curva non lineare vs curva di adattamento che dà risultati diversi?Ciao - Credo che, se passo attraverso le opzioni "non lineare" o "curva di adattamento", dovrei ottenere lo stesso risultato (JMP 15.0). Sto cercando di utilizzare il modello logistico a 4 parametri incorporato dalla libreria del modello e di adattare un numero di variabili diverse per ceppo (dove "ceppo" è un numero di diversi background genetici).
Per alcune delle deformazioni, gli approcci "curva di adattamento" e "non lineare" danno, come mi sarei aspettato, risultati identici - MA per alcune delle deformazioni, l'approccio "non lineare" non si adatta correttamente ai dati. Anche se mi assicuro che i parametri iniziali di partenza siano molto vicini a un miglior adattamento (a occhio), per le sollecitazioni in cui non funziona, o non si adatta affatto o converge su una risposta lontana da dove dovrebbe essere. Fornisce un messaggio di errore che dice: "Attenzione: xx modelli mancanti", ma sicuramente non ci sono dati mancanti. Qualcuno ha una soluzione per questo per favore (idealmente senza dover usare lo scripting) o può dirmi dove sto sbagliando?
grazie molto!
AnalyticsAltroRi: curva non lineare vs curva di adattamento che dà risultati diversi?Perché dovresti usare la piattaforma non lineare se la piattaforma Fit Curve si adatta al modello desiderato?
Adatta curva include l'euristica su ciascuno dei modelli che supporta. È più facile da usare e più potente per un insieme di modelli, ma per il resto non è flessibile. La piattaforma non lineare è più potente e flessibile ma non ha alcuna euristica, quindi spetta a te gestire tutti i dettagli. Questo è il motivo per cui è stato creato Adatta curva. Ti allevia il peso.
La regressione non lineare è un'ottimizzazione numerica o una tecnica di ricerca. Non è un calcolo in forma chiusa come la regressione lineare. Non dovresti aspettarti che i risultati concordino esattamente a meno che ogni dettaglio all'inizio non sia identico e vengano utilizzati lo stesso algoritmo e la sua implementazione.
Ri: curva non lineare vs curva di adattamento che dà risultati diversi?grazie per le risposte!
"Perché dovresti utilizzare la piattaforma non lineare se la piattaforma Fit Curve si adatta al modello desiderato?"
Perché la piattaforma non lineare è più veloce da usare quando ho diverse variabili da adattare e ogni variabile è adattata da diversi gruppi. La piattaforma non lineare mi consente anche di calcolare gli intervalli di confidenza per i parametri del modello, cosa che la curva di adattamento non fa - quest'ultima è davvero utile poiché sto usando gli elementi della configurazione come parte della visualizzazione dell'output.
"Non dovresti aspettarti che i risultati concordino esattamente a meno che ogni dettaglio all'inizio non sia identico e non vengano utilizzati lo stesso algoritmo e la sua implementazione".
Ok bene. MA i risultati concordano, esattamente, tra le due piattaforme, TRANNE (ora ho scoperto, a un esame più attento), solo per uno dei gruppi, in cui la piattaforma non lineare non riesce ad adattarla correttamente, su tutte le variabili. Non riesco a capire perché questo sia: proverò a creare un nuovo file jmp con solo quel gruppo al suo interno, per vedere se riesco ad adattarlo in quel modo, ma vorrei capire, se possibile, solo perché quel gruppo si comporta male. (Non è un valore anomalo in termini di dati, quindi non è che sono solo più lontano dal trovare un minimo rispetto agli altri gruppi.)
grazie ancora
Ri: curva non lineare vs curva di adattamento che dà risultati diversi?Le due diverse piattaforme hanno quasi funzioni diverse. La curva di adattamento è molto utile quando voglio adattare rapidamente i modelli tipici e Non lineare è più utile quando ho una funzione personalizzata, come qualcosa che trovo in un documento di ricerca che non è flusso principale e voglio risolvere per un insieme di parametri.
L'ottimizzazione numerica iterativa utilizzata per risolvere i parametri in entrambe le piattaforme è piuttosto diversa dalla risoluzione di una regressione dei minimi quadrati. Molti altri software utilizzano un mucchio di presupposti nascosti piuttosto che darti tutte le leve e i pulsanti come la piattaforma non lineare.
Ri: curva non lineare vs curva di adattamento che dà risultati diversi?OK, un commento finale. Se salvo nuovamente il gruppo (cioè non reimportando i dati) che non si adattava correttamente utilizzando non lineare come nuovo file jmp, ora funziona tutto bene. Non sono sicuro del motivo per cui questo è il caso: è possibile che alcune delle variabili vengano danneggiate solo per alcuni dei campioni? - ma significa che ora ho una via d'uscita.Ri: curva di adattamento vs non lineare che dà risultati diversi?Ciao @Jake_b ,
Non commenterò qui quale piattaforma è meglio usare o meno, @Byron_JMP e @markbailey sono esperti in JMP, quindi seguirò quello di cui parlano. Non sarei troppo sorpreso se ogni piattaforma avesse un algoritmo leggermente diverso dietro quando si tratta di adattarsi ai modelli, e quindi non sarei troppo bloccato sul fatto che corrispondano o meno. Ad esempio, in teoria dovresti essere in grado di ottenere la stessa risposta sia nella piattaforma boosted tree che in quella bootstrap forest se imposti tutti i parametri in modo appropriato. Tuttavia, gli algoritmi sottostanti sono diversi, quindi le formule di previsione effettive saranno leggermente diverse.
Per curiosità, hai effettivamente un modello / formula teorico che puoi usare nella piattaforma non lineare, o stai usando qualcos'altro per X, Predictor Formula?
Detto questo, dovresti comunque essere in grado di ottenere gli elementi della configurazione di previsione dalla piattaforma Fit Curve, anche se con alcuni passaggi aggiuntivi. Ad esempio, se si prende il file Big Class.jmp e si adatta: peso per: altezza nella piattaforma Adatta curva, è possibile salvare la formula di previsione nella tabella dei dati. Quindi, se esegui un adattamento Y per X (Y = effettivo e X = previsto), puoi utilizzare il pulsante a discesa accanto a "Adattamento lineare" e salvare la "Formula del limite di fiducia individuale", che salva il + / -95% intervallo di confidenza dell'adattamento. Puoi andare Grafico> Legacy> Overlay Plot, quindi selezionare gli IC effettivi, previsti e +/- 95% e puoi ottenere una figura come quella qui sotto. A proposito, ho adattato: peso e: altezza con un modello logistico 4P dalla piattaforma Fit Curve.
Quindi, se ha più senso utilizzare la piattaforma Fit Curve, questo è almeno un modo per farlo in modo da poter visualizzare i risultati.
Almeno qualcosa a cui pensare.
DS
