Re: Identifier les variables importantes dans vos donnéesBonjour,
J'ai trouvé cette vidéo assez intéressante et utile! Merci pour ça!
J'aimerais mieux comprendre ce qui suit: toutes les étapes liées à l'identification et à l'évaluation des interactions (avec criblage des réponses et outils de régression par étapes) sont basées sur une hypothèse linéaire - est-ce correct? Si oui, y a-t-il des suggestions pour vérifier les interactions non linéaires?
Merci d'avance!
Helena
Re: Identifier les variables importantes dans vos donnéesBel ensemble de données et présentation. Je vais l'utiliser! Merci Nick
Re : Identifier les variables importantes dans vos donnéesexcellent aperçu des plates-formes rarement utilisées mais incroyablement puissantes que tout le monde devrait avoir dans sa trousse à outils
Re : Identifier les variables importantes dans vos donnéessalut @HelenaG , je suis contente que la vidéo te plaise !
L'identification des interactions se fait mieux par l'expertise du domaine et une compréhension scientifique/physique connue des variables analysées.
Lorsque les interactions entre les variables ne sont pas bien comprises, la personnalité du modèle "Response Screening" dans Fit Model fonctionne bien pour quantifier la force entre les termes d'interaction individuels et la variable de réponse.
La personnalité du modèle « Régression par étapes » dans Fit Model fonctionne bien pour identifier la meilleure combinaison de termes (par exemple : effets principaux, interactions..) à utiliser pour un modèle potentiel.
Le terme modèle « linéaire » fait référence à la façon dont la formule du modèle est structurée, mais les personnalités du modèle « Dépistage des réponses » et « Régression par étapes » dans Fit Model peuvent également être utilisées pour explorer les relations non linéaires.
Nous pouvons inclure des effets et des interactions non linéaires dans une analyse en ajoutant des termes polynomiaux.
Dans Fit Model, vous pouvez explorer toutes les relations polynomiales (non linéaires) en ajoutant le terme correspondant dans la zone Effets du modèle (Ex : Relation quadratique (x1*x1), Relation cubique (x1*x1*x1), Interaction quadratique (x1* x1*x2)...)
Pour plus d'informations sur les polynômes et comment ils peuvent aider à comprendre les relations entre les variables, veuillez regarder la courte vidéo ci-dessous :
https://community.jmp.com/t5/Short-Videos/Fitting-Polynomial-Models/ta-p/271953
Re : Identifier les variables importantes dans vos donnéesRebonjour @nick_shelton ,
En raison de ce didacticiel, j'utilise maintenant Screening Platform et je voudrais vous demander quels sont les paramètres de Bootstrap Forest derrière la plate-forme standard Screening Predictor. Dans JMP Pro, il existe un Bootstrap Forest Specification Window, et ma question est de savoir quelles sont les spécifications du bootstrap utilisé dans la plate-forme de filtrage (nous ne pouvons définir que le nombre d'arbres). En tant que non-statisticien, utiliser Predictor Screening me semble moins risqué que d'utiliser JMP Pro Bootstrap Platform ; cependant, pour les rapports scientifiques, j'aurais besoin de plus d'informations sur les spécifications de la forêt d'amorçage derrière cette plate-forme JMP.
Merci beaucoup d'avance.
Hélène G.
Re : Identifier les variables importantes dans vos donnéessalut @HelenaG
Je suis heureux d'apprendre que vous avez appliqué ces concepts dans votre travail 
La principale différence entre Predictor Screening (PS) et Bootstrap Forest (BSF) dans JMP Pro est que BSF fournit des options pour contrôler tous les hyperparamètres qui affectent les résultats de l'analyse.
Comme vous l'avez déjà remarqué, PS ne permet que le réglage du paramètre "nombre d'arbres".
Pour plus de détails sur les paramètres d'hyperparamètres par défaut utilisés dans PS, veuillez transmettre votre question à support@jmp.com qui peut fournir des informations supplémentaires sur le fonctionnement de la méthode.
Identification des variables importantes dans vos données
Voir comment :
- Trouvez des facteurs importants dans les données volumineuses à l'aide du filtrage des réponses
- Examiner FDR PValue Plot, FDR LogWorth par taille d'effet, FDR LogWorth par RSquare
- Identifiez les variables importantes à l'aide de Predictor Screening, une méthode basée sur un arbre de décision pour le dépistage de nombreux prédicteurs pour leur capacité à prédire un résultat
- Identifiez les variables importantes uniques en utilisant le regroupement de variables pour regrouper des variables similaires en groupes représentatifs
- Comprendre et examiner comment chaque cluster peut être représenté par un seul composant ou variable pour éliminer la multicolinéarité entre les variables
- Interpréter la carte des couleurs sur les corrélations, le résumé du cluster, les rapports sur les membres du cluster et les composants standard
- Identifiez les interactions entre les facteurs uniques et importants à l'aide de Fit Model - Response Screening
- Interprétation des rapports FDR PValue Plot et FDR LogWorth by Rank Fraction à l'aide de Graph Builder
- Identifiez le meilleur sous-ensemble de variables et d'interactions pour créer des modèles de régression
- Regrouper les variables similaires en groupes représentatifs
- Interpréter les rapports de contrôle de régression pas à pas et d'estimations
Criblage des réponses pour aider à identifier les variables importantes
JMP Journal joint devrait fonctionner pour tous.Fichier de projet Le fichier .zip comprend une archive de projet JMP 15 qui doit être décompressée pour fonctionner avec JMP 15 ou une version ultérieure.Voir Documentation d'archives JMP pour obtenir de l'aide après avoir décompressé le fichier.
Exploration et visualisation des données
