受けて、ある時点で JMP 部門全体をリストアップする必要があります。この作業はとても楽しいです。
	そして、さまざまなことに関して私に正直であり続けさせてくれたライフサイエンス チームに感謝したいと思います。彼らは多くの提案をして助けてくれました。
	そして、Luciano は実際に XGBoost アドインを実装しています。これは JMP Genomics に付属する別のアドインなので、JMP Genomics を使用している場合は、これも確認することをお勧めします。予測モデリング フレームワーク内で XGBoost を直接呼び出すこともできます。
	ご清聴ありがとうございました。XGBoost をぜひお試しください。

起こる予測モデリングチュートリアルビデオRe: JMP Pro 用 XGBoost アドイン (2020-US-45MP-540)

ラス、

今朝これを発見したんです！昨日、JMP Genomic XGBoost を見つけて、Kathy と共有しました。 これは本当に素晴らしいことです。このツールを使用することに本当に興奮しています。

私もすでに何人かの科学者とこのことを共有しました。

Re: JMP Pro 用 XGBoost アドイン (2020-US-45MP-540)

素晴らしい。 比較表には、ニューラル ネットが強化されたものはありませんでした。 XGBoost もそれを上回るパフォーマンスを発揮しますか?

Re: JMP Pro 用 XGBoost アドイン (2020-US-45MP-540)

この素晴らしいアドインに感謝します!