수준: 중급
Laura Lancaster, SAS JMP 수석 연구 통계 개발자
Jeremy Ash, JMP Analytics 소프트웨어 테스터, SAS
Chris Gotwalt, SAS 통계 연구 및 개발 부문 JMP 이사
제어되지 않은 모델 외삽은 두 가지 심각한 종류의 오류로 이어집니다. (1) 모델이 데이터와는 거리가 멀어 완전히 유효하지 않을 수 있으며 (2) 변수 값의 조합이 물리적으로 실현 가능하지 않을 수 있습니다. 관찰 데이터에 적합한 모델을 최적화하기 위해 프로파일러를 사용하면 경고 없이는 실제로 사용할 수 없는 추정 솔루션이 나올 수 있습니다. JMP Pro 16은 다양한 예측 모델링 플랫폼과 Profiler 플랫폼 자체에 외삽 제어 기능을 도입했습니다. 예측 프로파일러의 이 새로운 기능은 사용자에게 추정 가능성을 경고하거나 모델이 유효하지 않을 수 있는 추정 지점 그리기를 완전히 방지합니다. 또한 사용자는 외삽을 방지하는 제한된 영역에 대해 최적화를 수행할 수 있습니다. 이 프레젠테이션에서는 외삽 제어의 동기와 유용성을 논의하고, JMP에서 이를 쉽게 사용할 수 있는 방법을 보여주고, 방법에 대해 자세히 설명합니다.
자동 생성된 성적표...
스피커 | 성적 증명서 |
| 안녕하세요, 저는 크리스 갓월트입니다. 내 동료 |
| 발표자 Laura Lancaster와 |
| Jeremy Ash와 제가 발표 중입니다. |
| 유용한 새 JMP Pro |
| 외삽(Extrapolation)이라는 기능 |
| 제어. 거의 모든 모델이 |
| 당신은 예측하고 싶을 것입니다 |
| 에는 다음과 같은 범위가 있습니다. |
| 적용 가능성, 지역 |
| 입력 공간, 여기서 |
| 예측은 다음과 같은 것으로 간주됩니다. |
| 충분히 신뢰할 수 있습니다. 그 밖에 |
| 지역을 추정하기 시작합니다. |
| 모델이 멀리 있는 지점을 가리킨다. |
| 모델을 피팅하는 데 사용되는 데이터입니다. 사용 |
| 해당 모델의 예측 |
| 그 지점에서 다음과 같은 결과가 발생할 수 있습니다. |
| 완전히 신뢰할 수 없다 |
| 예측. 두 가지가있다 |
| 주요 소스 |
| 외삽법 | 통계적 |
| 외삽 및 도메인 기반 |
| 외삽. 두 유형 모두 |
| 새로운 기능이 적용됩니다. |
| 통계적 외삽이 발생합니다. |
| 누군가가하려고 할 때 |
| x에서 모델을 사용하여 예측 |
| 그건 가치에 가깝지 않아 |
| 해당 모델을 훈련하는 데 사용됩니다. |
| 도메인 기반 외삽 |
| 평가하려고 할 때 발생합니다. |
| 불가능한 x에서 |
| 과학이나 공학에 |
| 기반 제약. 예 |
| 여기에는 두 가지 종류가 모두 나와 있습니다. |
| 한 가지 예에서 외삽. |
| 여기에서 프로파일러를 볼 수 있습니다. |
| 야금 생산 모델 |
| 프로세스. 예측은 다음과 같습니다 |
| 출력은 -2.96으로 표시됩니다. |
| 우리가 평가하고 있다는 표시 |
| 온도의 조합으로 |
| 그리고 불가능한 압력 |
| 도메인 의미에서 달성하다 |
| 이 기계. 우리도 가지고있다 |
| 통계적 외삽법 |
| 피팅에 사용된 데이터와 거리가 멀습니다. |
| 분산형에서 보이는 모델 |
| 훈련 데이터의 플롯 |
| 오른쪽. JMP Pro 16에서 제레미는 |
| Laura와 나는 다음과 같이 협력했습니다. |
| 할 수 있는 새로운 기능을 추가하세요. |
| 프로파일러가 실행될 때 경고 표시 |
| 네가 그럴 수도 있을 것 같아 |
| 외삽. 아니면 돌리면 |
| 외삽 제어를 켜면 |
| 포인트 세트를 제한합니다 |
| 당신은 그런 사람들에게만 보이는 것을 |
| 그건 아닌 것 같아 |
| 외삽. 우리는 두 가지 유형이 있습니다 |
| 외삽 제어. 하나는 |
| 레버리지 개념을 바탕으로 |
| 그리고 최소제곱모델을 사용합니다. |
| 이 첫 번째 유형은 |
| Pro 버전에서 사용 가능 |
| 모형 최소 제곱에 적합합니다. 그만큼 |
| 우리가 일반이라고 부르는 다른 유형 |
| 머신러닝 추정 |
| 제어할 수 있으며 다음에서 사용할 수 있습니다. |
| 프로파일러 플랫폼 및 여러 가지 |
| 가장 일반적인 머신러닝 |
| JMP Pro의 플랫폼. 에 |
| 요청하면 추가할 수도 있습니다. |
| 더. 최소제곱 |
| 외삽 제어는 다음을 사용합니다. |
| 레버리지의 개념, 즉 |
| 확장된 버전처럼 |
| 예측 분산. 모델입니다- |
| 기반이므로 정보를 사용합니다. |
| 주요 효과에 대해 |
| 더 높은 순서의 상호작용 |
| 를 결정하는 용어 |
| 외삽. 일반용 |
| 머신러닝 추정 |
| 제어 케이스, 우리가 나서야 했어 |
| 우리만의 접근 방식으로. 우리 |
| 다음과 같은 방법을 원했습니다. |
| 결측값에 강인한 선형 |
| 종속성, 더 빠른 컴퓨팅, |
| 다음의 혼합물을 처리할 수 있습니다. |
| 연속형 및 범주형 입력 |
| 변수, 그리고 우리도 |
| 분명히 헤어지고 싶었는데 |
| 의 외삽 모델 |
| 데이터를 맞추는 데 사용되는 모델입니다. 그래서 |
| 우리가 일반적인 일을 할 때 |
| 외삽 제어가 켜져 있고, |
| 감독하는 사람은 한 명뿐이야 |
| 그 모델은...맞는군요 |
| 응답에 변수 입력 |
| 프로파일러에서 볼 수 있는 것 |
| 흔적. 프로파일러가 온다 |
| 빠르고 더러운 일을 겪어 |
| 설명하는 비지도 모델 |
| 훈련 세트 축, 그리고 이것은 |
| 비지도 모델이 사용됨 |
| 무대 뒤에서 |
| 프로파일러를 통해 결정 |
| 외삽 제어 |
| 강제. 그래서 난 그래야만 해 |
| PowerPoint와 내 |
| 카메라가 따라가지 못해요 |
| 지금 무슨 이유에서인지. 우리 |
| 위험한 외삽법을 알아두세요 |
| 매일매일 만들어지고 있어요 |
| 데이터 과학 분야에서 일하는 사람들 |
| 그리고 그 사용을 확신합니다 |
| 외삽법의 결과는 좋지 않습니다. |
| 예측하고 궁극적으로는 |
| 부진한 사업 성과. |
| 외삽 제어 장소 |
| 모델 예측에 대한 가드레일 |
| 그리고 정량적으로 이어질 것입니다 |
| JMP Pro를 통한 더 나은 결정 |
| 사용자. 사용자가 추정을 볼 때 |
| 발생하면 사용자는 다음을 수행해야 합니다. |
| 여부에 대한 결정 |
| 예측을 사용해야 할지 말아야 할지 |
| 도메인을 기준으로 사용됨 |
| 지식과 친숙함 |
| 당면한 문제. 만약 너라면 |
| 외삽법을 보기 시작하다 |
| 제어 경고가 자주 발생합니다. |
| 종종, 그것은 끝날 가능성이 높습니다 |
| 해당 모델의 라이프 사이클 |
| 새로운 데이터로 재조정할 시간 |
| 왜냐하면 분포가 |
| 입력이 다른 곳으로 이동했습니다. |
| 훈련 데이터의 것입니다. 우리 |
| 솔직히 꽤 놀랐고 |
| 필요하다는 사실에 놀랐다. |
| 외삽법을 식별하는 것은 아닙니다 |
| 데이터로 인해 더 잘 평가됨 |
| 과학 커뮤니티와 |
| 외삽을 다음과 같이 제어 |
| 가능한 한 쉽고 자동으로. |
| JMP에서 개발한 Laura |
| Pro가 시연할 예정입니다. |
| 다음 옵션. 그렇다면 제레미는 |
| 우리에 대해 많은 연구를 했습니다. |
| 팀은 수학에 들어갈 것이다 |
| 세부정보 및 통계 |
| 접근 동기. |
| 안녕하세요, 제 이름은 로라예요 |
| 랭커스터와 나는 뭔가를 하러 여기에 왔어요 |
| 외삽 데모 |
| JMP에 추가된 컨트롤 |
| 프로 16. 시작하고 싶었어요 |
| 아주 간단한 예를 들어 |
| 적합 모델을 최소한으로 사용 |
| 사각형 플랫폼. 나는 할 것이다 |
| 다음과 같은 일부 데이터를 사용합니다. |
| 친숙한; 피트니스 데이터입니다 |
| 그건 샘플 데이터에 있고 저는 |
| 산소 흡수를 다음과 같이 사용할 예정입니다. |
| 내 반응과 실행 시간, 실행 |
| 펄스와 맥스 펄스를 내 것으로 |
| 예측 변수. 그리고 나는 원했다 |
| 적합 모델에서 이를 반복합니다. |
| 최소제곱에 적합 |
| 외삽 측정항목은 |
| 사용되는 것은 레버리지입니다. 그럼 가자 |
| JMP를 시작해 보세요. |
| 이제 피트니스 데이터가 생겼습니다. |
| JMP에서 열면 스크립트가 있습니다 |
| 데이터 테이블에 저장 |
| 자동으로 내 핏을 실행하세요 |
| 최소 제곱 모델. 그래서 나는 |
| 가서 그걸 실행하려고 해 |
| 스크립트는 최소한으로 시작됩니다. |
| 사각형 플랫폼. 그리고 나는 |
| 프로파일러가 자동으로 열립니다. 그리고 |
| 프로파일러가 |
| 항상 그랬던 것 같아 |
| 과거, 요인 경계 |
| 각각의 범위로 정의됩니다. |
| 개별적으로 요인을 고려하여 우리에게 |
| 직사각형 경계 제약. |
| 그리고 요인을 변경하면 |
| 설정으로 인해 이러한 바인딩으로 인해 |
| 제약이 있을 수 있습니다. 실제로는 그럴 수 있습니다. |
| 이사 중인지 알기 어렵습니다. |
| 상관관계에서 훨씬 벗어나 있다 |
| 데이터의 구조. |
| 이것이 바로 우리가 추가하고 싶었던 이유입니다 |
| 외삽 제어. 그래서 |
| 이것은 여러 항목에 추가되었습니다. |
| JMP Pro의 플랫폼 중 |
| 최소 적합 제곱을 포함하여 16개입니다. |
| 그리고 외삽법에 도달하려면 |
| 컨트롤을 사용하려면 아래 메뉴로 이동하세요. |
| 프로파일러 메뉴 그래서 내가 보면 |
| 여기, 새로운 옵션이 있는 것 같아요 |
| 외삽 제어라고 합니다. |
| 기본적으로 꺼짐으로 설정되어 있습니다. |
| 하지만 난 그걸 둘 중 하나로 바꿀 수 있어 |
| 켜기 또는 켜기 경고 켜기 |
| 외삽 제어. 만약 내가 |
| 켜세요. 주의하세요. |
| 내 프로필이 제한됩니다 |
| 값으로만 이동하는 추적 |
| 내가 추정하지 않는 곳. |
| 경고로 바꾸면 |
| 에, 나는 전체 프로필을 볼 것입니다 |
| 흔적이 있지만 나는 |
| 특정 지역에 갈 때 경고 |
| 어디에서 고려될 것인가 |
| 외삽법이 된다. |
| 외삽 기능을 켤 수도 있습니다 |
| 세부 사항은 내가 실제로 찾은 것입니다. |
| 도움이 되었습니다. 그리고 그것은 나에게 |
| 더 많은 정보. 첫 번째 |
| 모두, 그것은 나에게 말해준다 |
| 내가 사용하는 측정항목 |
| 외삽법을 정의하는 것은 |
| 레버리지는 사실입니다. |
| 최소 제곱 플랫폼에 적합합니다. |
| 그리고 그 임계값은 |
| 처음에 기본적으로 사용되는 것은 |
| 최대 레버리지가 될 것입니다. |
| 하지만 이건 내가 할 수 있는 일이야 |
| 변화하면 그걸 보여줄게 |
| 잠시 후. 또한, 나는 볼 수 있다 |
| 내 추정 측정항목이 뭐야? |
| 내 현재 설정에 대한 것입니다. |
| 바로 여기 이 번호예요. |
| 내가 변하면 변할 것이다 |
| 내 요인 설정. |
| 이 숫자가 더 클 때마다 |
| 임계값보다 |
| 내가 그럴 수도 있다는 경고를 받아 |
| 외삽. 아래로 가면, |
| 나는 더 이상 그것을 얻지 못할 것이다 |
| 경고. 이 임계값은 아닙니다. |
| 내가 변하지 않으면 변할 거야 |
| 메뉴에서 조정할 항목 |
| 내 문턱. 그럼 계속하겠습니다 |
| 지금 당장 그렇게 하세요. 그래서 나는 갈거야 |
| 메뉴로 가려면 |
| 그리고 난 세트장으로 갈 거야 |
| 임계값 기준. 그래서 |
| 적합 최소 제곱에는 두 개가 있습니다. |
| 임계값 옵션 |
| 처음에는 최대로 설정되어 있습니다. |
| 레버리지, 이는 계속 유지될 것입니다. |
| 당신은 볼록 껍질 안에 |
| 데이터를 사용하거나 |
| 평균에 곱하기 |
| 레버리지 또는 모델 용어 |
| 관찰. 그리고 나는하고 싶다 |
| 해당 임계값으로 전환합니다. 그래서 그것은 |
| 승수를 3으로 설정 |
| 기본적으로. 그래서 이것은 |
| 평균 레버리지의 3배 |
| 확인을 클릭하면 |
| 내 임계값이 변경됩니다. |
| 실제로는 작아졌는데, 이건 |
| 좀 더 보수적이다 |
| 외삽의 정의. |
| 그리고 나는 그것을 다시 되돌릴거야 |
| 내 프로필 추적을 제한하려면 |
| 그리고 지금은 갈 수 밖에 없어요 |
| 내가 있는 지역 3개 이내 |
| 평균 레버리지의 배입니다. |
| 이제 우리도 |
| 구현된 최적화 |
| 순종하는 것 |
| 외삽법 |
| 제약. 그렇다면 지금 내가 |
| 세트 만족도 켜기 |
| 최적화를 수행하고 |
| 나는 최적의 값을 얻을 것이다 |
| 외삽을 만족한다 |
| 강제. 이것을 주목하세요 |
| 측정항목은 다음보다 작거나 같습니다. |
| 문턱. 그럼 이제 내가 갈 때 |
| 다음 슬라이드로 이동하겠습니다. |
| 그래프, 산점도로 비교하다 |
| 매트릭스, 차이점 |
| 최적의 값과 |
| 외삽 제어가 켜져 있음 |
| 그리고 그것은 꺼졌습니다. |
| 이것이 산점도입니다. |
| 제가 JMP로 만든 행렬은 |
| 그리고 원본이 보여요 |
| 예측 변수 데이터도 |
| 예측 변수 값으로 |
| 최적의 솔루션을 위해 |
| 외삽 제어 없음, |
| 파란색, 그리고 다음을 사용하는 최적의 솔루션 |
| 외삽 제어는 빨간색으로 표시됩니다. |
| 그리고 제약이 없는 방법에 주목하세요. |
| 파란색으로 표시된 솔루션, |
| 바로 여기에서 위반합니다. |
| 상관 구조 |
| 실행 펄스에 대한 원본 데이터 및 |
| 최대 펄스로 인해 |
| 이 예측의 불확실성. |
| 최적의 솔루션인 반면 |
| 그건 외삽법을 사용한 거야 |
| 제어가 훨씬 더 적합합니다 |
| 원본 데이터로. |
| 이제 예를 살펴 보겠습니다. |
| 보다 일반화된 방법을 사용하여 |
| 외삽 제어 방법, |
| 우리는 이것을 |
| 정규화된 T 제곱 방법. 처럼 |
| Chris가 앞서 언급한 바와 같이, 우리는 |
| 모델을 위해 이 방법을 개발했습니다. |
| 최소제곱 모델 이외의 것. |
| 그래서 우리는 |
| 당뇨병에 대한 신경 모델 |
| 샘플에도 포함된 데이터 |
| 데이터. 응답은 척도이다 |
| 질병 진행 상황과 |
| 예측 변수는 기준선입니다 |
| 변수. 다시 한번, |
| 외삽법에 사용되는 측정항목 |
| 이 예는 |
| 정규화된 T자형 |
| Jeremy가 설명할 것입니다. |
| 몇 분 후에 더 자세히 알아보세요. |
| 당뇨병 데이터를 다음 위치에 열어두었습니다. |
| JMP와 스크립트가 저장되어 있습니다 |
| 내 신경 모델이 맞습니다. 나는 |
| 가서 그걸 실행하려고 해 |
| 스크립트. 그것은 신경을 발사한다 |
| 플랫폼을 클릭하고 내가 |
| 검증 방법을 사용하여 무작위 |
| 다시 잡아. 그냥 참고하고 싶었어 |
| 당신이 사용할 때마다 |
| 검증 방법, |
| 외삽 제어는 다음을 기반으로 합니다. |
| 훈련 데이터에서만 |
| 그리고 당신의 검증이 아닙니다 |
| 또는 테스트 데이터. |
| 그래서 프로파일러를 열어두고 |
| 을 사용하고 있음을 알 수 있습니다. |
| 완전한 흔적. 외삽법 |
| 제어가 켜지지 않습니다. 하자 |
| 가서 켜세요. |
| 그리고 나도 갈 거야 |
| 세부 사항을 켜십시오. |
| 흔적이 남아있는 것을 볼 수 있습니다 |
| 제한되었으며 측정항목은 |
| 정규화된 T 제곱입니다. 그만큼 |
| 임계값은 3배이다. |
| 표본의 표준편차 |
| 정규화된 T 제곱. 제레미는 |
| 무슨 얘기를 좀 더 할게. |
| 그 모든 것은 정확히 몇 가지를 의미합니다 |
| 분. 그리고 난 그냥 그러고 싶었어 |
| 우리가 사용할 때 그 점을 언급하세요 |
| 정규화된 T 제곱 |
| 방법은 하나뿐이야 |
| 임계값에 대해서는 다음과 같이 할 수 있습니다. |
| 승수를 조정하세요. 그래서 당신이 |
| 외삽 제어로 이동하여 설정 |
| 임계값을 조정할 수 있습니다. |
| 승수, 하지만 난 할 거야 |
| 3시에 놔둬. 그리고 지금 나는 |
| 다음을 사용하여 최적화를 실행하고 싶습니다. |
| 외삽 제어. 그래서 나는 |
| 그냥 최대화하고 |
| 기억하다. 이제 나는 |
| 최적의 솔루션 |
| 외삽 제어가 켜짐 |
| 에. 그래서 지금 보고 싶어요. |
| 산점도 행렬에서는 |
| 앞서 살펴본 것처럼 |
| 원본 데이터는 물론이고 |
| 최적의 값으로 |
| 그리고 외삽 없이 |
| 제어. |
| 이것은 산점도 행렬입니다. |
| 제가 제공하는 당뇨병 데이터 중 |
| JMP에서 생성되었습니다. 그것은 가지고있다 |
| 원래 예측 변수 값 |
| 뿐만 아니라 최적의 솔루션 |
| 외삽 제어 사용 |
| 빨간색이며 최적의 솔루션이 없습니다. |
| 파란색으로 외삽 제어. |
| 그리고 빨간색으로 표시되는 것을 볼 수 있습니다. |
| 점이 훨씬 더 많은 것 같습니다. |
| 상관 구조 내에서 |
| 원본 데이터보다 |
| 파란색, 그게 특히 그렇죠 |
| 이 LDL을 보면 사실입니다. |
| 총 콜레스테롤 대비. |
| 그럼 이제 예를 살펴보겠습니다 |
| 아래에 있는 프로파일러를 사용하여 |
| 그래프 메뉴를 호출하겠습니다. |
| 그래프 프로파일러. 그것은 또한 사용합니다 |
| 정규화된 T 제곱 방법 |
| 그리고 이를 통해 우리는 |
| 모든 것에 대한 외삽 제어 |
| 가능한 모델 유형 |
| JSL로 생성 및 저장됨 |
| 공식. 또한 이를 통해 우리는 |
| 외삽 제어 기능이 설정되어 있습니다. |
| 한 번에 하나 이상의 모델. |
| 그럼 예를 살펴보자 |
| 분말을 사용하는 회사의 경우 |
| 야금 기술 |
| 강철 드라이브 샤프트 생산 |
| 자동차 산업. |
| 그들은 찾을 수 있기를 원합니다 |
| 최적의 설정 |
| 최소화하는 생산 |
| 수축도 최소화하고... |
| 불량으로 인한 실패를 최소화 |
| 서비스 조건. 그래서 우리는 |
| 둘 | 응답 축소(즉, |
| 계속해서 우리는 |
| 최소 제곱 모델에 적합 |
| 저것) 및 표면 상태( |
| 합격/불합격입니다. |
| 명목형 물류 모형에 적합 |
| 하나). 그리고 우리의 예측자는 |
| 변수는 단지 핵심일 뿐이다 |
| 생산 과정의 변수. |
| 그리고 다시 한 번 외삽법을 적용해 보겠습니다. |
| metric은 정규화된 T 제곱입니다. |
| 그래서 가루가 있어요 |
| JMP에서 야금 데이터 열기 |
| 그리고 난 이미 최소한으로 적응했어 |
| 내 수축에 대한 사각형 모델 |
| 응답했고 저는 이미 |
| 명목형 물류 모델 |
| 표면 상태 합격/불합격 |
| 응답을 확인하고 저장했습니다. |
| 데이터에 대한 예측 공식 |
| 테이블에 앉을 준비가 되어 있도록 |
| 그래프 프로파일러에서 사용됩니다. |
| 그래서 그래프 메뉴로 가면 |
| 프로파일러를 로드하면 |
| 수축 예측 공식 |
| 내 예측 공식은 |
| 표면상태. |
| 확인을 클릭하세요. 그리고 지금 나는 |
| 내 모델 두 개 모두 |
| 그래프 프로파일러. |
| 그리고 전원을 켜기 전에 |
| 외삽 제어, 당신은 |
| 내가 가득 차 있다는 걸 알 수 있어 |
| 프로필 흔적. 일단 켜면 |
| 외삽 제어 |
| 흔적이 남아있는 것을 볼 수 있습니다 |
| 좀 움츠러들고 나도 갈게 |
| 세부정보를 켜려면 |
| 내가 정말 그렇다는 걸 보여주기 위해 |
| 정규화된 T 제곱을 사용하여 |
| 여기 이 방법으로요. |
| 그래서 내가 정말 하고 싶은 일은 |
| 최적의 것을 찾고 싶다 |
| 내가 최소화하는 조건 |
| 수축을 최소화하고 |
| 외삽 실패 |
| 통제하고 있는지 확인하고 싶습니다 |
| 나는 추정하지 않습니다. 나는하고 싶다 |
| 유용한 해결책을 찾으세요. 그리고 |
| 최적화를 하기 전에 |
| 실제로 내 설정을 설정해야 합니다. |
| 바람직함. 그래서 나는 갈거야 |
| 바람직함을 설정합니다. 이미 |
| 수축은 맞지만 나는 |
| 서비스에 맞게 설정해야 합니다. |
| 상태. 극대화하려고 노력하겠습니다. |
| 통과하고 실패를 최소화합니다. |
| 케이. |
| 그리고 이제 나는 할 수 있어야 한다 |
| 최적화 |
| 외삽 제어가 켜져 있습니다. |
| 최대화하고 기억하십시오. |
| 이제 최적의 상태가 되었습니다. |
| 외삽법을 이용한 솔루션 |
| 제어 켜짐. 그럼 이제 살펴보자 |
| 다시 한 번 |
| 산점도 행렬 |
| 원본 데이터와 함께 |
| 외삽법을 이용한 솔루션 |
| 솔루션에서 제어를 수행하고, |
| 외삽 제어를 사용하여 |
| 끄다. |
| 이것은 산점도 행렬입니다. |
| 분말 야금 데이터 |
| JMP에서 만든 것입니다. 그리고 그것은 |
| 최적의 솔루션도 보유하고 있습니다 |
| 외삽 제어를 사용하여 |
| 빨간 점, 그리고 최적 |
| 외삽법이 없는 솔루션 |
| 파란색 점으로 제어합니다. 그리고 한번 |
| 다시 한 번 우리가 볼 때 알 수 있습니다 |
| 추정을 제정하지 마십시오 |
| 제어, 최적의 솔루션 |
| 꽤 바깥쪽에 있어 |
| 상관 구조 |
| 데이터. 우리는 특히 볼 수 있습니다 |
| 여기 비율과 비교하면 |
| 압축 압력. |
| 그래서 이제 넘겨주고 싶어요 |
| 제레미에게 프레젠테이션 |
| 더 많이 들어가려고 |
| 우리의 방법에 대해 자세히 설명합니다. |
| 안녕하세요, 여기에 여러 가지가 있습니다. |
| 외삽 제어 목표 |
| 우리가 배치한 |
| 프로젝트의 시작. 우리 |
| 외삽 측정항목이 필요했습니다. |
| 빠르게 계산할 수 있는 것 |
| 많은 수의 |
| 관측치와 변수, 그리고 |
| 빠르게 평가할 수 있는 방법이 필요했습니다. |
| 측정항목이 표시되었는지 여부 |
| 외삽 여부. 이했다 |
| 상호작용성을 유지하기 위해 |
| 프로파일러 추적 및 |
| 우리는 이것이 필요했다 |
| 최적화를 수행합니다. |
| 우리는 할 수 있기를 원했습니다 |
| 다양한 변수를 지원 |
| 에서 사용 가능한 유형 |
| 프로파일러. 이것들은 |
| 본질적으로 연속적이며, |
| 범주형 및 순서형. |
| 우리는 활용하고 싶었습니다 |
| 누락된 셀이 있는 관찰, |
| 일부 모델링 방법 때문에 |
| 이러한 관찰이 포함됩니다 |
| 안에 ???. |
| 우리는 다음과 같은 방법을 원했습니다. |
| 선형 종속성에 강함 |
| 자료. 이러한 현상은 다음과 같은 경우에 발생합니다. |
| 변수의 수가 더 크다 |
| 관측치 수보다 |
| 예를 들어. 그리고 우리는 원했어요 |
| 뭔가 쉬웠는데 |
| 필요없이 자동화 |
| 사용자 입력이 많습니다. |
| 최소 제곱 모델의 경우, |
| 레버리지에 착륙했습니다. |
| 이상값을 식별하는 데 자주 사용됩니다. |
| 선형 모델에서. 레버리지 |
| 새로운 예측 포인트는 |
| 이에 따라 계산 |
| 공식. 많이있다 |
| 레버리지에 대한 해석. |
| 한 가지 해석은 다음과 같습니다. |
| a의 다변량 거리 |
| 중앙에서 예측 지점 |
| 훈련 데이터의. 또 다른 |
| 해석은 다음과 같다는 것이다. |
| 확장된 예측 분산. 그래서 |
| 예측 포인트가 이동함에 따라 |
| 중심에서 더 멀리 떨어져 있는 |
| 데이터의 불확실성 |
| 예측이 증가합니다. 그리고 우리 |
| 두 가지 공통 임계값을 사용합니다. |
| 에 대한 통계 문헌 |
| 이 거리가 있는지 판단 |
| 너무 큽니다. 첫 번째는 |
| 최대 레버리지, 예측 |
| 이 임계값을 초과하는 포인트 |
| 또는 볼록 껍질 외부 |
| 훈련 데이터. |
| 그리고 두 번째는 3배 |
| 레버리지의 평균. 그것 |
| 임을 알 수 있다. |
| 3배에 해당하는 |
| 분할된 모델 항 수 |
| 관찰 수에 따라. |
| 그리고 Laura가 설명했듯이 |
| 이전에는 |
| 이들의 승수 |
| 임계값. |
| 마지막으로 바람직할 때 |
| 최적화되고 있으며, |
| 외삽 제약 조건은 |
| 비선형 제약 조건 및 |
| 이전에는 프로파일러가 허용했습니다. |
| 제한된 최적화 |
| 선형 제약. 이 유형의 |
| 최적화가 더 |
| 도전적이어서 Laura는 이를 구현했습니다. |
| 유전자 알고리즘. 만약 너라면 |
| 이것들에 익숙하지 않습니다. |
| 유전자 알고리즘은 |
| 분자의 원리 |
| 최적화를 위한 진화 |
| 복잡한 비용 함수. |
| 다음으로 에 대해 이야기하겠습니다. |
| 우리가 일반화하는 데 사용한 접근 방식 |
| 모델에 대한 외삽 제어 |
| 선형 모델 이외의 것. 언제 |
| 당신은 예측을 구성하고 있습니다 |
| JMP에서 모형을 만들려면 |
| 예측변수 세트와 |
| 응답 변수 세트. 일부 |
| 지도 모델이 훈련되고, |
| 그런 다음 프로파일러를 사용하여 |
| 모델 표면을 시각화합니다. |
| 에는 수많은 변형이 있습니다. |
| JMP의 프로파일러. 당신은 할 수 있습니다 |
| 프로파일러를 내부적으로 사용 |
| 모델링 플랫폼. 당신은 할 수 있습니다 |
| 출력 예측 공식 및 |
| 다중 프로파일러 구축 |
| 모델. Laura가 보여주었듯이, |
| 프로파일러를 구성할 수 있습니다. |
| 앙상블 모델. 우리는 원했다 |
| 외삽 제어 방법 |
| 그것은 이 모든 것을 일반화할 것입니다 |
| 시나리오 대신에 |
| 우리의 방법을 |
| 특정 모델을 선택하겠습니다. |
| 감독되지 않은 것을 사용하는 것 |
| 접근하다. |
| 그리고 우리는 단지 |
| 예측 포인트 |
| 거리가 멀면 외삽 |
| 데이터가 있는 외부 |
| 예측 변수에 집중됨 |
| 공간. 그리고 이를 통해 우리는 |
| 일관성을 유지하다 |
| 프로파일러를 사용하면 |
| 외삽 제어 방법 |
| 모든 프로파일러에 연결됩니다. |
| 다변량 거리 |
| 레버리지의 해석 |
| Hotelling의 T 제곱은 다음과 같이 제안되었습니다. |
| 일반을 위한 거리 |
| 외삽 제어. 사실은, |
| 일부 대수적 조작은 |
| Hotelling의 T 제곱은 다음과 같습니다. |
| 그냥 레버리지를 옮겼고 |
| 확장되었습니다. 이 그림은 방법을 보여줍니다. |
| 호텔링의 T 제곱 측정값 |
| 관찰을 타원으로 표현한 것 |
| 타원이 있는 곳에 위치 |
| 평균을 중심으로 |
| 데이터, 모양이 정의됩니다. |
| 공분산 행렬에 의해. |
| 우리는 더 이상 거기에 있지 않기 때문에 |
| 선형 모델, 이 측정항목 |
| 같은 건 없어 |
| 예측과의 연관성 |
| 변화. 그래서 대신 |
| 사용된 임계값에 의존 |
| 다시 선형 모델로 돌아가서, 우리는 |
| 좀 만들려고 |
| 분배 가정 |
| T가 제곱되었는지 확인하려면 |
| 예측 포인트는 |
| 외삽으로 간주됩니다. |
| 여기에 수식을 보여 드리겠습니다. |
| 호텔링의 T 제곱입니다. 평균과 |
| 공분산 행렬이 추정됩니다. |
| 훈련 데이터를 사용하여 |
| 모델. P가 N보다 작으면, |
| 여기서 P는 |
| 예측변수, N은 숫자입니다. |
| 관찰의 내용과 만약 |
| 다변량 예측변수 |
| 정규값, 그 다음 T 제곱 |
| 중독 포인트는 F입니다 |
| 분포. 그러나 우리는 원했다 |
| 일반화하는 방법 |
| 복잡한 데이터가 포함된 데이터 세트 |
| 연속적인 혼합과 같은 유형 |
| P가 있는 범주형 데이터 세트 |
| N보다 크고 데이터 세트는 다음과 같습니다. |
| 누락된 값. 그래서 대신 |
| 배포판 작업 |
| 분석적으로 각 경우에 우리는 |
| 단순 보수적 표현을 사용함 |
| 우리가 찾은 통제 한계 |
| 실제로는 잘 작동합니다. 이것은 |
| 3시그마 통제 한계 |
| 경험적 분포를 사용하여 |
| 훈련에서 얻은 T의 제곱 |
| 데이터와 Laura가 언급했듯이 |
| 이 승수를 조정할 수도 있습니다. |
| 한 가지 합병증은 P가 |
| N, Hotelling의 T보다 큽니다. |
| 제곱은 정의되지 않았습니다. 있다 |
| 매개변수가 너무 많습니다. |
| 추정할 공분산 행렬 |
| 사용 가능한 데이터와 |
| 이는 일반적인 사용에서 자주 발생합니다. |
| 외삽 제어의 경우 |
| 부분 최소 제곱과 같습니다. |
| 그래서 우리는 소설을 선택했다 |
| Hotelling의 T 계산에 대한 접근 방식 |
| 이를 다루는 제곱 |
| 사례이며 우리는 이를 |
| 정규화된 T 제곱. |
| 공분산을 계산하려면 |
| 우리는 정규화된 행렬을 사용합니다 |
| 견적자는 원래 |
| Schafer가 개발한 |
| 높은 스트리머 |
| 차원 유전체학 데이터. |
| 그냥 가중치일 뿐이야 |
| 전체의 조합 |
| 표본 공분산 행렬, |
| 여기 U가 있고 |
| 제약 조건 대상 행렬 |
| D입니다. |
| 람다 가중치의 경우 |
| 매개변수, Schafer 및 Strimmer |
| 분석적인 결과를 도출했습니다 |
| 최소화하는 표현 |
| 추정기 MSE |
| 점근적으로. |
| Schafer와 Strimmer가 제안함 |
| 여러 가지 가능한 목표 |
| 행렬. 우리가 목표 매트릭스 |
| 선택한 대각 행렬은 |
| 표본 분산 |
| 예측 변수 |
| 대각선. 이 목표 매트릭스는 |
| 에 대한 여러 가지 장점 |
| 외삽 제어. 첫째, 우리는 |
| 어떤 상관관계도 가정하지 마세요 |
| 변수 사이의 구조 |
| 데이터를 보기 전에, |
| 일반적인 사전 작업으로 잘 작동합니다. |
| 또한, 데이터가 적은 경우 |
| 공분산을 추정하기 위해 |
| N이 작거나 |
| 큰 부분이 누락되었습니다. |
| 타원형 제약조건은 |
| 큰 무게로 확장 |
| 대각 행렬, 그리고 이것은 |
| 결과적으로 좀 더 보수적인 |
| 외삽 제어 테스트. |
| 우리는 이것이 필요하다는 것을 알았습니다. |
| 에 대한 합리적인 통제권을 얻습니다. |
| 거짓양성률. 이것을 넣으려면 |
| 더 간단하게 말하면, |
| 제한된 훈련 데이터, |
| 정규화된 T 제곱은 더 작습니다. |
| 예측에 다음과 같은 라벨을 붙일 가능성이 높습니다. |
| 외삽법은 당신이 하는 것입니다 |
| 원해요, 왜냐하면 당신은 그 이상이기 때문이죠 |
| 공분산을 관찰할 가능성이 있음 |
| 우연히. 우리에겐 좀 있어요 |
| 시뮬레이션 결과 |
| 이러한 세부 사항을 보여주며, |
| 하지만 갈 시간이 없어 |
| 그 모든 것에. 대신에 |
| 커뮤니티 웹페이지에 |
| 아카이브에 대한 논문 링크 및 |
| 우리는 이것을 제출할 계획입니다. |
| 전산 저널 |
| 그래픽 통계. |
| 다음 슬라이드에서는 다른 내용을 보여줍니다. |
| 우리가 필요로 했던 중요한 세부 사항 |
| 고려하다. 우리는 알아내야 했어요 |
| 범주형을 다루는 방법 |
| 변수. 우리는 단지 |
| 이를 지표로 변환- |
| 코딩된 더미 변수. 이것은 |
| 배수와 비교 가능 |
| 대응 분석. 또 다른 |
| 복잡함은 계산하는 방법이다 |
| Hotelling의 T 제곱은 다음과 같습니다. |
| 누락된 데이터가 있습니다. 여러 개의 |
| JMP 예측 모델링 |
| 플랫폼은 다음과 같은 관측치를 사용합니다. |
| 훈련할 데이터가 누락되었습니다. |
| 모델. 여기에는 순진한 것도 포함됩니다 |
| 베이즈 및 부트스트랩 포리스트. 그리고 |
| 이 공식은 다음을 보여줍니다. |
| 쌍별 삭제 방법 |
| 공분산을 추정하는 데 사용됨 |
| 행렬. 사용하는 것이 더 일반적입니다. |
| 행별 삭제. 이는 다음을 의미합니다. |
| 누락된 모든 관측치 |
| 값은 이전에 삭제되었습니다. |
| 공분산 행렬을 계산합니다. |
| 이것이 가장 간단하지만 가능합니다. |
| 결과적으로 유용한 것을 버리게됩니다. |
| 데이터의 표본 크기가 |
| 훈련 데이터가 작습니다. 와 함께 |
| 쌍별 삭제 관측치 |
| 있는 경우에만 삭제됩니다. |
| 쌍의 누락된 값 |
| 계산에 사용되는 변수 |
| 해당 항목은 |
| 이 공식이 보여주는 것은 무엇입니까? |
| 간단한 일인 것 같습니다. |
| 데이터를 다 쓰고 계시네요 |
| 그건 가능하지만 |
| 실제로 다음과 같은 결과를 초래할 수 있습니다. |
| 문제가 있기 때문에 |
| 사용되는 다양한 관찰 |
| 각 항목을 계산합니다. 이것은 할 수 있다 |
| 이상한 일이 일어나게 만들고, |
| 공분산 행렬과 마찬가지로 |
| 음의 고유값은 다음과 같습니다. |
| 우리가 처리해야 할 일이 있었습니다. |
| 다음은 몇 가지 장점입니다. |
| 정규화된 T 제곱 |
| 다른곳과 비교하다가 발견한 |
| 우리의 평가 방법. 하나 |
| 그게 정규화라는 거야 |
| 정규화 방식으로 작동 |
| 일반적으로 작동합니다. 그것은 |
| 과적합 사이의 균형 |
| 훈련 데이터와 과도한 편향 |
| 견적자. 이는 |
| 잡음에 더욱 견고한 추정기 |
| 그리고 모델 사양이 잘못되었습니다. |
| 다음, Schafer와 Strimmer |
| 그들의 논문에서 다음과 같이 밝혔습니다. |
| 정규화 결과 |
| 더 정확한 추정기 |
| 고차원 설정. |
| 필기체에 도움이 됩니다 |
| 전염병을 일으키는 차원성 |
| 대부분의 거리 기반 방법 |
| 외삽 제어를 위해. |
| 그런 다음 다음이 있는 필드에서 |
| 위한 방법론을 개발했습니다. |
| 외삽 제어, |
| 종종 그들은 둘 다 높다 |
| 차원 데이터와 고도로 |
| 상관 예측 변수. 을 위한 |
| 화학정보학의 예와 |
| 화학계량학, 화학 |
| 기능은 종종 매우 |
| 상관. 외삽 제어 |
| 종종 조합해서 사용된다 |
| PCA 및 PLS 모델의 경우 |
| T 제곱 DModX는 다음과 같이 사용됩니다. |
| 상관관계 위반 감지 |
| 구조. 이는 다음과 유사합니다. |
| 모델 중심에서 우리가 하는 일 |
| 다변량 관리도. |
| 이는 일반적인 사용 사례이므로 |
| 우리는 그런 옵션을 갖고 싶었어요 |
| 크게 벗어나지 않았다 |
| 이러한 방법. 정규화된 T |
| squared는 동일한 유형을 제공합니다 |
| 외삽 제어가 필요하지만 |
| 투영 단계가 필요하지 않습니다. |
| 몇 가지 장점이 있습니다. |
| 우리는 이것이 우리에게 다음을 가능하게 한다는 것을 발견했습니다. |
| 다른 유형을 더 잘 일반화했습니다. |
| 예측 모델의 또한 에서는 |
| 우리의 평가에 따르면 |
| 선형 투영이 그렇지 않은 경우 |
| 다음과 같은 데이터에 잘 작동합니다. |
| 당신은 비선형 관계를 가지고 있습니다 |
| 예측 변수 사이의 오류 |
| 통제 한계를 부풀릴 수 있다 |
| 투영 기반 방법, |
| 가난하게 될 것이다 |
| 에 대한 보호 |
| 외삽법과 우리의 접근 방식 |
| 이것보다 더 견고합니다. |
| 그리고 또 중요한 점 |
| 우리가 찾았다는 거야 |
| 단일 외삽 측정법 |
| 사용하기가 훨씬 간편했고 |
| 해석하다. |
| 그리고 여기에 대한 간략한 요약이 있습니다. |
| 외삽의 특징 |
| 제어. 이 방법은 더 나은 것을 제공합니다 |
| 실현 가능성의 시각화 |
| 고차원의 영역 |
| 프로파일러의 모델. |
| 새로운 유전자 알고리즘은 |
| 유연하게 구현되었습니다. |
| 제한된 최적화. |
| 정규화된 T 제곱 |
| 지저분한 관찰을 처리합니다 |
| 데이터, P와 같은 경우 더 큰 경우 |
| N보다 연속적이고 |
| 범주형 변수. |
| 이 방법은 대부분의 경우에 사용 가능합니다. |
| JMP의 예측 모델 |
| 16 Pro는 다음을 지원합니다. |
| 그들의 특이함. 그것은 또한 |
| 프로파일러에서 사용 가능 |
| 그래프는 정말 새로운 가능성을 열어줍니다. |
| 당신이 운영할 수 있기 때문에 유틸리티 |
| 어떤 예측 공식에서도요. |
| 그리고 앞으로의 방향으로는 |
| 우리는 구현을 고려하고 있습니다 |
| K-최근접 이웃 기반 |
| 넘어서는 제약 |
| 현재 상관관계 |
| 구조 제약. 자주 |
| 예측변수는 다음에 의해 생성됩니다. |
| 여러 분포로 인한 결과 |
| 예측기의 클러스터링에서 |
| 공간. 그리고 K-최근접 이웃 |
| 기반 접근 방식을 사용하면 |
| 외삽을 통제하기 위해 |
| 클러스터 사이. |
| 그럼 해주신 모든 분들께 감사드립니다 |
| 이걸 보려고 채널을 틀었고 |
| 여기 이메일이 있습니다. |
| 추가 질문. |
