레벨 : 중급
Laura Lancaster, JMP 수석 연구 통계 개발자, SAS
Jeremy Ash, JMP 분석 소프트웨어 테스터, SAS
Chris Gotwalt, SAS 통계 연구 개발 담당 JMP 이사
통제되지 않은 모델 외삽은 (1) 모델이 데이터에서 완전히 유효하지 않을 수 있으며 (2) 변수 값의 조합이 물리적으로 실현되지 않을 수 있습니다. Profiler를 사용하여 관측 데이터에 적합한 모델을 최적화하면 경고없이 실용적이지 않은 외삽 솔루션이 생성 될 수 있습니다. JMP Pro 16은 많은 예측 모델링 플랫폼과 Profiler 플랫폼 자체에 외삽 제어를 도입합니다. 예측 프로파일 러의이 새로운 기능은 사용자에게 가능한 외삽을 경고하거나 모델이 유효하지 않을 수있는 외삽 된 점을 그리는 것을 완전히 방지합니다. 또한 사용자는 외삽을 피하는 제한된 영역에 대해 최적화를 수행 할 수 있습니다. 이 프레젠테이션에서 우리는 외삽 제어의 동기와 유용성에 대해 논의하고 JMP에서 쉽게 사용할 수있는 방법을 보여주고 방법에 대한 세부 정보를 설명합니다.
자동 생성 스크립트 ...
스피커 | 성적 증명서 |
| 안녕하세요, 저는 Chris Gotwalt입니다. 내 공동 |
| 발표자, Laura Lancaster 및 |
| Jeremy Ash와 저는 |
| 유용한 새 JMP Pro |
| 외삽이라고하는 기능 |
| 제어. 거의 모든 모델 |
| 당신은 예측하고 싶을 것입니다 |
| 범위는 |
| 적용 가능성, 지역 |
| 입력 공간, 여기서 |
| 예측은 다음과 같이 간주됩니다. |
| 충분히 신뢰할 수 있습니다. 그 밖에 |
| 지역, 우리는 외삽을 시작합니다 |
| 모델에서 멀리 떨어진 지점에 |
| 모델을 맞추는 데 사용되는 데이터입니다. 사용 |
| 그 모델의 예측 |
| 그 지점에서 |
| 완전히 신뢰할 수 없음 |
| 예측. 두 가지가있다 |
| 주요 출처 |
| 외삽 | 통계 |
| 외삽 및 도메인 기반 |
| 외삽. 두 유형 모두 |
| 새로운 기능이 적용됩니다. |
| 통계적 외삽이 발생합니다. |
| 시도 할 때 |
| x에서 모델을 사용하여 예측 |
| 값에 가깝지 않습니다. |
| 그 모델을 훈련시키는 데 사용되었습니다. |
| 도메인 기반 외삽 |
| 평가하려고 할 때 발생합니다. |
| 불가능한 x에서 |
| 과학 또는 공학 |
| 기반 제약. 예 |
| 여기에 두 종류의 |
| 한 예에서 외삽. |
| 여기에서 우리는 |
| 야금 생산 모델 |
| 방법. 예측은 다음과 같습니다. |
| 아웃은 -2.96을 |
| 우리가 평가하고 있다는 표시 |
| 온도의 조합에서 |
| 불가능한 압력 |
| 도메인 의미에서 |
| 이 기계. 우리도 가지고있다 |
| 그것으로 통계적 외삽 |
| 적합에 사용되는 데이터와는 거리가 멀다 |
| 산포에서 본 모델 |
| 훈련 데이터의 플롯 |
| 권리. JMP Pro 16에서는 Jeremy, |
| Laura와 저는 |
| 할 수있는 새로운 기능을 추가하십시오 |
| 프로파일 러가 |
| 당신이 될 수 있다고 생각합니다 |
| 외삽. 또는 당신이 돌면 |
| 외삽 제어를 켜면 |
| 포인트 세트를 제한합니다 |
| 당신이 보는 사람들에게만 |
| 그것은 생각하지 않는다 |
| 외삽. 우리는 두 가지 유형이 있습니다 |
| 외삽 제어의. 하나는 |
| 레버리지 개념을 기반으로 |
| 최소 제곱 모델을 사용합니다. |
| 이 첫 번째 유형은 |
| Pro 버전에서 사용 가능 |
| 모델 최소 제곱 적합. 그만큼 |
| 우리가 일반이라고 부르는 다른 유형 |
| 기계 학습 외삽 |
| 제어하고 사용할 수 있습니다 |
| 프로파일 러 플랫폼 및 여러 |
| 가장 일반적인 기계 학습 |
| JMP Pro의 플랫폼. 에 |
| 요청, 우리는 심지어 그것을 추가 할 수 있습니다 |
| 더. 최소 제곱 |
| 외삽 제어는 |
| 레버리지의 개념입니다. |
| 확장 된 버전처럼 |
| 예측 분산. 모델입니다 |
| 기반으로 정보를 사용합니다. |
| 주요 효과에 대해 |
| 고차 상호 작용 |
| 결정하는 용어 |
| 외삽. 일반 |
| 기계 학습 외삽 |
| 제어 케이스, 우리는 |
| 우리 자신의 접근 방식으로. 우리 |
| 방법을 원했습니다 |
| 결 측값에 강함, 선형 |
| 종속성, 더 빠른 컴퓨팅, |
| 다음의 혼합물을 처리 할 수 있습니다 |
| 연속적이고 범주적인 입력 |
| 변수, 우리는 또한 |
| 명시 적으로 분리하고 싶었습니다. |
| 외삽 모델에서 |
| 데이터를 맞추는 데 사용되는 모델. 그래서 |
| 우리가 장군을 가질 때 |
| 외삽 제어가 켜져 있고 |
| 감독하는 사람은 한 명뿐입니다 |
| ...에 맞는 모델 |
| 응답에 대한 입력 변수 |
| 프로파일 러에서 볼 수있는 |
| 흔적. 프로파일 러가 온다 |
| 빠르고 더러운 |
| 설명 할 비지도 모델 |
| 훈련 세트 축, 그리고 |
| 감독되지 않은 모델이 사용됨 |
| 에 의해 무대 뒤에서 |
| 결정하는 프로파일 러 |
| 외삽 제어 |
| 강제. 그래서 나는 |
| PowerPoint와 내 |
| 카메라가 잘 어울리지 않는다 |
| 어떤 이유로 지금 당장. 우리 |
| 위험한 외삽 |
| 매일 만들어지고 있습니다 |
| 데이터 과학 분야에서 일하는 사람들 |
| 그리고 그 사용을 확신합니다 |
| 외삽의 수는 가난한 |
| 예측 및 궁극적으로 |
| 열악한 비즈니스 성과. |
| 외삽 제어 장소 |
| 모델 예측의 난간 |
| 정량적으로 |
| JMP Pro의 더 나은 결정 |
| 사용자. 사용자가 외삽을 볼 때 |
| 발생하는 경우 사용자는 |
| 여부에 대한 결정 |
| 예측을 사용하거나 사용하지 않아야합니다. |
| 도메인에 따라 사용 |
| 지식과 친숙 함 |
| 당면한 문제. 만약 너라면 |
| 외삽을보기 시작하다 |
| 제어 경고는 꽤 발생합니다 |
| 종종 끝일 가능성이 높습니다. |
| 해당 모델의 수명주기 |
| 새로운 데이터에 다시 맞추는 시간 |
| 의 분포 때문에 |
| 입력이 멀어졌습니다. |
| 훈련 데이터의 것입니다. 우리 |
| 솔직히 꽤 놀랐고 |
| 에 대한 필요성을 놀라게했다 |
| 외삽을 식별하는 것은 |
| 데이터에 의해 더 잘 평가됨 |
| 과학 커뮤니티와 |
| 외삽 제어 |
| 가능한 한 쉽고 자동입니다. |
| JMP에서 개발 한 Laura |
| Pro는 |
| 다음 옵션. 그런 다음 Jeremy, |
| 우리에 대해 많은 연구를했습니다. |
| 팀, 수학에 들어갈 것입니다 |
| 세부 사항 및 통계 |
| 접근에 대한 동기. |
| 안녕하세요, 제 이름은 Laura입니다. |
| 랭커스터와 저는 |
| 외삽 데모 |
| JMP에 추가 된 컨트롤 |
| 프로 16. 나는 시작하고 싶었다 |
| 아주 간단한 예를 들어 |
| 최소 적합 모델 사용 |
| 사각형 플랫폼. 나는 |
| 다음과 같은 일부 데이터를 사용하십시오. |
| 익숙한; 피트니스 데이터입니다. |
| 그것은 샘플 데이터에 있고 나는 |
| 산소 흡수를 다음과 같이 사용할 것입니다. |
| 내 응답과 실행 시간, 실행 |
| 나의 맥박과 최대 맥박 |
| 예측 자. 그리고 나는 원했다 |
| 적합 모델에서 반복, |
| 최소 제곱에 적합 |
| 외삽 메트릭은 |
| 사용은 레버리지입니다. 그러니 가자 |
| 앞서 JMP를 시작합니다. |
| 이제 피트니스 데이터가 있습니다. |
| JMP에서 열고 스크립트가 있습니다. |
| 데이터 테이블에 저장 |
| 자동으로 내 핏 시작 |
| 최소 제곱 모델. 그래서 나는 |
| 계속해서 실행하겠습니다. |
| 스크립트, 최소 실행 |
| 사각형 플랫폼. 그리고 나는 |
| 프로파일 러가 자동으로 열립니다. 과 |
| 프로파일 러가 |
| 항상있는 것처럼 보입니다. |
| 과거, 요인 경계 |
| 각각의 범위에 의해 정의됩니다 |
| 개별적으로 고려하여 |
| 직사각형 경계 제약. |
| 그리고 내가 요인을 바꿀 때 |
| 이러한 바운드로 인해 설정 |
| 제약, 정말 |
| 당신이 이사하고 있는지 말하기 어렵다 |
| 상관 관계를 훨씬 벗어난 |
| 데이터 구조. |
| 이것이 우리가 추가하고 싶었던 이유입니다. |
| 외삽 제어. 그래서 |
| 이것은 여러에 추가되었습니다 |
| JMP Pro의 플랫폼 |
| 16, 최소 제곱 맞추기를 포함합니다. |
| 그리고 외삽 법을 얻으려면 |
| 제어, 당신은 아래의 메뉴로 이동 |
| 프로파일 러 메뉴. 그래서 내가 보면 |
| 여기에 새로운 옵션이 있습니다. |
| 외삽 제어라고합니다. |
| 기본적으로 꺼짐으로 설정되어 있습니다. |
| 그러나 나는 그것을 둘 중 하나로 돌릴 수 있습니다 |
| 켜기 또는 켜기 경고 켜기 |
| 외삽 제어. 만약 내가 |
| 그것을 켜십시오, 주목하십시오 |
| 그것은 내 프로필을 제한합니다 |
| 값으로 만 이동하는 추적 |
| 내가 외삽하지 않는 곳. |
| 내가 그것을 경고로 돌리면 |
| 에, 나는 전체 프로필을 볼 것입니다 |
| 흔적, 그러나 나는 얻을 것이다 |
| 지역에 갈 때 경고 |
| 그것이 고려 될 곳 |
| 외삽입니다. |
| 외삽을 켤 수도 있습니다. |
| 내가 정말로 찾는 세부 사항 |
| 도움이되며 |
| 더 많은 정보. 첫 번째 |
| 모두, 그것은 나에게 나의 |
| 내가 사용하는 메트릭 |
| 외삽을 정의하는 것은 |
| 레버리지는 |
| 최소 제곱 플랫폼에 적합합니다. |
| 그리고 그 문턱은 |
| 기본적으로 처음 사용되는 것은 |
| 최대 레버리지가 될 것입니다. |
| 하지만 이것은 내가 할 수있는 것입니다 |
| 변화하고 나는 당신에게 그것을 보여줄 것입니다 |
| 1 분 안에. 또한 볼 수 있습니다 |
| 내 외삽 메트릭 |
| 내 현재 설정입니다. |
| 바로 여기이 숫자입니다. |
| 내가 변함에 따라 변할 것입니다. |
| 내 요인 설정. |
| 이 숫자가 더 클 때마다 |
| 임계 값보다 |
| 이 경고를 받으십시오. |
| 외삽. 아래로 내려 가면 |
| 나는 더 이상 그것을 얻지 못할 것입니다 |
| 경고. 이 임계 값은 |
| 내가 변하지 않으면 변할거야 |
| 메뉴에서 조정할 항목 |
| 내 문턱. 그러니 가자 |
| 지금 당장하세요. 그래서 나는 갈거야 |
| 메뉴로 이동 |
| 그리고 설정하러 갈 거에요 |
| 임계 값 기준. 그래서 |
| 최소 제곱에서 두 가지가 있습니다. |
| 임계 값 옵션 |
| 처음에는 최대로 설정되어 있습니다. |
| 유지할 것입니다. |
| 당신은 볼록 껍질 안에 |
| 또는 데이터로 전환 할 수 있습니다. |
| 승수 곱하기 평균 |
| 용어를 활용하거나 모델링 |
| 관찰. 그리고 나는 |
| 그 임계 값으로 전환하십시오. 그래서 |
| 승수로 3으로 설정 |
| 기본적으로. 그래서 이것은 |
| 평균 레버리지의 3 배 |
| 확인을 클릭하면 |
| 내 임계 값이 변경 될 것입니다. |
| 실제로 작아 져서 |
| 더 보수적입니다 |
| 외삽의 정의. |
| 그리고 나는 그것을 다시 돌릴 것입니다. |
| 내 프로필 추적을 제한합니다. |
| 그리고 이제 나는 갈 수 있습니다. |
| 내가 3 내에있는 지역 |
| 평균 레버리지의 배. |
| 이제 우리는 또한 |
| 구현 된 최적화 |
| 그 복종 |
| 외삽 |
| 제약. 그래서 지금 내가 |
| 설정된 만족도 켜기 |
| 최적화를 수행합니다. |
| 나는 최적의 가치를 얻을 것입니다 |
| 외삽을 충족합니다 |
| 강제. 이 |
| 메트릭이보다 작거나 같음 |
| 임계 값. 그래서 이제 내가 갈 때 |
| 다음 슬라이드로 이동합니다. |
| 그래프에서 비교하려면 산점도 |
| 매트릭스, 차이 |
| 최적 값 사이 |
| 외삽 제어 켜짐 |
| 꺼져 있습니다. |
| 이것이 산점도입니다. |
| JMP로 만든 매트릭스, |
| 그리고 그것은 원본을 보여줍니다 |
| 예측 변수 데이터도 |
| 예측 변수 값으로 |
| 최적의 솔루션을 위해 |
| 외삽 제어 없음 |
| 파란색, 최적의 솔루션을 사용하여 |
| 외삽 제어는 빨간색으로 표시됩니다. |
| 그리고 제한되지 않은 |
| 여기 파란색으로 표시된 솔루션, |
| 바로 여기, 위반 |
| 에 대한 상관 구조 |
| 실행 펄스에 대한 원본 데이터 및 |
| 최대 펄스, 따라서 증가 |
| 이 예측의 불확실성. |
| 최적의 솔루션은 |
| 외삽 법을 사용한 |
| 제어가 훨씬 더 |
| 원본 데이터와 함께. |
| 이제 예를 살펴 보겠습니다. |
| 더 일반화 된 사용 |
| 외삽 제어 방법, |
| 우리는 |
| 정규화 된 T 제곱 방법. 같이 |
| Chris는 앞서 언급했습니다. |
| 모델에 대한이 방법을 개발 |
| 최소 제곱 모델 이외의. |
| 그래서 우리는 |
| 당뇨병을위한 신경 모델 |
| 샘플에도있는 데이터 |
| 데이터. 응답은 척도입니다 |
| 질병 진행 및 |
| 예측자는 기준입니다. |
| 변수. 다시 한 번 |
| 에 사용되는 외삽 메트릭 |
| 이 예는 |
| 정규화 된 T 제곱 |
| Jeremy는 |
| 몇 분 안에 더 자세히 설명하겠습니다. |
| 그래서 저는 당뇨병 데이터를 |
| JMP와 스크립트가 저장되었습니다. |
| 내 신경 모델이 맞습니다. 나는 |
| 계속해서 실행하겠습니다. |
| 스크립트. 그것은 신경을 시작합니다 |
| 플랫폼을 확인하고 |
| 유효성 검사 방법 사용, 무작위 |
| 다시 잡아. 나는 단지 주목하고 싶었다 |
| 당신이 사용할 때마다 |
| 유효성 검사 방법, |
| 외삽 제어 기반 |
| 훈련 데이터에만 |
| 당신의 유효성이 아니라 |
| 또는 테스트 데이터. |
| 그래서 프로파일 러를 열고 |
| 당신은 그것이 사용하고 있음을 알 수 있습니다 |
| 전체 흔적. 외삽 |
| 컨트롤이 켜져 있지 않습니다. 하자 |
| 계속해서 켜십시오. |
| 그리고 나는 또한 |
| 세부 사항을 켜십시오. |
| 흔적이 있음을 알 수 있습니다. |
| 제한되고 메트릭 |
| 정규화 된 T 제곱입니다. 그만큼 |
| 임계 값은 |
| 표본의 표준 편차 |
| 정규화 된 T 제곱. Jeremy는 |
| 무엇에 대해 더 이야기 할 것입니다. |
| 그 모든 것은 정확히 몇 가지를 의미합니다. |
| 의사록. 그리고 저는 |
| 우리가 사용할 때 언급 |
| 정규화 된 T 제곱 |
| 방법, 선택은 하나뿐입니다 |
| 그러나 당신은 할 수 있습니다 |
| 승수를 조정하십시오. 그래서 만약 당신이 |
| 외삽 제어로 이동하여 |
| 임계 값을 조정할 수 있습니다. |
| 승수,하지만 나는 |
| 3으로 두십시오. 그리고 지금 나는 |
| 다음을 사용하여 최적화를 실행하고 싶습니다. |
| 외삽 제어. 그래서 나는 |
| 최대화하고 |
| 생각해 내다. 이제 나는 |
| 최적의 솔루션 |
| 외삽 제어 설정 |
| 의 위에. 그래서 지금보고 싶어요 |
| 산점도 행렬에서 |
| 우리가 전에 보았던 것처럼 |
| 원본 데이터뿐만 아니라 |
| 최적의 값으로 |
| 그리고 외삽없이 |
| 제어. |
| 이것은 산점도 행렬입니다. |
| 내가 당뇨병 데이터의 |
| JMP에서 생성되었습니다. 그것은있어 |
| 원래 예측 변수 값, |
| 최적의 솔루션 |
| 외삽 제어 사용 |
| 적색, 최적의 솔루션 |
| 파란색 외삽 제어. |
| 그리고 당신은 빨간색이 |
| 점이 훨씬 더 많이 나타납니다 |
| 상관 관계 구조 내 |
| 원본 데이터보다 |
| 파란색, 특히 |
| 이 LDL을 보면 사실입니다. |
| 총 콜레스테롤 대비. |
| 이제 예를 살펴 보겠습니다. |
| 아래에있는 프로파일 러를 사용하여 |
| 그래프 메뉴입니다. |
| 그래프 프로파일 러. 그것은 또한 사용합니다 |
| 정규화 된 T 제곱 방법 |
| 그리고 그것은 우리가 |
| 임의의 외삽 제어 |
| 될 수있는 모델의 유형 |
| JSL로 생성 및 저장 |
| 공식. 또한 우리가 |
| 외삽 제어 |
| 한 번에 둘 이상의 모델. |
| 그럼 예를 살펴 보겠습니다. |
| 파우더를 사용하는 회사를 위해 |
| 야금 기술 |
| 강철 드라이브 샤프트 생산 |
| 자동차 산업. |
| 그들은 찾을 수 있기를 원합니다 |
| 최적의 설정 |
| 최소화 할 생산 |
| 수축 및 최소화 ... |
| 불량으로 인한 고장 최소화 |
| 서비스 조건. 그래서 우리는 |
| 두 | 응답 수축 (즉 |
| 지속적이고 우리는 |
| 최소 제곱 모델에 적합 |
| 그) 및 표면 상태 ( |
| 합격 / 불합격이며 |
| 명목 물류 모델에 적합 |
| 하나). 그리고 우리의 예측자는 |
| 변수는 단지 몇 가지 핵심입니다. |
| 생산 공정 변수. |
| 그리고 다시 한 번 외삽 |
| 메트릭은 정규화 된 T 제곱입니다. |
| 그래서 가루가 있어요 |
| JMP에서 열린 야금 데이터 |
| 그리고 나는 이미 적어도 |
| 내 수축에 대한 정사각형 모델 |
| 응답, 그리고 나는 이미 적합했습니다 |
| 에 대한 명목 물류 모델 |
| 표면 상태 합격 / 불합격 |
| 응답을 저장했습니다. |
| 데이터에 대한 예측 공식 |
| 준비가되도록 테이블 |
| 그래프 프로파일 러에서 사용됩니다. |
| 그래서 그래프 메뉴로 이동하면 |
| 프로파일 러를로드 할 수 있습니다. |
| 수축 예측 공식 |
| 내 예측 공식은 |
| 표면 상태. |
| 확인을 클릭하십시오. 그리고 지금 나는 |
| 내 두 모델 모두 |
| 그래프 프로파일 러. |
| 그리고 내가 켜기 전에 |
| 외삽 제어, 당신 |
| 내가 가득한 것을 볼 수 있습니다 |
| 프로필 추적. 일단 켜면 |
| 외삽 제어 |
| 당신은 흔적을 볼 수 있습니다 |
| 약간 줄어들고 나도 갈거야 |
| 세부 사항을 켜려면 |
| 실제로 내가 있음을 보여주기 위해 |
| 정규화 된 T 제곱 사용 |
| 여기이 방법에서. |
| 그래서 제가 정말로하고 싶은 것은 |
| 최적을 찾고 싶다 |
| 내가 최소화하는 조건 |
| 수축과 나는 최소화 |
| 외삽으로 인한 실패 |
| 제어하고 확인하고 싶습니다 |
| 나는 외삽하는 것이 아닙니다. 나는 원한다 |
| 유용한 해결책을 찾으십시오. 과 |
| 최적화를하기 전에 |
| 나는 실제로 내 |
| 욕망. 그래서 나는 |
| 희망을 설정하십시오. 이미 |
| 수축에 대해서는 맞지만 |
| 서비스를 위해 설정해야합니다. |
| 질환. 나는 최대화하려고 노력할 것입니다 |
| 통과하고 실패를 최소화합니다. |
| 케이. |
| 그리고 이제 나는 할 수 있어야합니다 |
| 최적화 |
| 외삽 컨트롤이 켜져 있습니다. |
| 최대화하고 기억하십시오. |
| 그리고 이제 나는 최적의 |
| 외삽을 사용한 솔루션 |
| 제어. 자 이제 보자 |
| 다시 한번 |
| 산점도 행렬 |
| 원본 데이터와 함께 |
| 외삽을 사용한 솔루션 |
| 솔루션에서 제어, |
| 외삽 제어 |
| 떨어져서. |
| 이것은 산점도 행렬입니다. |
| 분말 야금 데이터 |
| JMP에서 만든 것입니다. 그리고 |
| 또한 최적의 솔루션이 있습니다 |
| 외삽 제어를 |
| 빨간 점, 그리고 최적 |
| 외삽이없는 솔루션 |
| 파란색 점으로 제어합니다. 그리고 한 번 |
| 다시 우리가 |
| 외삽을 제정하지 마십시오 |
| 제어, 최적의 솔루션 |
| 꽤 멀리 떨어져 있습니다 |
| 의 상관 구조 |
| 데이터. 우리는 특히 볼 수 있습니다 |
| 여기에 비율 대 |
| 압축 압력. |
| 그래서 이제 넘겨주고 싶어요 |
| Jeremy에게 프레젠테이션 |
| 더 많이 들어가기 위해 |
| 우리의 방법에 대한 세부 사항. |
| 안녕하세요, 여기에 여러 |
| 외삽 제어 목표 |
| 우리가 배치 한 |
| 프로젝트 시작. 우리 |
| 외삽 메트릭이 필요했습니다. |
| 빠르게 계산할 수있는 |
| 많은 |
| 관찰과 변수, 그리고 |
| 빠른 평가 방법이 필요했습니다. |
| 메트릭 표시 여부 |
| 외삽 여부. 이했다 |
| 상호 작용을 유지하기 위해 |
| 프로파일 러 추적 및 |
| 우리는 이것이 필요했습니다 |
| 최적화를 수행합니다. |
| 우리는 |
| 다양한 변수 지원 |
| 사용할 수있는 유형 |
| 프로파일 러. 이것들은 |
| 본질적으로 연속적이며 |
| 범주 형 및 서수. |
| 활용하고 싶었습니다 |
| 결손 세포 관찰, |
| 일부 모델링 방법은 |
| 이러한 관찰을 포함합니다 |
| 에 ???. |
| 우리는 |
| 선형 종속성에 강건 함 |
| 자료. 이는 |
| 변수 수가 더 큽니다. |
| 관찰 횟수보다 |
| 예를 들면. 그리고 우리는 |
| 쉬운 것 |
| 필요없이 자동화 |
| 많은 사용자 입력. |
| 최소 제곱 모델의 경우 |
| 레버리지에 도달했습니다. |
| 이상 치를 식별하는 데 자주 사용됨 |
| 선형 모델에서. 레버리지 |
| 새로운 예측 포인트는 |
| 이것에 따라 계산 |
| 공식. 많이있다 |
| 레버리지에 대한 해석. |
| 한 가지 해석은 |
| 다변량 거리 |
| 중앙에서 예측 지점 |
| 훈련 데이터의. 다른 |
| 해석은 그것이 |
| 스케일링 된 예측 분산. 그래서 |
| 예측 지점이 이동함에 따라 |
| 중심에서 더 멀리 |
| 데이터의 불확실성 |
| 예측 증가. 그리고 우리 |
| 두 가지 공통 임계 값을 사용하십시오. |
| 통계 문헌 |
| 이 거리가 |
| 너무 큽니다. 첫 번째는 |
| 최대 레버리지, 예측 |
| 이 임계 값을 초과하는 포인트 |
| 또는 볼록 껍질 외부 |
| 훈련 데이터. |
| 그리고 두 번째는 |
| 레버리지의 평균. 그것 |
| 이것이 |
| 3 배에 해당 |
| 나눈 모형 항의 수 |
| 관찰 횟수로. |
| 그리고 Laura가 설명했듯이 |
| 이전에, 당신은 변경할 수 있습니다 |
| 이들의 승수 |
| 임계 값. |
| 마지막으로, 욕구가 |
| 최적화되고 있습니다. |
| 외삽 제약은 |
| 비선형 제약 및 |
| 이전에 프로파일 러가 허용했습니다. |
| 제한적 최적화 |
| 선형 제약. 이 유형의 |
| 최적화가 더 |
| 그래서 Laura는 |
| 유전 알고리즘. 만약 너라면 |
| 이것들에 익숙하지 않습니다. |
| 유전 알고리즘은 |
| 분자의 원리 |
| 최적화를위한 진화 |
| 복잡한 비용 함수. |
| 다음으로 |
| 일반화하는 데 사용한 접근 방식 |
| 모델에 대한 외삽 제어 |
| 선형 모델 이외의. 언제 |
| 당신은 예측을 구성하고 있습니다 |
| JMP 모델의 경우 |
| 예측 변수 세트 및 |
| 응답 변수 세트. 약간 |
| 감독 된 모델이 훈련되고 |
| 그런 다음 프로파일 러를 사용하여 |
| 모델 표면을 시각화합니다. |
| 다양한 변형이 있습니다. |
| JMP의 프로파일 러. 당신은 할 수 있습니다 |
| 내부적으로 프로파일 러 사용 |
| 모델링 플랫폼. 당신은 할 수 있습니다 |
| 출력 예측 공식 및 |
| 다중 프로파일 러 구축 |
| 모델. Laura가 설명했듯이 |
| 프로파일 러를 구성 할 수 있습니다. |
| 앙상블 모델. 우리는 |
| 외삽 제어 방법 |
| 이 모든 것을 일반화합니다 |
| 그래서 대신 |
| 우리의 방법을 |
| 특정 모델, 우리는 |
| 감독되지 않은 사용 |
| 접근하다. |
| 그리고 우리는 |
| 예측 포인트 |
| 멀리 있으면 외삽 |
| 데이터가있는 외부 |
| 예측 자에 집중 |
| 우주. 그리고 이것은 우리가 |
| 일관성이있다 |
| 프로파일 러를 통해 |
| 외삽 제어 방법 |
| 모든 프로파일 러에 연결됩니다. |
| 다변량 거리 |
| 레버리지의 해석 |
| Hotelling의 T 제곱을 다음과 같이 제안했습니다. |
| 장군을위한 거리 |
| 외삽 제어. 사실로, |
| 일부 대수적 조작은 |
| Hotelling의 T 제곱이 |
| 그냥 레버리지가 바뀌고 |
| 축척. 이 그림은 |
| 호텔 링의 T 제곱 측정 값 |
| 관찰을 생략하는 |
| 타원이있는 곳에 |
| 의 평균을 중심으로 |
| 데이터 및 모양이 정의됩니다. |
| 공분산 행렬에 의해. |
| 우리는 더 이상 |
| 선형 모델,이 메트릭 |
| 동일하지 않습니다 |
| 예측과의 연결 |
| 변화. 그래서 대신 |
| 사용 된 임계 값에 의존 |
| 선형 모델로 돌아 가면 |
| 좀 만들거야 |
| 분포 가정 |
| T 제곱 여부를 결정하기 위해 |
| 예측 포인트는 |
| 외삽으로 간주됩니다. |
| 여기에 대한 공식을 보여주고 있습니다. |
| Hotelling의 T 제곱. 평균과 |
| 공분산 행렬이 추정됩니다. |
| 훈련 데이터를 사용하여 |
| 모델. P가 N보다 작 으면 |
| 여기서 P는 |
| 예측 변수, N은 숫자입니다. |
| 관찰의 |
| 다변량 예측 변수 |
| 법선, T 제곱 |
| 중독 포인트는 F |
| 분포. 그러나 우리는 |
| 일반화하는 방법 |
| 복잡한 데이터가있는 데이터 세트 |
| 연속 형의 혼합과 같은 유형 |
| P가있는 범주 형 데이터 세트 |
| N보다 큽니다. |
| 누락 된 값. 그래서 대신 |
| 분포 작업 |
| 각각의 경우 분석적으로 |
| 단순한 보수적 사용 |
| 우리가 발견 한 통제 한계 |
| 실제로 잘 작동합니다. 이것은 |
| 3 시그마 제어 한계 |
| 경험적 분포 사용 |
| 훈련에서 제곱 한 T의 |
| 데이터 및 Laura가 언급했듯이 |
| 이 승수를 조정할 수도 있습니다. |
| 한 가지 문제는 P |
| N, Hotelling의 T보다 큽니다. |
| 제곱은 정의되지 않았습니다. 있습니다 |
| 매개 변수가 너무 많습니다. |
| 추정 할 공분산 행렬 |
| 사용 가능한 데이터와 함께 |
| 이것은 종종 일반적인 사용에서 발생합니다. |
| 외삽 제어의 경우 |
| 부분 최소 제곱에서와 같이. |
| 그래서 우리는 소설을 결정했습니다 |
| Hotelling의 T 계산에 대한 접근 방식 |
| 제곱, 이것들을 다루는 |
| 케이스, 우리는 그것을 |
| 정규화 된 T 제곱. |
| 공분산을 계산하려면 |
| 정규화 된 행렬을 사용합니다. |
| 원래 견적 |
| Schafer와 |
| 높은 스 트리머 |
| 차원 유전체학 데이터. |
| 그것은 단지 가중치입니다 |
| 전체의 조합 |
| 표본 공분산 행렬, |
| 여기에 U이고 |
| 제약 대상 행렬 |
| D입니다. |
| Lambda 무게의 경우 |
| 매개 변수, Schafer 및 Strimmer |
| 분석에서 파생 |
| 최소화하는 표현 |
| 추정자, MSE |
| 점근 적으로. |
| Schafer와 Strimmer 제안 |
| 몇 가지 가능한 대상 |
| 행렬. 대상 행렬 우리 |
| 선택한 대각 행렬은 |
| 의 표본 분산 |
| 예측 변수 |
| 대각선. 이 대상 매트릭스에는 |
| 많은 이점 |
| 외삽 제어. 첫째, 우리는 |
| 상관 관계를 가정하지 마십시오 |
| 변수 사이의 구조 |
| 데이터를보기 전에 |
| 일반 사전으로 잘 작동합니다. |
| 또한 데이터가 적을 때 |
| 공분산을 추정하기 위해 |
| 작은 N 또는 |
| 많은 부분이 누락되었습니다. |
| 타원형 제약은 |
| 큰 무게로 확장 |
| 대각 행렬, 그리고 이것은 |
| 더 보수적 인 결과 |
| 외삽 제어 테스트. |
| 우리는 이것이 필요하다는 것을 알았습니다. |
| 합당한 통제권을 얻으십시오 |
| 위양성 비율. 이것을 넣으려면 |
| 더 간단하게 |
| 제한된 훈련 데이터, |
| 정규화 된 T 제곱이 더 작습니다. |
| 예측을 다음과 같이 분류 할 가능성이 있습니다. |
| 외삽, 그것은 당신이 |
| 당신이 더 많기 때문에 원합니다 |
| 공분산을 관찰 할 가능성이 있음 |
| 우연히. 우리는 |
| 시뮬레이션 결과 |
| 이러한 세부 사항을 시연하고 |
| 하지만 갈 시간이 없어 |
| 모든 것에. 대신에 |
| 커뮤니티 웹 페이지에 |
| 아카이브에 대한 논문 링크 및 |
| 우리는 이것을 제출할 계획입니다 |
| 전산 저널 |
| 그래픽 통계. |
| 이 다음 슬라이드는 다른 |
| 우리가 필요한 중요한 세부 사항 |
| 중히 여기다. 우리는 |
| 범주 형을 다루는 방법 |
| 변수. 우리는 |
| 지표로 변환 |
| 코딩 된 더미 변수. 이것은 |
| 배수에 필적하는 |
| 대응 분석. 다른 |
| 복잡함은 계산 방법입니다. |
| Hotelling의 T 제곱은 |
| 누락 된 데이터가 있습니다. 몇몇의 |
| JMP 예측 모델링 |
| 플랫폼은 관찰을 사용합니다. |
| 그들의 훈련을 위해 누락 된 데이터 |
| 모델. 여기에는 순진함이 포함됩니다. |
| Bayes 및 Bootstrap 포리스트. 과 |
| 이 공식은 |
| 쌍별 삭제 방법 우리 |
| 공분산을 추정하는 데 사용 |
| 매트릭스. 사용하는 것이 더 일반적입니다. |
| 행 현명한 삭제. 이것은 |
| 누락 된 모든 관찰 |
| 값은 전에 삭제됩니다. |
| 공분산 행렬 계산. |
| 그리고 이것은 가장 간단하지만 |
| 결과적으로 유용하다 |
| 데이터의 표본 크기가 |
| 훈련 데이터는 작습니다. 와 |
| 쌍별 삭제 관찰 |
| 있는 경우에만 삭제됩니다. |
| 쌍의 결 측값 |
| 계산에 사용되는 변수 |
| 해당 항목은 |
| 이 공식이 보여주는 것. |
| 할 수있는 간단한 것 같습니다. |
| 모든 데이터를 사용하고 있습니다. |
| 사용할 수 있지만 |
| 실제로 호스트의 호스트로 이어질 수 있습니다 |
| 문제가 있기 때문에 |
| 사용되는 다른 관찰 |
| 각 항목을 계산합니다. 이것은 할 수 있습니다 |
| 이상한 일이 일어나게하고 |
| 공분산 행렬처럼 |
| 음의 고유 값, 즉 |
| 우리가 처리해야 할 것. |
| 다음은 몇 가지 장점입니다. |
| 정규화 된 T 제곱 우리 |
| 다른 것과 비교할 때 발견 |
| 우리 평가의 방법. 하나 |
| 정규화는 |
| 정규화 방식으로 작동 |
| 정상적으로 작동합니다. 그것은 파업 |
| 과적 합 사이의 균형 |
| 훈련 데이터 및 과도한 편향 |
| 추정자. 이것은 |
| 잡음에 더 강력한 추정기 |
| 모델이 잘못 지정되었습니다. |
| 다음, Schafer와 Strimmer |
| 그들의 논문에서 보여준 |
| 정규화 결과 |
| 더 정확한 추정기 |
| 높은 차원 설정. |
| 필기체에 도움이됩니다. |
| 괴롭히는 차원 |
| 대부분의 거리 기반 방법 |
| 외삽 제어를 위해. |
| 그런 다음 가진 분야에서 |
| 방법론을 개발했습니다. |
| 외삽 제어, |
| 종종 그들은 둘 다 높다 |
| 차원 데이터 및 고도로 |
| 상관 된 예측 변수. 에 대한 |
| cheminformatics의 예 및 |
| 화학 측정 학, 화학 |
| 기능은 종종 매우 |
| 상관. 외삽 제어 |
| 자주 조합하여 사용됩니다. |
| PCA 및 PLS 모델에서 |
| T 제곱 DModX는 |
| 상관 관계 위반 감지 |
| 구조. 이것은 다음과 유사합니다. |
| 모델 기반에서 우리가하는 일 |
| 다변량 관리도. |
| 이것은 일반적인 사용 사례이므로 |
| 우리는 옵션을 원했습니다. |
| 너무 멀지 않았다 |
| 이러한 방법. 정규화 된 T |
| squared는 동일한 유형을 제공합니다. |
| 외삽 제어의 |
| 프로젝션 단계가 필요하지 않습니다. |
| 몇 가지 장점이 있습니다. |
| 우리는 이것이 우리가 |
| 더 잘 일반화 된 다른 유형 |
| 예측 모델의. 또한 |
| 우리의 평가는 우리가 관찰 한 |
| 선형 투영이 그렇지 않은 경우 |
| 데이터에 대해 잘 작동합니다. |
| 비선형 관계가 있습니다. |
| 예측 변수 사이, 오류 |
| 통제 한계를 부 풀릴 수 있습니다 |
| 프로젝션 기반 방법의 |
| 가난한 사람으로 이어질 것입니다 |
| 에 대한 보호 |
| 외삽 및 우리의 접근 방식 |
| 이것보다 더 강력합니다. |
| 그리고 또 다른 중요한 점은 |
| 우리가 발견했다는 것입니다 |
| 단일 외삽 메트릭 |
| 사용하기가 훨씬 간단하고 |
| 새기다. |
| 그리고 여기에 대한 간략한 요약이 있습니다. |
| 외삽의 특징 |
| 제어. 이 방법은 더 나은 제공 |
| 실현 가능성의 시각화 |
| 고차원 영역 |
| 프로파일 러의 모델. |
| 새로운 유전 알고리즘은 |
| 유연성을 위해 구현되었습니다. |
| 제한된 최적화. |
| 정규화 된 T 제곱 |
| 지저분한 관찰을 처리합니다. |
| 데이터, P 더 큰 경우 |
| N보다 연속적이고 |
| 범주 형 변수. |
| 이 방법은 대부분에서 사용할 수 있습니다. |
| JMP의 예측 모델 |
| 16 Pro 및 많은 지원 |
| 그들의 특이성. 또한 |
| 프로파일 러에서 사용 가능 |
| 그래프가 열리면 |
| 당신이 운영 할 수 있기 때문에 유틸리티 |
| 모든 예측 공식에. |
| 그리고 미래의 방향으로 |
| 우리는 구현을 고려하고 있습니다 |
| K- 최근 접 이웃 기반 |
| 넘어갈 제약 |
| 현재의 상관 관계 |
| 구조 제약. 자주 |
| 예측 변수는 다음에 의해 생성됩니다. |
| 여러 분포 결과 |
| 예측 변수의 클러스터링에서 |
| 우주. 그리고 K- 가장 가까운 이웃 |
| 기반 접근 방식은 |
| 외삽을 제어하기 위해 |
| 클러스터 사이. |
| 그래서 모든 분들께 감사드립니다. |
| 이 동영상을 시청하고 |
| 당신이 가지고 있다면 여기에 우리의 이메일이 있습니다 |
| 추가 질문. |
