Simuler la fonctionnalité pour XGBoostSalut à tous,
Je voudrais profiter de la fonctionnalité "Simuler" pour les sorties statistiques JMP dans XGBoost (valeur d'intérêt> clic droit> simuler). Malheureusement, chaque fois que je le fais, j'obtiens une alerte JMP qui dit: "Impossible d'effectuer la simulation. Pas de colonnes commutables. "Cependant, ce n'est pas correct. J'ai des colonnes de fonction que je voudrais changer pour simuler une valeur, par exemple un sous-échantillon ou des itérations, mais je ne peux pas.
Cette fonction est-elle désactivée pour XGBoost? Ou cela fait-il partie du problème connu n ° 4: le script JSL n'est pas entièrement fonctionnel?
Je veux juste comprendre d'où vient cette erreur puisque je peux exécuter la fonctionnalité de simulation sur d'autres plates-formes d'arborescence dans JMP.
Merci,
DS
Re: Simuler la fonctionnalité pour XGBoostMerci Mike, si le temps le permet, nous devrions essayer une validation automatique avec XGBoost.
Re: Simuler la fonctionnalité pour XGBoostAh oui, excuses @DS , un clic droit sur une colonne du tableau> Simuler ou Bootstrap ne fonctionne pas actuellement, mais sera disponible dans JMP 16 Pro Early Adopter dans un mois ou deux. En attendant, votre seule option est le bouclage manuel et l'extraction avec JSL, ce que je pense que vous avez en cours. Heureux que vous fassiez des enquêtes dans ce sens.
Re: Simuler la fonctionnalité pour XGBoostsalut @russ_wolfinger ,
Merci pour vos commentaires, mais je pense que ce à quoi vous faites référence est différent de ce que j'essayais de décrire. Après avoir effectué un ajustement, voir par exemple les images jointes (j'ai supprimé les noms de colonnes réels et ainsi de suite de l'image), on peut faire un clic droit sur une sortie de tableau, et sélectionner Simuler. À partir de là, vous avez le choix d'échanger une colonne donnée par une autre. Par exemple, je peux avoir une nouvelle colonne de validation qui sélectionne au hasard 80% pour la formation et les 20% supplémentaires pour la validation.
À titre d'exemple, après avoir utilisé une petite table de réglage pour un ajustement de forêt bootstrap, j'ai ensuite fait une petite simulation sur la formation et la validation R ^ 2 en remplaçant la colonne de validation d'origine (qui était à l'origine stratifiée par la réponse, Y) avec le Colonne 80/20 générée de manière aléatoire. Ce faisant, il devrait être en mesure de tester le modèle par rapport à des ensembles de validation choisis au hasard qui ne sont pas limités par la stratification, testant ainsi la robustesse du modèle sur des ensembles de train et de validation choisis au hasard. C'est plus rapide que d'échanger de nouvelles colonnes de validation.
Ma variable Y est généralement distribuée normalement. Idée intéressante pour générer une distribution normale aléatoire à partir de l'ajustement du modèle. Ce n'est pas trop différent de la fonctionnalité Simulator sous Profiler, mais c'est un moyen beaucoup plus rapide que de le générer. Malheureusement, ce n'est pas vraiment ce que je recherche.
Cette fonctionnalité de simulation semble avoir un bogue dans le complément XGBoost où elle ne reconnaît aucune colonne commutable. Il n'ouvre pas la fenêtre Simulation pour échanger les colonnes.
Merci, DS
Re: Simuler la fonctionnalité pour XGBoostSalut à tous!
Quelque chose que j'ai fait dans le passé avec les modèles Tree consiste à utiliser un générateur de nombres aléatoires dans la colonne de poids en utilisant le flux de travail d'Autovalidation de Chris et Phil R. ( https://community.jmp.com/t5/JMP-Add-Ins/Add-in-To-Support-Auto-Validation-Workflow/ta-p/189991 ).
Meilleur,
MRe: Simuler la fonctionnalité pour XGBoostsalut @DS ,
La fonctionnalité de simulation nécessite que la formule contienne une sorte de générateur de nombres aléatoires. Pour autant que je sache, aucune des méthodes basées sur l'arborescence dans JMP Pro ne fournit de formules comme celle-ci, mais vous pouvez les obtenir dans des endroits tels que Régression généralisée avec Enregistrer les colonnes> Enregistrer la formule de simulation.
Une question de recherche pertinente est: Qu'est-ce qu'un mécanisme de génération de données sensé derrière un modèle d'arbre amélioré? En supposant que votre variable Y est distribuée à peu près normalement, une chose facile à essayer serait d'envelopper la formule de prédiction XGBoost avec un appel Random Normal (), en utilisant la prédiction comme partie moyenne. Vous devrez également spécifier quelque chose de raisonnable pour l'écart-type, un choix évident étant l'erreur quadratique moyenne de la racine hors pli. De même, si Y est binaire, placez la formule XGBoost à l'intérieur de Random Binomial () comme p et spécifiez n = 1.
Vous pouvez être l'une des premières personnes à effectuer des simulations dans ce sens et les résultats sont probablement publiables.
