321658_de-DE

liliconcom

Anabol, Aphrodisiakum oder Analgetikum?

Wenn wir Analysetools in JMP entwickeln, müssen wir zwangsläufig Entscheidungen darüber treffen, wie wir Prioritäten setzen:

 

1. Sollten wir das Produkt leistungsfähiger machen, indem wir mehr Muskeln hinzufügen?
2. Sollten wir es sexyer und aufregender machen?
3. Sollten wir uns auf die Schmerzlinderung konzentrieren, um sie weniger frustrierend und weniger belastend zu machen? Sollten wir uns in der Sprache der langen A-Wörter für ein Anabolikum, ein Aphrodisiakum oder ein Analgetikum entscheiden?

 

John Sall glaubt, dass die Antwort schmerzstillend ist. Die Schmerzlinderung sollte die zentrale Triebkraft für die Entwicklung sein. Natürlich schließen sich die drei nicht gegenseitig aus. Das Hinzufügen einer aufregenden Leistungsfunktion könnte auch Schmerzen lindern. Aber Schmerzlinderung ist von zentraler Bedeutung, denn Schmerz ist der Zustand, der uns wirklich erstarren, uns demotivieren und uns dazu bringen kann, bei einer unvollständigen Perspektive dessen, was unsere Daten uns sagen können, innezuhalten.

 

 

 

Automatisch generiertes Transkript...

 

Lautsprecher	Transkript
Jeff Perkinson	Wenn es um die Entwicklung von JMP-Funktionen geht, hat John Sall, unser nächster Redner, eine interessante Denkweise darüber, wie wir Prioritäten setzen. Wir müssen Prioritäten setzen, welche Funktionen wir...
	in welche Features wir investieren wollen. Wie denken wir also darüber nach, was am wichtigsten ist? Sind Funktionen, die unser Produkt leistungsfähiger machen, das, woran wir arbeiten sollten?
	Wie wäre es mit Funktionen, die es attraktiver oder sexier machen, oder mit Funktionen, die sich auf die Schmerzlinderung konzentrieren und so den Analyseaufwand verringern?
	Nun, John ist der Meinung, dass Schmerzlinderung der Hauptmotivator für unser Forschungs- und Entwicklungsteam sein sollte. John ist Mitbegründer von SAS. Er ist der leitende Architekt von JMP, das er vor mehr als 30 Jahren gründete.
	Für Wissenschaftler und Ingenieure, die über Daten verfügen und eine Möglichkeit benötigen, diese zu erkunden, ist eine Möglichkeit erforderlich, diese einfach visuell auf dem Desktop zu erkunden.
	Er wird über die treibenden Kräfte hinter der JMP-Entwicklung sprechen und darüber, wie wir auf Funktionen stoßen, an denen wir arbeiten möchten. Damit möchte ich dich herzlich willkommen heißen, John. Danke schön.
John Sall	Danke, Jeff. Und hier sind wir live aus dem neuen digitalen Konferenzzentrum in Cary North Carolina, wo wir viel mehr Menschen unterbringen können.
	Also lasst uns das Licht ein wenig dimmen.
	Nun ja, ich bin nicht wirklich hier im digitalen Konferenzzentrum. Ich bin wirklich zu Hause. Also habe ich mir ein Homeoffice eingerichtet. Hoppla. Das nicht.
	Wie wir alle. Ich bin zu Hause und halte diese Konferenz. Doch lasst uns zum Unternehmenshintergrund wechseln und loslegen.
	Worüber soll ich also sprechen?
	Nun, wenn wir JMP-Veröffentlichungen haben, in den Jahren, in denen die Konferenzallianz entlang von JMP Veröffentlichungen veröffentlicht, reden wir darüber, aber in den anderen Jahren wähle ich immer einfach ein Thema aus. Also habe ich mich für ein Jahr für große Statistiken entschieden, für das nächste Jahr für Geisterdaten oder für geheime Features
	vor zwei Jahren. Heute geht es mir um große Wörter, die mit dem Buchstaben A beginnen.
	Nun, das sind Worte, die Themen für die Entwicklung von JMP charakterisieren. Lassen Sie mich also meinen Bildschirm teilen.
	Und
	minimieren
	Hier. Aktie.
	Welches Thema ist also am wichtigsten? Und hier sind die drei Wörter, die mit ... beginnen: die großen Wörter, die mit dem Buchstaben A beginnen.
	Wie Jeff gerade erwähnt hat, ist das erste anabol. Nun, bei Anabolika geht es darum, Muskeln aufzubauen und JMP leistungsfähiger zu machen.
	Anabole Prozesse bauen Organe und Gewebe auf und diese Prozesse bewirken Wachstum und Differenzierung von Zellen, um die Körpergröße zu erhöhen.
	Eine Steigerung der Leistung von JMP wäre also eine Chance, und das ist natürlich sehr wichtig, aber die nächste
	Aphrodisiakum, das JMP sexyer, aufregender und den Nervenkitzel des Entdeckens macht. Deshalb möchten wir, dass dies auch ein Attribut ist.
	Aber wir kümmern uns auch um Ihre Fortschritte während des Arbeitsablaufs, daher ist Analgetikum das dritte Wort, und das bedeutet Schmerzlinderung.
	Schmerzlinderung.
	Deshalb möchte ich, dass die Leute Dinge wie die folgenden imaginären Zitate ausdrücken: \!"Version 15 hat mir gerade geholfen ... hat mir Stunden oder sogar Tage Arbeit erspart, über die ich mich früher abmühen musste.\!" Das ist eine große Schmerzlinderung.
	Oder \!"Früher musste ich jedes einzeln machen und jetzt ist alles auf einen Schlag.\!" Da gibt es viel Schmerzlinderung. Oder \!"Früher musste ich mehrere andere Tools verwenden, um alles zu erledigen, aber jetzt kann ich alles in JMP erledigen.\!"
	Oder \!“Ich habe meinen Kollegen gezeigt, wie einfach ich das gemacht habe. Und sie waren erstaunt.\!" Oder \!"Früher musste ich das alles manuell programmieren, jetzt sind es nur noch ein paar Mausklicks und es ist erledigt.\!"
	Oder \!"JMP hält mich auf dem Laufenden und lenkt meine Aufmerksamkeit auf die Analyse der Daten, anstatt sie zu sehr auf betriebliche Details zu lenken.\!" Das sind die Ausdrucksformen der Schmerzlinderung, die wir hören wollen.
	Nun, warum sind Schmerz und Frustration echte Demotivatoren? Flow ist wichtig. Im Flow sind Sie ungestört. Wenn Sie im Fluss sind, ist es wahrscheinlicher, dass Sie etwas aus den Daten lernen und Entdeckungen machen.
	Jetzt ist Empowerment auch wichtig, aber neue Funktionen werden tendenziell nur von wenigen und alte Funktionen von vielen genutzt. Deshalb möchten wir dafür sorgen, dass die alten Funktionen besser funktionieren
	um die Schmerzen bei der Verwendung zu lindern. Und natürlich hängt die Produktivität in hohem Maße davon ab, wie effektiv unsere Werkzeuge im Hinblick auf die Zeitnutzung sind. Wenn wir es also schaffen, einfacher und schneller zu Ergebnissen zu gelangen, ist das ein großer Gewinn. Gehen wir also viele Beispiele durch.
	Zuerst die Skripte, die mit den Datentabellen geliefert werden. Hier sehen Sie also nebeneinander ein Beispiel aus einer früheren Version von JMP. Ich denke, es ist JMP 14 oder 13, wo
	Früher musste man die Maustaste auf dieser Schaltfläche gedrückt halten und dann wurde ein Menüpunkt angezeigt, und dann fand man eine Schaltfläche „Ausführen“, um das Skript auszuführen.
	Aber die neue Art hat nur einen Play-Button direkt neben dem Skript. Sie klicken also einfach auf die Wiedergabetaste und ersparen sich das Herunterfahren eines Menüs.
	Nun, das ist kein großer Gewinn. Sie denken, dass der Unterschied zwischen dem Klicken auf eine Schaltfläche und dem Öffnen eines Menüs nicht sehr groß ist. Aber es ist auch ein großer Gewinn für neue Benutzer, da neue Benutzer nichts mehr verstehen müssen
	dass ein Hot-Button einen Lauf darunter haben wird. Aber direkt neben dem Skript gibt es den Play-Button. Und so besteht ein besseres Verständnis dafür, dass es sich hierbei um Skripte handelt.
	Und die Möglichkeit, Skripte mit Ihren Daten zu speichern, ist eine große Sache in JMP und wir möchten, dass die Leute das sofort lernen
	und Sie müssen nicht um zwei herum fischen oder sich einen Tipp ansehen, um zu erfahren, dass es so ist. Und es ist ein großer Komfort, alle Ihre Skripte speichern zu können
	innerhalb der Datentabelle selbst und finden keine anderen Orte, an denen sie gespeichert werden können. Also für neue Benutzer der Play-Button. Das bedeutet also schon durch diese einfache Veränderung eine gewisse Schmerzlinderung.
	Und wir bedauern, dass wir diese Änderung nicht schon viel früher in JMP vorgenommen haben.
	Lassen Sie uns über die Aufbereitung von Daten sprechen. Und eines der wichtigsten Dinge, die Sie bei der Datenvorbereitung tun müssen, ist die Zusammenführung von Daten aus mehreren Quellen.
	Jetzt musste JMP, sogar ab Version eins, dem Dienstprogramm beitreten. Dies erfordert jedoch immer noch komplexe Dialoge und die Arbeit mit mehreren Datentabellen.
	Hier ist also das klassische Beispiel, bei dem ich Filme ausleihe und wir unsere Transaktionstabelle für den Filmverleih haben
	Dazu gehören der Kunde, die Artikelnummer, das Bestelldatum, das Bestelljahr, und dann haben wir unseren Bestand an Filmen zum Ausleihen sowie Details zu jedem Film. Und dann haben wir die Kunden ... Informationen über die Kunden und so weiter. Und wir wollen Fragen stellen, alle drei Tische einbeziehen
	welche Geschlechter in welchen Filmgenres vorherrschen. Nun, das beinhaltet
	Gehen Sie alle drei Tabellen durch, und natürlich ist der Join-Befehl der richtige Weg, dies zu tun. Ich nehme die Transaktionsdaten und ich
	verschmelzen Sie es mit den Kunden. Und natürlich ist die Kundennummer passend
	Spalte und ich möchte die Nichtübereinstimmungen von der Transaktionsseite einschließen. Wenn ich also keine Kundendaten habe, verliere ich trotzdem nicht meine Transaktionsdaten. Und das nennt man Left Outer Join, und so entsteht die neue Datentabelle. Und nun zu dieser Datentabelle, der möchte ich beitreten
	zu den Bestandsdaten. Also verbinde ich das mit der Artikelnummer, mit der ich dann übereinstimme, und ich möchte auch eine linke äußere Verknüpfung, und jetzt habe ich sie
	ein weiterer Tisch. Und jetzt habe ich statt drei Tabellen fünf Tabellen, die Ergebnisse dieser Verknüpfung, aber jetzt kann ich mir die Beantwortung der Frage nach Geschlecht nach Genre ansehen, was
	Geschlecht tendiert dazu, mehr von welcher Art von Film auszuleihen.
	Und dazu gehörte auch die Erstellung all dieser neuen Zwischendatentabellen.
	Es stellt sich heraus, dass es einen viel einfacheren Weg gibt und der Schmerz allein dieser zusätzlichen Schritte und zusätzlichen Tische erheblich reduziert werden kann. Lassen Sie mich also diese Tabelle auf dieser Tabelle rückgängig machen.
	Und ich möchte darauf hinweisen, dass es unter dem Befehl „tables“ einen Befehl namens „JMP Query Builder“ gibt, der die Sequel-Funktion aufruft
	Das Verknüpfen von Tabellen ist viel einfacher als alle diese Verknüpfungsdialoge, erstellt aber trotzdem neue Datentabellen.
	Aber vor ein paar Veröffentlichungen haben wir etwas noch Besseres herausgebracht, das die Schmerzen noch weiter reduziert, und das ist Virtual Join. Wenn ich mir also diese Transaktionstabelle ansehe,
	Mir ist aufgefallen, dass es bereits verbunden ist.
	Was also passiert ist, ist, dass die Filminventartabelle, als ich sie vorbereitet habe, eindeutig anhand der Artikelnummer identifiziert wurde. Und so gebe ich dann die Artikelnummer an
	eine Link-ID, die besagt, dass sie dadurch eindeutig identifiziert wird und dass ich diese Tabelle auf diese Weise indizieren kann. Und ebenso habe ich eine Artikel-ID zur Identifizierung der Kundendaten. Und wenn ich meine Transaktionsdaten vorbereite, habe ich diese beiden, gewissermaßen Fremdschlüssel,
	eine Link-Referenz, die auf verschiedene Datentabellen verweist, indem sie ... die identifizierende ID über sie hinweg verwendet. Und so wird es automatisch verknüpft und ich habe bereits alles, was ich brauche, um diese Frage zu beantworten. Also kann ich es tun
	für jede
	Geschlecht, ich kann
	Finden Sie das Genre des Films, den ich machen möchte. Und so kann ich hier sehen, dass Actionfilme eher bei den Männern und Familienfilme bei den Frauen beliebter sind
	rom com mehr von den Frauen und so weiter. Deshalb habe ich meine Frage mit drei Tabellen beantwortet, ohne alle Verknüpfungen durchlaufen zu müssen, da die Verknüpfung virtuell erfolgt, indem die ID-Spalten in den Tabellen abgeglichen werden.
	Also habe ich es gemacht
	eine große Schmerzlinderung dadurch. Also schließen wir das tatsächlich ab.
	Das Zusammenführen von Datentabellen hat meiner Meinung nach eine große Schmerzlinderung gegenüber den Veröffentlichungen mit sich gebracht.
	Umkodierung,
	Das ist eines der wichtigsten anderen Dinge, die wir tun, wenn wir Datensätze vorbereiten.
	Wir haben vor vielen Versionen mit einer sehr einfachen Neucodierung begonnen, bei der wir nur ein Feld für den alten Wert und den neuen Wert hatten und der neue Wert mit demselben Wert wie der alte Wert begann und ich diese Werte dann ausschneiden und einfügen oder bearbeiten kann um umzukodieren
	in eine neue Spalte oder die bestehende Spalte.
	Und jede Version von Recode hat dramatische Verbesserungen erfahren, und wir sind mit dem aktuellen Stand sehr zufrieden. Schauen wir uns also diesen Datensatz von Krankenhäusern und Bezirkskrankenhäusern an. Und jetzt ist Recode genau richtig
	Klicken Sie mit der rechten Maustaste oder mit der rechten Maustaste auf das Menü in der Spaltenüberschrift. Und ich kann einfach durchgehen
	Wählen Sie eine Reihe von Dingen aus und gruppieren Sie sie nach einem neuen Wert, z. B. einer Klinik.
	Aber ich denke, es gibt auch viele Abkürzungen. Und eine meiner Lieblingsabkürzungen ist
	um ähnliche Werte zu gruppieren. Ich kann also einen Schwellenwert für die Anzahl der Charakterunterschiede usw. angeben, und alle diese Dinge werden automatisch gruppiert. Daher werden alle Bezirkskrankenhäuser mit leicht unterschiedlichen Schreibweisen in einem zusammengefasst.
	Und ich kann immer noch...
	Es sieht so aus, als hätte es einen verpasst. Aber es ist okay, ich kann das jetzt mit den anderen gruppieren und
	Insgesamt wurden alle ländlichen Krankenhäuser automatisch nach den passenden Krankenhäusern gruppiert, und es sieht so aus, als ob ich hier noch ein zusätzliches zuordnen kann.
	Und jetzt habe ich plötzlich etwas. Ich habe mir bei der Neukodierung viel Mühe gespart.
	Und natürlich haben wir in JMP 15 neue Funktionen hinzugefügt, die ich hier nicht zeigen werde, aber darauf hinweisen möchte. Wenn Sie einen anderen Datensatz mit allen haben
	...bewiesen, dass...die besten Kategorienamen für diese Kategorien, ich kann einen Abgleichsprozess durchlaufen und die beste Übereinstimmung auswählen lassen, wenn eine Übereinstimmung mit all diesen Dingen gefunden wird. So
	Daher hat Recode im Laufe der Veröffentlichungen viele Weiterentwicklungen durchlaufen, um den Aufwand bei diesem Vorgang zu verringern. Und natürlich denken Sie darüber nach. Wie viel Zeit verbringen wir mit der Vorbereitung der Daten im Vergleich zur Analyse?
	Oftmals verbringen wir zwischen 70 und 90 % unserer Zeit mit der Vorbereitung der Daten. Und so werden die Verringerung des damit verbundenen Schmerzes und die Verkürzung der Zeit dafür zu großen Erfolgen. Also Schmerzlinderung beim Umkodieren.
	Klicken Sie auf Werte. Hier ist
	Der Städtedatensatz.
	Und nehmen wir an, wenn ich mir die Details einiger dieser Dinge ansehe, zum Beispiel, dass es sich bei etwas um einen Ausreißer handelt, möchte ich es mir genauer ansehen. Und so kann ich daraus einen Link machen. Also lasst uns
	Machen wir daraus eine Wiki-Seite, eine Wikimedia-Seite. Ich werde diesen Text dorthin kopieren, zu den Spalteninformationen gehen und das dann in einen Link umwandeln, der den Ausdruckshandler darstellt.
	Und jetzt kann ich es nehmen
	Das
	Tabelle und konvertieren Sie sie in ein Web
	Adresse. So
	Ich gehe zu wikipedia.org und nehme dann das
	Geben Sie den Namen dieser Stadt ein und ändern Sie ihn in Groß- und Kleinschreibung. Ich kann ihn dann in dieser Zeile testen und rufe Albany auf.
	Und jetzt sage ich...
	Oh, ok.
	Und jetzt kann ich auf eine beliebige Stadt klicken und dann den Wikipedia-Artikel zu dieser Stadt abrufen. Oder es kann in Kartenkoordinaten umgewandelt werden. Also kann ich ... lasst uns diesen Text kopieren und zur Spalte „Info“ gehen, und stattdessen werde ich jetzt Folgendes tun
	Machen Sie dabei die Groß- und Kleinschreibung.
	Mal sehen, ob das geparst wird. Und jetzt kann ich auf Denver klicken und es werden Denver und Google Maps abgefragt.
	Okay, also habe ich Dinge zu Aufgaben-Links gemacht ... Ich kann Suchen durchführen, Kartenanfragen stellen und so weiter. Ich kann sogar
	Fügen Sie diesen Text ein, klicken Sie darauf und lassen Sie den Namen der Stadt sprechen. Ich denke, dass dies eine große Möglichkeit darstellt, Links in unseren Datentabellen zu speichern
	die auf Webseiten verlinken oder andere Dinge tun, alles, was Sie mit ACL ausdrücken können, können Sie mit diesen Event-Handlern tun. Das kann also viele Schmerzen lindern.
	Eine meiner Lieblingstechniken zur Schmerzlinderung ist das Senden. Hierbei hält man die Befehlstaste oder die Steuertaste gedrückt, um mehrere Analysen durchzuführen, bei denen es viele ähnliche Analysen gibt. Okay, also
	Dies funktioniert nicht nur für Menübefehle, sondern auch für viele Schaltflächen und für die Größenänderung von Diagrammrahmen und für andere Dinge, das Einfügen von Dingen in Diagramme usw.
	Machen wir also ein Beispiel dafür. Und klicken wir auf ... oder führen Sie einfach eine Verteilung für alle diese Spalten durch.
	Und sagen wir mal, ich wollte es loswerden
	dieses Boxplot.
	Und wenn ich einfach durchhalten würde
	Bei diesem Menüelement würde ich den Boxplot für dieses Element entfernen. Ich möchte jedoch den Boxplot für alle Elemente eliminieren. Was ich also tun werde, ist, die Befehlstaste gedrückt zu halten und das Kästchendiagramm zu deaktivieren, und jetzt ist es für all diese Dinge deaktiviert. Ich kann jetzt die Quantile deaktivieren
	und es wird die Prüfung für alles aufheben, weil es diesen Befehl angenommen und an alle aktiven Objekte in diesem Fenster gesendet hat, und für diejenigen aktiven Objekte, die diesen Befehl verstehen, zum Beispiel den Quantilbefehl, wird es diesen Befehl dann befolgen.
	Das funktioniert jetzt sogar für einige Dinge, die mit der Anregung von Dialogen zu tun haben. Schauen wir uns also die zusammenfassenden Statistiken an. Lassen Sie mich die Befehlstaste gedrückt halten und die Zusammenfassungsstatistik anpassen.
	Nehmen wir an, ich möchte nicht die Konfidenzgrenzen, sondern die Anzahl der fehlenden Werte. Und ich sage: Okay, und das gilt für alle ...
	all die Dinge. Um das zu tun, musste es sein
	Nehmen Sie die Ergebnisse dieses Dialogs, erstellen Sie ein Skript daraus und übertragen Sie dieses Skript dann an alle anderen Stellen in diesem Fenster.
	Nun, das passiert nicht immer. Wenn Sie eine Eingabeaufforderung erhalten, erhalten Sie manchmal eine Eingabeaufforderung für jede Analyse. Bei jeder Veröffentlichung versuchen wir es
	um ein paar weitere Details zu implementieren, bei denen der Dialog vor der Übertragung erfolgt, sodass an jedem verfügbaren Ort derselbe Dialog gesendet wird. Und natürlich kann ich bei allem anderen eine Änderung übertragen, und es wird sich, wissen Sie, die Größe all dieser Elemente ändern, oder ich kann es übertragen
	Ändern der Hintergrundfarbe, und ich kann alle Hintergrundfarben in allen Diagrammen in Orange ändern
	dass das für diese Rahmenbox relevant zu sein scheint. So wird diese Übertragung zu einem sehr mächtigen Werkzeug.
	So,
	Das hat den meisten von uns viel Ärger erspart, aber es gibt immer noch Fälle, in denen man 40.000 pro Gruppe haben kann, wie es Anfang dieses Jahres der Fall war, und er möchte eine umgekehrte Vorhersage für alle 40.000 machen und es gibt 40.000 Mal eine Eingabeaufforderung.
	Das wird für Version 16 behoben. Das ist eine große Schmerzlinderung für diesen einen Benutzer.
	Formelspalten speichern.
	Ich liebe Formelspalten. Wenn Sie ein Modell anpassen, können Sie eine Spalte mit Vorhersagen speichern. Aber in dieser Vorhersage gibt es eine Live-Formel, mit der Sie diese Formel untersuchen, ändern und auf neu eingehende Daten anwenden können. Sie können es nach der Speicherformel profilieren. Du kannst
	Wenn Sie haben
	Mit JMP Pro können Sie zum Formeldepot gehen und viele andere Dinge erledigen. Sie können daraus Code generieren und so weiter. Daher ist die Möglichkeit, Formeln zu speichern, manchmal eine wichtige Sache
	Wenn Sie beispielsweise nach Gruppen arbeiten, ist das Speichern von Formeln besonders subtil.
	Passen wir zum Beispiel an, das sind die Diabetesdaten, in die wir die Antwort einpassen
	gegen alle diese Prädiktoren, und wir möchten dies jedoch für jedes Geschlecht separat tun.
	Also lasst uns das tun.
	Wir haben also zwei Gruppen für Geschlecht eins und Geschlecht zwei. Und jetzt sagen wir mal, wir wollen sparen
	tatsächlich der vorhergesagte Wert für beides. Jetzt
	In den alten Tagen, bevor wir dies einer Menge schmerzlindernder Methoden unterzogen haben,
	Was würde passieren, wenn Sie es speichern würden? Es würde in eine lokale Datentabelle verschoben. Wenn Sie im Datentabellenfenster unter „Wiederherstellen“ nachsehen, wird die Tabelle nach Gruppen angezeigt.
	Für Geschlecht=1 gibt es also tatsächlich 235 in dieser virtuellen Datentabelle hier, die Sie für Geschlecht=1 anzeigen können. Hier gibt es eine Tabellenvariable, die die entsprechende Gruppe anzeigt.
	Und es würde es in dieser temporären Tabelle speichern und nicht in der echten Tabelle, die wirklich gespeichert ist.
	Aber
	Wenn Sie vor einiger Zeit die Vorhersageformel gespeichert haben, speichern wir sie in der realen Datentabelle. Und wenn ich mir das ansehe, habe ich es gerade für Geschlecht=1 gespeichert,
	Und wenn ich mir die Formel dafür anschaue, zeigt sie, dass wenn Geschlecht=1, das war die by-group-Klausel, diese lineare Kombination vorhanden ist, die eine Vorhersage für diese Variable bildet.
	Und wenn ich dann „gender=2“ ausführe oder die Befehlstaste gedrückt halte, um die Vorhersageformel zu senden, sind jetzt beide Klauseln vorhanden und ich habe beide Klauseln für Geschlecht 1 und Geschlecht 2 verfügbar. Es wird also jedes Mal eine Klausel zu dieser Ausgabe nach Gruppe hinzugefügt.
	Das Gleiche passiert übrigens, wenn Sie andere Dinge speichern, wenn ich eine Spalte mit Residuen speichere und dieses Mal die Befehlstaste gedrückt halte.
	Wenn ich eine Spalte mit Residuen speichere, wird diese für jede Spalte nach Gruppe gespeichert, und es wird der entsprechende Residuum nach Gruppe gespeichert. Es ist, als ob Sie die vorhergesagte Formel von der ursprünglichen Antwort subtrahieren würden, diesmal jedoch ohne eine Formelspalte.
	An fast allen Stellen in JMP haben wir es nicht überall gemacht, aber wir haben es an den meisten Stellen gemacht und in einer Nach-Gruppe gespeichert
	oder in manchen Fällen über eine where-Klausel wird es dann mit der Bedingung in der if-Anweisung in der Originaldatentabelle gespeichert. Okay, das stimmt
	hat viel Aufwand gespart. Wenn das nicht verfügbar gewesen wäre, wurde tt in einer temporären Tabelle gespeichert und dann müssten Sie diese Formel ausschneiden und einfügen und if-Tabellen in die Originaltabelle einfügen. Wir haben diese Probleme also gelöst. Nehmen wir nun an, ich hätte es noch einmal gespeichert, den ganzen Vorgang noch einmal durchgeführt,
	Und
	und habe etwas anderes gemacht, sagen wir, mit verschiedenen Variablen, von denen einige entfernt wurden,
	und habe es jetzt wieder gespeichert.
	So,
	Ich speichere die Vorhersageformel, dieses Mal halte ich die Broadcast-Taste gedrückt. Dadurch wird tatsächlich eine neue erstellt, anstatt in der alten zu speichern, und eine 2 wird dahinter angehängt. Nun, woher weiß es, dass es nicht im alten gespeichert werden soll?
	Nun, jede Passform hat eine ID. Und wenn ich mir die Eigenschaften ansehe
	nach ID hat es die Nummer dazu, eine eindeutige Nummer, die für jede Passform neu generiert wird, und solange es eine andere nach ID hat,
	Die unterschiedlichen Gruppen haben dieselbe ID wie eine einzelne Partition. Aber solange die ID dieselbe ist, wird sie in derselben Datei gespeichert. Andernfalls wird ein neuer Speicherort erstellt.
	Wenn wir außerdem von Vorhersagewerten sprechen,
	insbesondere Vorhersageformeln,
	Es werden ein Attribut, der Ersteller und in einigen Fällen weitere Informationen erstellt. In diesem Fall hat es die Zielvariable y, die vorhergesagt wird, und der Ersteller passt die Methode der kleinsten Quadrate an.
	Und wenn Sie dann andere Plattformen nutzen, beispielsweise wenn Sie einen JMP Pro-Modellvergleich haben, dann erkennt dieser Modellvergleich, welche vorhergesagten Werte sich auf welchen Ersteller und welches Ziel beziehen. Und so kann es all diese Informationen für diese Mehrwertplattformen im Auge behalten.
	So,
	Formelspalten funktionieren durch das Hinzufügen neuer Klauseln und es werden andere Eigenschaften verwendet, einschließlich der By-ID.
	Und wenn Sie die Vorhersageklauseln in kategorialen Variablen speichern, wird eine ganze Reihe von Variablen gespeichert, um die Wahrscheinlichkeiten für jede Antwortebene und alles, was darin enthalten ist, mit allen Metadaten und Anforderungen zu haben. Und das sollte eine Menge Schmerzen ersparen.
	So,
	Entfernen von Effekten aus Modellen.
	Schauen wir uns ein Beispiel an
	der Anpassung
	Ich passe einfach die Körpergröße nach dem Gewicht an.
	Nun, hier ist ein Beispiel für ein Polynom hohen Grades. Dies ist ein Polynom siebter Ordnung
	das passt besser als
	Polynome sechster Ordnung und so weiter. Aber würden Sie darauf vertrauen, dass es passt?
	Es stellt sich heraus, dass, wenn man dem Modell viel Flexibilität verleiht, indem man hochpolynomische Terme einführt oder einfach mehr Variablen einführt, es viel mehr Anpassungsmöglichkeiten bietet. Und in diesem Fall ist es so
	Es bietet die Flexibilität, einen tiefen Einblick zwischen den vorherigen Daten und dem letzten Datenpunkt zu nehmen, um den letzten Datenpunkt besser anzupassen.
	Es ist also eine Überanpassung. Es ist so ... es wird dieser Parameter verwendet, um das Rauschen anzupassen, anstatt das anzupassen
	die Daten selbst.
	Daher ist eine Überanpassung immer dann ein Problem, wenn Sie große Modelle haben. So
	Sie möchten das Signal anpassen, nicht das Rauschen. Okay, große Modelle neigen dazu, mehr Variation in die Vorhersage einzubringen, denn die Vorhersage ist ja schließlich so
	eine Funktion der y-Variablen, die sie verwenden, aber auch diese y-Variable ist ein systematischer Teil dieser Variablen plus dem Fehlerteil dieser Variablen, wenn dieser Variablenteil ist
	zufällig ist, dann beinhaltet Ihre Vorhersage, dass diese Zufälligkeit vorliegt. Und wenn man ihm zu viel Flexibilität zugesteht, wird es enden
	ein Überanpassungsproblem, das Sie durch die Einbeziehung aller Variablen in dieses Modell noch viel schlimmer vorhersagen können.
	Die Lösung hierfür besteht darin, das Modell zu verkleinern, die Größe des Modells zu verringern oder die Größe der Koeffizienten im Modell zu verringern.
	so dass weniger Abweichungen vom Zufallsterm des Modells in den vorhergesagten Wert übertragen werden. Und so
	Bei kleinen DOE-Problemen stellt dies kein Problem dar, da die Daten klein und ausgewogen sind, sodass sie genau zu dem Modell passen, das Sie anstreben. Bei Beobachtungsdaten in großen Modellen ist die Überanpassung jedoch ein echtes Problem.
	Daher haben Benutzer dies oft nicht zu schätzen gewusst, bis wir die Kreuzvalidierung in JMP Pro eingeführt haben. Wenn Sie also über JMP Pro verfügen, können Sie eine Validierungsspalte einrichten.
	Dadurch werden einige der Daten zurückgehalten, um den Fehler in diesem zurückgehaltenen Datensatz abzuschätzen. Und hier ist ein Beispiel, bei dem ich ... Ich versuche, die konkreten Eigenschaften vorherzusagen
	abhängig von all diesen Zutaten im Beton, und ich habe ein riesiges Modell dafür. Und wenn ich einfach dieses Modell durchführe, aber einige der Daten zurückhalte und mir das R-Quadrat dazu ansehe,
	Ich bin für SLUMP, ich habe eine tolle Passform. Ich habe ein R-Quadrat von 79, aber auf dem Validierungssatz, den ich anpasse, habe ich ein R-Quadrat, das negativ ist.
	Jedes R-Quadrat, das negativ ist, bedeutet, dass es schlechter passt als nur der Mittelwert. Wenn ich also den Mittelwert anpassen würde, hätte ich ein R-Quadrat von Null. Wenn ich dieses gesamte Modell anpasse, habe ich ein R-Quadrat, das viel schlechter ist. Bei großen Modellen kann es also zu Schlimmerem kommen, als nur den Mittelwert anzupassen, der schlechter ist als der Mittelwert
	Es ist irgendwie antiinformativ, weil das Modell so groß ist und wir uns keine Mühe gegeben haben, die Größe des Modells zu reduzieren. Das Modell wurde vom Rauschen und nicht vom Signal dominiert. Dies ist also ein Problem, auf das Sie achten sollten.
	Der wichtige Teil besteht also darin, die Größe des Modells reduzieren zu können.
	Und jetzt haben wir einen Modelldialogbefehl eingeführt, um das zu tun.
	Gehen wir mit unserem Modell auf den Diabetes ein.
	Ich kann dieses Modell betreiben und wenn ich, sagen wir, viele dieser Dinge herausnehmen möchte, sind sie nicht sehr wichtig. Weißt du, Alter
	hat einen völlig unbedeutenden Beitrag zum Modell, und deshalb möchte ich das Alter eliminieren. Na dann würde ich, ich könnte wieder zum passenden Modell übergehen und
	Erinnere dich daran oder eliminiere dann das Alter. Oder ich kann hier einfach direkt zum Modelldialog zurückkehren und das Alter anpassen und entfernen, aber ich habe hier möglicherweise eine lange Liste von Modellen und das Hin- und Hergehen, um diese Dinge zu tun, ist eine Menge Arbeit.
	Und anstatt das zu tun...
	Mal sehen, was ich hier mache.
	Vor mehreren Veröffentlichungen haben wir einen neuen Bericht namens „Effects Summary“ eingeführt.
	Und mit der Zusammenfassung der Effekte ist es ganz einfach, das Modell zu unterteilen, um bessere Vorhersagen zu treffen.
	Geben Sie ihm weniger Flexibilität.
	Also kann ich sagen, nun ja, Alter, das kann ich entfernen.
	Oder, nun ja, es gibt viele Variablen. Lassen Sie uns drei weitere entfernen.
	LDL, nun ja, das sieht bedeutender aus. Und so kann ich dieses Modell speichern.
	Speichern wir es einfach in der Datentabelle.
	Und ich komme später zurück und sage: Nun, lassen Sie mich mich an das Modell erinnern, das das hat.
	Das Vorherige kann ich tatsächlich rückgängig machen. Und so kann ich das rückgängig machen und es bringt es zurück
	Drei der Variablen und ich kann das rückgängig machen und es bringt das Alter zurück. Wenn ich also die Effektzusammenfassung verwende, um das Modell zu bearbeiten, speichert es tatsächlich eine Erinnerung an all diese Dinge. Und wenn ich mir das Drehbuch ansehe,
	Ich kann diese Geschichte sehen. Jedes Mal, wenn ich ein Effektmodell erstellt habe, speicherte es eine Klausel der Geschichte. Und wenn ich das Rückgängig mache, mache ich es wieder auf den Verlauf rückgängig.
	Das Entfernen ist also einfach. Ich kann auch Dinge hinzufügen. Wenn ich diese beiden Dinge subtrahieren würde, könnte ich es wieder addieren. Ich könnte zum Beispiel noch das Alter hinzufügen.
	Keine gute Sache, aber ich kann es schaffen. Ich kann das Modell auch bearbeiten, indem ich eine kleine Version des Modelldings zurückbringe und
	des Modelldialogs und fügen Sie zusammengesetzte Effekte usw. hinzu.
	Nun noch etwas, was bei großen Modellen passiert und
	(Lassen Sie mich das rückgängig machen).
	Bei großen Modellen
	Sie führen viele Hypothesentests durch.
	Wenn Sie also eine große Anzahl von Hypothesentests haben, sollten Sie einige Anpassungen berücksichtigen. Eine davon wird als Falscherkennungsrate bezeichnet. Anstatt also alle diese p-Werte so zu behandeln, als wären sie unabhängige Tests,
	Ich möchte eine Anpassung vornehmen, damit diese p-Werte an die Verzerrung durch mehrere Tests angepasst werden, an die Auswahlverzerrung, die mit der Unterteilung des Modells einhergeht. Und so kann ich eine Falscherkennungsrate anwenden
	Korrektur dazu. Anstelle des regulären p-Werts habe ich dafür den durch die falsche Entdeckung angepassten p-Wert. Und jetzt bin ich realistischer. Das wird mir also bei dem Überanpassungsproblem und der Hypothese helfen ... dem Auswahlverzerrungsproblem bei der Durchführung vieler Mehrfachtests
	Dinge.
	So,
	Jetzt
	Lasst uns
	Machen Sie das nächste Thema und das sind Transformationen.
	Vermuten
	Du willst ein Modell machen,
	Aber
	Anstelle von y möchten Sie den Logarithmus von y anpassen.
	Nun, bevor Sie eine neue Spalte im Datensatz erstellen würden,
	Log y,
	und dann für Log y, dich
	Geben Sie eine... an
	Mach eine Formel.
	Und ich kann es ertragen
	ein Protokoll davon.
	Und jetzt kann ich zu meiner Modellspezifikation zurückkehren und das Protokoll erstellen
	und dann kam ich in Form.
	Oh, es fehlt, was habe ich getan?
	Ich habe vergessen, das einzugeben
	objektiv, das Argument.
	Und jetzt kann ich es
	Passen Sie den Logarithmus von Y an
	Und nun
	Ich habe es getan. Aber lasst uns den Profiler machen.
	Mein Profiler basiert auf dem Protokoll von Y. Lassen Sie mich den vorhergesagten Wert speichern. Meine Vorhersageformel basiert auf dem Logarithmus von y,
	und jetzt muss ich das von Hand bearbeiten ...
	diese Formel und nehmen Sie die Exponentialfunktion davon
	um es wieder auf den ursprünglichen Maßstab zu bringen. Das ist also sehr mühsam, Transformationen auf diese Weise durchzuführen.
	Nun ja, vor mehreren Veröffentlichungen
	Wir haben Transformationen eingeführt.
	Also kann ich diese Transformation annehmen und
	Wandeln Sie es in das Protokoll um
	und verwenden Sie es jetzt direkt dort als Transformation und es ist nicht Teil der Datentabelle. Es handelt sich um eine virtuelle Variable mit einer Formel, die jedoch nicht zur Datentabelle hinzugefügt wird.
	Und jetzt kann ich mein Modell an das Log y anpassen. Lasst uns
	Entfernen Sie das Alter, damit es etwas besser passt.
	Hoppla.
	Hatte das auch ausgewählt.
	Und jetzt habe ich das Antwortprotokoll y angepasst.
	Was bekomme ich also, wenn ich das profiliere?
	Faktorprofilierung, Profiler. Anstatt das Protokoll von y zu profilieren, wird y profiliert. Der Profiler betrachtet das als eine Transformation und sagt: „Nun, ich kann diese Transformation umkehren und zum ursprünglichen Maßstab zurückkehren.“ Und genau das tut es.
	Es
	detransformiert und rücktransformiert durch den Logarithmus von y, um die Vorhersage zu nehmen und sie auf die ursprüngliche Skala zu bringen.
	Und das wird bei den meisten Transformationen der Fall sein, die abgewickelt werden können. Wenn eine Transformation mehrere Variablen usw. umfasst, kann sie dies nicht tun und führt einfach die Transformationen durch. Also das Original
	Das Gleiche gilt, wenn ich eine Spalte speichere. Wenn ich die Vorhersageformel speichere,
	Es speichert eine Vorhersageformel auf der Skala von y und nicht auf dem Logarithmus von y.
	Und so sind diese Dinge eine unglaubliche Zeitersparnis und ersparen viel Aufwand bei der Verwendung von Transformationen.
	Es gibt also...
	Lassen Sie mich
	Gehe wieder zu Diabetes
	und machen Sie eine andere ... denken Sie über eine andere Transformation nach.
	Wenn Sie mit Variablen arbeiten,
	Es gibt eine Box-Cox-Transformation, die Sie erhalten können.
	Und
	Zu den Faktorenprofilen gehört die Box-Cox-Option
	sagt Ihnen, ob Sie eine ganze Reihe von Leistungsfunktionen transformiert haben,
	Was, was wäre das Beste, was man tun könnte? Sollte es einfach untransformiert sein? Das wäre ein Box-Cox-Lambda-Wert von eins.
	Wenn Sie Null gemacht haben, wäre das gleichbedeutend damit, ein Protokoll davon zu erstellen. Wenn Sie -1 machen würden, wäre das gleichbedeutend damit, den Kehrwert davon zu nehmen.
	Die Macht zum -1. Wenn Sie etwa 0,5 erreichen würden, wäre das gleichbedeutend damit, die Quadratwurzel daraus zu ziehen.
	Und es zeigt Ihnen, dass dieses Modell besser auf eine für diese Transformation angepasste Transformationsskala passen würde, wenn es mehr entlang der Quadratwurzeltransformation wäre, bei der Lambda 0,453 beträgt. Das ist der optimale Wert in der Box-Cox-Transformation.
	Und Sie können dies vergrößern
	mit einer Lupe zu bekommen
	um es genauer zu sagen.
	So,
	Jetzt kann ich mich also verwandeln, und das schon vor mehreren Veröffentlichungen
	Ich kann ... Ich habe mehrere Spalten hinzugefügt. Eine davon wird mit „transform“ umgerüstet, wodurch ein neues Fenster mit der Transformationsantwort erstellt wird.
	Und ein anderer ersetzt die Transformation, und das werde ich tun. Und statt .453 nehme ich einfach die Quadratwurzeltransformation (.5) und passe das Modell jetzt mit dieser Transformation an.
	Und jetzt liegt Lambda Best bei etwa 1, wo es sein sollte, da es bereits sofort durch die Box-Cox-Transformation transformiert wird. Und jetzt kann ich den vorhergesagten Wert davon speichern und
	Profilieren und so weiter. Und ich kann es sogar rückgängig machen. Wenn mir diese Transformation also nicht gefällt und ich zum Original zurückkehren möchte, kann ich zum Original zurückkehren und es umrüsten.
	So,
	Wir haben viel Schmerzlinderung geleistet
	bei der Transformation von Antworten.
	Also jetzt
	Es gibt einen besonderen Schmerz, einen besonderen Ort des Schmerzes, wenn man viele Daten hat.
	Und wir haben große Anstrengungen unternommen, um große Probleme mit weniger Schmerzen zu lösen.
	Egal, ob Sie viele Zeilen, viele Spalten, viele Gruppen oder viele Modelle zum Ausprobieren haben,
	In der heutigen Welt leben wir in einer Welt von Big Data mit großen Problemen.
	Wenn wir also über Analysen verfügen, die ursprünglich für die Behandlung kleinerer Probleme konzipiert waren, sind sie möglicherweise nicht für große Probleme geeignet, und das zentrale Problem bei großen Problemen besteht darin, dass es einfach zu viel Ausgabe zum Durchsuchen gibt.
	Wenn ich dasselbe Modell an 1.000 Variablen anpasse, muss ich 1.000 Berichte sortieren. Wenn ich unter 1.000 Spalten nach Ausreißern suche, gibt es nur Ausreißer, Sie wissen schon, separate Berichte für jede Spalte und so weiter. Ich möchte in der Lage sein
	viele große Datenmengen effizienter verarbeiten. Also haben wir das Screening-Menü entwickelt,
	das diese großen Probleme lösen soll. Und außerdem gibt es bei JMP viele Stellen, die auch große Probleme besser lösen. Zum Beispiel Zeitreihen. Die neue Zeitreihen-Prognoseplattform wird viele Zeitreihen prognostizieren statt nur einer.
	Die Elemente auf der Screening-Plattform erforschen also Ausreißer, erforschen fehlende Werte und erforschen Muster. Diese dienen der Überprüfung von Daten und der anschließenden Suche nach Zusammenhängen, dem Screening von Reaktionen usw.
	Prozess-Screening, Prädiktoren-Screening. Und natürlich ist die Zeitreihenprognose ein neuer Punkt. Es befindet sich nicht im Screening-Menü, ist aber für die Behandlung großer Probleme organisiert.
	Und all diese Dinge nutzen nicht nur kompaktere Möglichkeiten zur Darstellung der Ergebnisse, sodass Sie nicht Tausende von Berichten benötigen, sondern sind auch recheneffizient. Sie verwenden Multithreading, um Ihre Vorteile zu nutzen
	das Vielfache
	Kerne in Ihrer CPU, um sie sehr schnell zu machen.
	Nehmen wir also an, Sie haben viele Prozessdaten; Sie haben 568 Variablen. Welche dieser Variablen sieht also gesund aus? Das Prozess-Screening soll hier eine Antwort geben. Und so kann es nach der Stabilität oder nach der Fähigkeit (Ppk) sortieren oder nach denen, denen es schlecht geht, oder danach sortieren
	Kontrolldiagrammmaße, außer Kontrolle geratene Konten usw.
	Aber was mir noch besser gefällt, sind einige der Tools, die alle Prozesse in einem Diagramm anzeigen. Und es gibt zwei davon, die ich liebe. Einer ist der
	das Zieldiagramm, das zeigt
	Wie sich jeder Prozess im Hinblick auf die Spezifikationsgrenzen verhält und ob es sich um einen leistungsfähigen Prozess handelt, liegt er hier im grünen Bereich.
	Wenn es marginal ist, liegt es im gelben Bereich. Ist dies nicht der Fall, befindet es sich im roten Bereich, und wenn es weit oben liegt, weist es eine zu große Varianz auf. Wenn es auf der einen Seite der anderen liegt, liegt ein Problem vor.
	Mit...
	Es liegt außerhalb der Mitte, es ist außerhalb des Ziels.
	Aber wenn es im grünen Bereich ist, dann ist es ein guter Prozess, und mit Version 15 führen wir das ein
	Graphlets, die Hover-Hilfe
	So können Sie jeden Prozess sehen, wenn Sie mit der Maus darüber fahren. Und dann das andere
	Die Grafik, die mir gefällt, um all diese Dinge zusammenzufassen und die Mühe beim Durchsehen all dieser Berichte zu verringern, ist dieses Prozessleistungsdiagramm. Auf der vertikalen Achse sehen Sie also, ob Sie sich innerhalb der Spezifikationsgrenzen der Fähigkeit Ppk befinden.
	Wenn Sie also über dieser Linie bei 1,33 liegen, dann sehen Sie hinsichtlich der Verteilung der Werte im Hinblick auf die Spezifikationsgrenzen gut aus. Sie liegen deutlich innerhalb der Spezifikationsgrenzen.
	Wenn...dann liegt der Stabilitätsindex auf der x-Achse. Wenn es sich also um einen ziemlich instabilen Prozess handelt, ist er zwar leistungsfähig, aber instabil. Wenn Sie sich also diesen Prozess ansehen, könnte es einige geben
	Stabilitätssache, die einige umherwandert. Und wenn Sie sich in der gelben Zone befinden, sind Sie es
	fähig, aber instabil und so weiter. Die rote Zone ist die schlechte Zone, in der Sie sowohl unfähig als auch instabil sind. Und so ist es jetzt einfacher, Hunderte oder Tausende von Prozessen zu durchsuchen, wo es früher sehr mühsam war.
	Die Frage ist: Was hat sich am meisten verändert? Hier sind einige Umfragedaten, wo
	Sie haben über viele Jahre hinweg eine Frage zu ihren Aktivitäten gestellt. Hast du
	Campen gehen? Oder in einem Casino spielen? Oder hattest du eine Erkältung? Sie wissen schon, all diese Aktivitäten und Sie möchten wissen, welche dieser Aktivitäten (und es gibt) welche davon sind
	Ich glaube, 95 verschiedene Aktivitäten), welche davon den größten Unterschied gemacht haben. Und Sie suchen also, wissen Sie ... eine Sache, die Sie tun könnten, wäre, sie einzeln durchzugehen
	und passen Sie diese Aktivität dem Erhebungsjahr an.
	Anstatt einzeln zu betrachten. Ich kann mir das Antwort-Screening ansehen
	Und schauen Sie sich einfach ein Diagramm an, um zu sehen, was sich am meisten verändert hat.
	Und hier sehen Sie ein Diagramm für alle 95 dieser Dinge. Erstens die Signifikanz in Bezug auf den negativen Logarithmus des P-Werts,
	Dies nennen wir den Protokollwert, der an die Falscherkennungsrate angepasst wird. Dadurch wird ein Teil dieser Auswahlverzerrung ausgeglichen, da Sie alle diese p-Werte sortieren.
	und Auswahl der hinter ... den niedrigen P-Werte. Und ich finde, dass das Ausleihen einer Videokassette den größten Unterschied gemacht hat, Videokassetten, und natürlich sind sie veraltet. Also hat es sich natürlich geändert.
	Eine andere Videokassette hat viel verändert, das Sammeln von Dingen zum Recycling hat sich sehr verändert, die unterhaltenden Menschen in meinem Zuhause haben sich sehr verändert.
	Und hier ist der Punkt, der weniger bedeutsam ist, aber einen großen Effekt hat, wenn Sie das Internet nutzen. Und natürlich wurde diese Umfrage gestartet, bevor es das Internet gab. Und so hat sich viel verändert. Die Frage war also, was sich am meisten verändert hat
	ist jetzt einfach, wo es früher schwer war.
	Eine weitere Frage, die Sie zu Big Data gestellt haben: Wo sind die fehlenden Werte? Also hier sind
	280 Variablen.
	Wo sind die fehlenden Werte? Muss ich mir um sie Sorgen machen? Und wenn ich mir den Bericht „Erkunden fehlender Werte“ ansehe, sehe ich, dass es nur fünf dieser Variablen mit fehlenden Werten gibt.
	Und einige von ihnen haben nur eine Variable, einen fehlenden Wert, aber andere haben eine ganze Menge. Wenn ich also eine Analyse durchführe, eine multivariate Analyse, möchte ich sie wahrscheinlich nicht einbeziehen
	376 von 452 Variablen. Oder wenn ich J einbeziehen möchte, kann ich es durchgehen
	und unterstellen Sie die fehlenden Werte
	indem du das tust, okay.
	So,
	Nächste Frage: Haben die Daten Ausreißer?
	Nun, ich habe 387 Messungen, die ich in diesem Prozess durchführe. Und ich möchte herausfinden, ob es da Ausreißer gibt. Jetzt haben wir die Möglichkeit, dies im Screening-Menü zu tun. Ich kann
	Machen Sie dies mehr oder weniger empfindlich.
	Machen wir es sensibler
	Es gibt also weniger Ausreißer und Neuscans.
	ich kann schauen
	bei
	die Neunen. So oft wird eine Folge von Neunen verwendet, um einen fehlenden Wert darzustellen, und diese Neunen können echte Neunen sein, aber sie können nur ein Indikator für einen fehlenden Wert sein. Und so kann ich sagen, dass ich diese Neunen zu den fehlenden Wertcodes hinzufügen kann, und jetzt hat sich die Erinnerung geändert.
	Und jetzt kann ich es
	Gehen Sie zurück (hier gibt es viele Variablen) und scannen Sie erneut, und es gibt weniger fehlende Werte, über die Sie sich Sorgen machen müssen.
	Daher war es früher mühsam, Ausreißer zu untersuchen.
	Es kann immer noch eine große Aufgabe sein, aber es ist viel einfacher als früher.
	Jetzt haben wir in Version 15 eine weitere Screening-Plattform hinzugefügt. Weisen die Daten verdächtige Muster auf? Und hier sind einige Labordaten aus klinischen Studien. Dies sind Daten zu Nicardipin-Labormustern. Es gibt 27 Laborergebnisse, die ich mir vielleicht ansehen möchte. Und so rufe ich an
	Entdecken Sie mit der neuen Plattform fehlende Werte. Und das wird mir zeigen, habe ich eine Reihe von Werten? Ich habe also den Wert .03536, aber es sind sieben in einer Reihe, beginnend in einer Reihe.
	2065. Ich kann diese Zellen einfärben und mir diese Werte ansehen, und vielleicht ist es der letzte übertragene Wert, der vielleicht nicht verdächtig ist. In diesem Fall ist es die...
	es ist die gleiche Person. Vielleicht ist es also sinnvoll, den letzten übertragenen Wert zu tun, aber wenn man diese Dinge verteilt hat, kommt das nur sehr selten vor ...
	Wenn Sie für diese Dinge eine Zufallsverteilung annehmen.
	Auch längste duplizierte Sequenz. Für diese Variable, wir beginnen in Zeile 2816 und auch in Zeile 3034, gibt es vier in einer Zeile, die die gleichen Werte hatten. Wenn ich diese Dinge also einfärbe, sind da vier in einer Reihe. Und wenn ich
	Gehen Sie zur nächsten Sequenz. Es gibt vier in einer Reihe, die die gleichen Werte haben. Das könnte also ein Symptom dafür sein, dass dieselben Werte von einer Stelle zur anderen ausgeschnitten und eingefügt werden.
	„Muster erkunden“ bedeutet also, nach diesen Dingen zu suchen. Und es gibt noch viele andere Dinge, bei denen Sie sich die Details zu jeder dieser 27 Variablen ansehen und nach Symptomen verdächtiger Dinge oder oder suchen können
	schlechte Auswirkungen der Art und Weise, wie Sie die Daten verarbeitet haben usw.
	So,
	Das Erforschen von Mustern ist Teil der Lösung großer Probleme.
	So,
	Schmerzlinderung. Ein Großteil unserer Entwicklung konzentriert sich darauf, den Ablauf der Analysen reibungsloser, weniger belastend, weniger zeitaufwändig und weniger schmerzhaft zu gestalten. Analgetika.
	Jetzt wissen wir nicht immer, was schmerzhaft ist. Deshalb sind wir auf Feedback angewiesen, worauf wir uns konzentrieren sollen. Wenn wir diese E-Mails bekommen, auf die ich hunderte Male antworten musste,
	Wir haben uns das angehört und wir spüren den Schmerz und wir haben es behoben, sodass Sie jetzt in eine Gruppe mit Tausenden von Dingen senden können
	und die Ergebnisse eines Dialogs zu übertragen, anstatt mehrere Dialoge zu führen. Das Einsenden machte es also für alle anderen besser, weil wir es beim ersten Mal nicht erwischt haben. Geben Sie uns also bitte Ihr Feedback.
	Bei all den Verbesserungen, die wir bereits erzielt haben, sind wir der Meinung, dass der Prozess der Datenaufbereitung und -analyse bereits viel reibungsloser, viel weniger unterbrochen und fließender geworden ist.
	So,
	Anstatt Ihre Zeit damit zu verbringen, Hindernisse zu überwinden, verbringen Sie Ihre Zeit damit, aus Ihren Daten zu lernen und Ihre Daten zu verstehen.
	Analytik. Man würde sich fragen, ob sie von derselben Wurzel stammen würden. Natürlich möchten wir diese beiden Wörter nicht abkürzen.
	„Analytics“ kommt vom griechischen „analytein“, und ich weiß nicht, wie man das ausspricht.
	Aber im Griechischen bedeutet es „zerbrechen“, „erlösen“ oder „freilassen“. Und es geht darum, etwas Kompliziertes in Stücke zu zerlegen, damit wir es verstehen können.
	Und genau das machen wir natürlich mit der Datenanalyse, Data Science. Und Analgetika kommen aus einer anderen Wortkombination \!"an-\!" Bedeutung ohne, und \!"algesis,\!" Das ist das Schmerzempfinden. Also dasselbe Präfix, andere ... etwas andere Wurzeln.
	Und kürzen Sie diese nicht ab.
	anabol und aphrodisierend. Uns geht es um Macht.
	Ein Großteil unserer Arbeit besteht darin, Ihnen leistungsfähigere Tools zur Datenanalyse zur Verfügung zu stellen, viele davon sowohl in JMP Pro als auch in JMP.
	Und wir hoffen, dass Daten es spannend machen, wissen Sie, den Nervenkitzel des Entdeckens.
	Es ist aufregend zu lernen, wie man die Leistungsfunktionen in JMP nutzt, und wir finden es spannend. Wissen Sie, es ist ein Aphrodisiakum.
	Deshalb sind auch Kraft und Spannung für uns wertvoll. Es ist nicht nur Schmerzlinderung.
	Was machen wir also nächstes Jahr?
	Nun, große Wörter, die mit dem Buchstaben B beginnen.
	Beginnen Sie mit A, als nächstes kommt B, oder?
	Nun, nächstes Jahr kommt JMP 16. Und darüber werden wir sprechen. Wer weiß, worüber wir im nächsten Jahr sprechen werden. Vielen Dank also. Und wir hoffen, dass Ihnen die Analyse Ihrer Daten möglichst wenig Mühe bereitet.
Jeff Perkinson	Vielen Dank, John. Das wissen wir zu schätzen. Es war ein fantastisches Gespräch und da ich im Laufe der Jahre viele Schmerzen miterlebt habe,
	Es ist so, dass alles, was Sie sagen, absolut wahr ist. Schmerzlinderung ist für uns ein wichtiges Anliegen.
	Wir hatten eine Frage, auf die eigentlich mehrere Fragen folgten; Wir haben einige davon in den Fragen und Antworten beantwortet, aber was ich Ihnen sagen wollte
	Es hat sowohl den Schmerz gelindert als auch eine gewisse Anziehungskraft geweckt und JMP stärker gemacht?
John Sall	Nun, ich denke, jedermanns große Freude ist Graph Builder.
	Es fühlt sich unglaublich wirkungsvoll an, diese Variablen einfach hinüberzuziehen und ein paar weitere Klicks auszuführen, und schon haben Sie das gewünschte Diagramm und können es ganz einfach ändern.
	Es ist also ein Nervenkitzel. Es ist eine leistungsstarke Funktion und lindert Schmerzen; Früher war es schwieriger. Ich denke, das ist jedermanns Lieblingssache.
	Aber natürlich gibt es ... JMP ist ein reichhaltiges Produkt und wir sind auf alles stolz. Design von Experimenten, alles
	die große Kraft, die damit verbunden ist, und wir haben versucht, diesen Prozess ebenfalls einfach zu gestalten. Und mir fallen so viele Dinge ein.
Jeff Perkinson	Sehr gut. Vielen Dank, John, ich weiß das zu schätzen. Wenn Ihnen dieser Vortrag gefallen hat, habe ich zwei Vorschläge für Sie. Erstens werden wir dies veröffentlichen

Keynote