Re : 데이터에서 중요한 변수 식별안녕하세요,
나는이 비디오가 매우 흥미롭고 도움이된다는 것을 알았습니다! 감사합니다!
다음을 더 잘 이해하고 싶습니다. 상호 작용 식별 및 평가 (반응 스크리닝 및 단계적 회귀 도구 사용)와 관련된 모든 단계는 선형 가정을 기반으로합니다. 이것이 맞습니까? 그렇다면 비선형 상호 작용을 확인하기위한 제안이 있습니까?
미리 감사드립니다!
헬레나
Re : 데이터에서 중요한 변수 식별멋진 데이터 세트와 프리젠 테이션. 나는 그것을 사용할 것이다! 감사합니다 Nick
Re : 데이터에서 중요한 변수 식별거의 사용되지 않지만 모든 사람이 도구 케이스에 가져야하는 매우 강력한 플랫폼에 대한 훌륭한 개요
Re : 데이터에서 중요한 변수 식별안녕하세요 헉 , 비디오를 즐기 셨다니 다행입니다!
상호 작용의 식별은 도메인 전문 지식과 분석중인 변수에 대한 알려진 과학적 / 물리적 이해를 통해 가장 잘 수행됩니다.
변수 간의 상호 작용이 잘 이해되지 않은 경우 모델 적합의 "반응 스크리닝"모델 성격은 개별 상호 작용 항과 반응 변수 간의 강도를 정량화하는 데 효과적입니다.
모델 적합의 "단계적 회귀"모델 성격은 잠재적 모델에 사용할 최상의 용어 조합 (예 : 주 효과, 상호 작용 ..)을 식별하는 데 효과적입니다.
"선형"모델이라는 용어는 모델의 공식이 구조화되는 방식을 나타내지 만 Fit Model의 "Response Screening"및 "Stepwise Regression"모델 성격을 모두 비선형 관계를 탐색하는 데 사용할 수 있습니다.
다항식 항을 추가하여 분석에 비선형 효과와 상호 작용을 포함 할 수 있습니다.
모델 적합에서는 모델 효과 상자 (예 : 2 차 관계 (x1 * x1), 3 차 관계 (x1 * x1 * x1), 2 차 상호 작용 (x1 *))에 해당 항을 추가하여 모든 다항식 관계 (비선형)를 탐색 할 수 있습니다. x1 * x2) ...)
다항식에 대한 자세한 내용과 변수 간의 관계를 이해하는 데 도움이되는 방법은 아래의 빠른 비디오를 참조하십시오.
https://community.jmp.com/t5/Short-Videos/Fitting-Polynomial-Models/ta-p/271953
Re: 데이터에서 중요한 변수 식별다시 안녕 @nick_shelton ,
이 튜토리얼로 인해 저는 현재 Screening Platform을 사용하고 있으며 표준 Screening Predictor Platform 뒤에 있는 Bootstrap Forest의 설정이 무엇인지 묻고 싶습니다. JMP Pro에는 부트스트랩 포리스트 사양 창에서 제 질문은 스크리닝 플랫폼에서 사용되는 부트스트랩 사양이 무엇인지입니다(트리 수만 정의할 수 있음). 비통계 전문가로서 예측자 선별을 사용하는 것이 JMP Pro Bootstrap Platform을 사용하는 것보다 덜 위험하게 들립니다. 그러나 과학적 보고를 위해서는 이 JMP 플랫폼 뒤에 있는 부트스트랩 포리스트 사양에 대한 추가 정보가 필요합니다.
미리 감사드립니다.
헬레나 G.
Re: 데이터에서 중요한 변수 식별안녕하세요 @HelenaG
이러한 개념을 작업에 적용하고 있다는 소식을 들으니 기쁩니다. 
JMP Pro의 PS(Predictor Screening)와 BSF(Bootstrap Forest)의 주요 차이점은 BSF가 분석 결과에 영향을 미치는 모든 하이퍼파라미터를 제어하는 옵션을 제공한다는 것입니다.
이미 알아차렸듯이 PS는 "트리 수" 매개변수만 조정할 수 있습니다.
PS에서 사용되는 기본 하이퍼파라미터 설정과 관련된 자세한 내용은 질문을 다음으로 전달하십시오. support@jmp.com 방법이 작동하는 방식에 대한 몇 가지 추가 통찰력을 제공할 수 있습니다.
데이터에서 중요한 변수 식별
방법 보기:
- Response Screening을 사용하여 대용량 데이터에서 중요한 요소 찾기
- FDR PValue 플롯, 효과 크기별 FDR LogWorth, RSquare별 FDR LogWorth 검토
- 결과를 예측하는 능력에 대해 많은 예측 변수를 선별하기 위한 의사 결정 트리 기반 방법인 예측 변수 선별을 사용하여 중요한 변수 식별
- 유사한 변수를 대표 그룹으로 그룹화하기 위해 변수 클러스터링을 사용하여 고유한 중요 변수 식별
- 각 클러스터가 단일 구성 요소 또는 변수로 표현되어 변수 간의 다중 공선성을 제거하는 방법을 이해하고 조사합니다.
- 상관 관계, 클러스터 요약, 클러스터 구성원 및 표준 구성 요소 보고서에 대한 색상 맵 해석
- Fit Model - Response Screening을 사용하여 고유하고 중요한 요소 간의 상호 작용 식별
- 그래프 빌더를 사용하여 순위 분수 보고서로 FDR PValue 플롯 및 FDR LogWorth 해석
- 회귀 모델 구축을 위한 변수 및 상호 작용의 최상의 하위 집합 식별
- 유사한 변수를 대표 그룹으로 그룹화
- 단계적 회귀 제어 및 추정 보고서 해석
중요한 변수를 식별하는 데 도움이 되는 반응 선별
첨부된 JMP 저널은 모두에게 적합합니다.프로젝트 파일 .zip 파일에는 JMP 15 이상에서 작동하기 위해 압축을 풀어야 하는 JMP 15 프로젝트 아카이브가 포함되어 있습니다.보다 JMP 아카이브 문서 파일의 압축을 푼 후 도움이 필요합니다.
데이터 탐색 및 시각화
