Lautsprecher | Transkript |
| Hallo, ich bin Chris Gotwalt. Meine Co. |
| Moderatoren, Laura Lancaster und |
| Jeremy Ash und ich präsentieren |
| ein nützliches neues JMP Pro |
| Fähigkeit namens Extrapolation |
| Steuerung. Fast jedes Modell, das |
| Sie würden jemals vorhersagen wollen |
| mit hat eine Reihe von |
| Anwendbarkeit, eine Region der |
| Eingaberaum, wo die |
| Vorhersagen gelten als |
| zuverlässig genug. Draußen |
| Region beginnen wir zu extrapolieren |
| das Modell zeigt weit weg von der |
| Daten, die zur Anpassung an das Modell verwendet werden. Verwenden von |
| die Vorhersagen aus diesem Modell |
| an diesen Stellen könnte zu führen |
| völlig unzuverlässig |
| Vorhersagen. Es gibt zwei |
| Hauptquellen von |
| Hochrechnung | statistisch |
| Extrapolation und domänenbasiert |
| Hochrechnung. Beide Typen sind |
| durch die neue Funktion abgedeckt. |
| Es erfolgt eine statistische Extrapolation |
| wenn man es versucht |
| Vorhersage unter Verwendung eines Modells an einem x |
| das ist nicht nah an den Werten |
| verwendet, um dieses Modell zu trainieren. |
| Domänenbasierte Extrapolation |
| passiert, wenn Sie versuchen zu bewerten |
| bei einem x ist das unmöglich fällig |
| zu wissenschaftlichen oder technischen |
| basierte Einschränkungen. Das Beispiel |
| hier zeigt beide Arten von |
| Extrapolation in einem Beispiel. |
| Hier sehen wir einen Profiler von a |
| Modell einer metallurgischen Produktion |
| Prozess. Die Vorhersage lautet |
| out sagt -2,96 mit nein |
| Hinweis, dass wir evaluieren |
| bei einer Kombination von Temperatur |
| und Druck, der unmöglich ist |
| in einem Bereich Sinn zu erreichen |
| diese Maschine. Wir haben auch |
| statistische Extrapolation wie es ist |
| ist weit von den Daten entfernt, die verwendet werden, um zu passen |
| das Modell wie in der Streuung gesehen |
| Plot der Trainingsdaten auf dem |
| richtig. In JMP Pro 16, Jeremy, |
| Laura und ich haben zusammengearbeitet |
| Fügen Sie eine neue Funktion hinzu, die dies kann |
| Geben Sie eine Warnung, wenn der Profiler |
| denkt, du könntest es sein |
| extrapolieren. Oder wenn du dich umdrehst |
| Extrapolationskontrolle auf, es |
| wird die Menge der Punkte einschränken |
| dass Sie nur für diejenigen sorgen, die |
| es glaubt nicht |
| extrapolieren. Wir haben zwei Arten |
| der Extrapolationskontrolle. Eins ist |
| basierend auf dem Konzept der Hebelwirkung |
| und verwendet ein Modell der kleinsten Quadrate. |
| Dieser erste Typ ist nur |
| verfügbar in der Pro-Version von |
| Passen Sie die kleinsten Quadrate des Modells an. Das |
| andere Art nennen wir allgemein |
| Extrapolation des maschinellen Lernens |
| Kontrolle und ist in der verfügbar |
| Profiler-Plattform und mehrere von |
| das häufigste maschinelle Lernen |
| Plattformen in JMP Pro. Auf |
| Anfrage, wir könnten es sogar hinzufügen |
| Mehr. Kleinsten Quadrate |
| Die Extrapolationssteuerung verwendet die |
| Konzept der Hebelwirkung, die ist |
| wie eine skalierte Version der |
| Vorhersagevarianz. Es ist modell- |
| basiert und verwendet daher Informationen |
| über die Haupteffekte |
| Wechselwirkungen in höherer Ordnung |
| Begriffe zur Bestimmung der |
| Hochrechnung. Für den General |
| Extrapolation des maschinellen Lernens |
| Kontrollfall mussten wir kommen |
| mit unserem eigenen Ansatz. Wir |
| wollte eine Methode, die sein würde |
| robust gegen fehlende Werte, linear |
| Abhängigkeiten, schnelleres Rechnen, |
| könnte Mischungen von handhaben |
| kontinuierliche und kategoriale Eingabe |
| Variablen, und wir auch |
| wollte ausdrücklich trennen |
| das Extrapolationsmodell aus dem |
| Modell zur Anpassung der Daten. So |
| wenn wir allgemein haben |
| Extrapolationssteuerung eingeschaltet, |
| Es gibt nur einen, der beaufsichtigt wird |
| Modell das ist ... das passt zum |
| Eingabevariablen für die Antworten |
| das sehen wir im profiler |
| Spuren. Der Profiler kommt |
| mit einem schnellen und schmutzigen |
| unbeaufsichtigtes Modell zu beschreiben |
| das Training stellte Achsen ein, und das |
| unbeaufsichtigtes Modell wird verwendet |
| hinter den Kulissen von der |
| Profiler zur Bestimmung der |
| Extrapolationskontrolle |
| Zwang. Also muss ich |
| wechseln, weil PowerPoint und meine |
| Kamera kommt nicht miteinander aus |
| gerade jetzt aus irgendeinem Grund. Wir |
| wissen, dass riskante Hochrechnungen |
| werden jeden Tag von gemacht |
| Menschen, die in der Datenwissenschaft arbeiten |
| und sind zuversichtlich, dass die Verwendung |
| von Hochrechnungen führt zu schlecht |
| Vorhersagen und letztendlich zu |
| schlechte Geschäftsergebnisse. |
| Extrapolationskontrollplätze |
| Leitplanken auf Modellvorhersagen |
| und wird quantifizierbar führen |
| bessere Entscheidungen von JMP Pro |
| Benutzer. Wenn Benutzer eine Extrapolation sehen |
| Wenn der Benutzer auftritt, muss er eine |
| Entscheidung darüber, ob die |
| Vorhersage sollte verwendet werden oder nicht |
| basierend auf ihrer Domain verwendet |
| Wissen und Vertrautheit mit |
| das Problem zur Hand. Wenn du |
| Beginnen Sie mit der Extrapolation |
| Kontrollwarnungen passieren ziemlich |
| oft ist es wahrscheinlich das Ende von |
| der Lebenszyklus für dieses Modell in |
| Zeit, es auf neue Daten umzustellen |
| weil die Verteilung der |
| Eingänge haben sich weg von verschoben |
| das der Trainingsdaten. Wir |
| sind ehrlich gesagt ziemlich überrascht und |
| alarmiert, dass die Notwendigkeit für |
| Extrapolation zu identifizieren ist nicht |
| besser von den Daten geschätzt |
| Wissenschaftsgemeinschaft und gemacht haben |
| Steuerung der Extrapolation als |
| einfach und automatisch wie möglich. |
| Laura, die es in JMP entwickelt hat |
| Pro wird das demonstrieren |
| Option als nächstes. Dann Jeremy, der |
| habe viel über unsere recherchiert |
| Team, wird in die Mathematik gehen |
| Details und statistische |
| Motivation für den Ansatz. |
| Hallo mein Name ist Laura |
| Lancaster und ich sind hier, um eine zu machen |
| Demo der Extrapolation |
| Kontrolle, die zu JMP hinzugefügt wurde |
| Pro 16. Ich wollte anfangen |
| mit einem ziemlich einfachen Beispiel |
| am wenigsten mit dem Fit-Modell |
| Quadrate Plattform. Ich werde |
| Verwenden Sie einige Daten, die sein können |
| familiär; Es sind die Fitnessdaten |
| Das ist in Beispieldaten und ich bin |
| wird Sauerstoffaufnahme als verwenden |
| meine Antwort und Laufzeit, Run |
| Puls und Max Puls als mein |
| Prädiktoren. Und ich wollte |
| wiederholen Sie, dass in fit Modell, |
| passen kleinste Quadrate die |
| Extrapolationsmetrik das ist |
| verwendet wird Hebelwirkung. So lass uns gehen |
| voraus und starten Sie zu JMP. |
| Jetzt habe ich also die Fitnessdaten |
| Öffnen Sie in JMP und ich habe ein Skript |
| in der Datentabelle gespeichert |
| Starten Sie automatisch meine Passform |
| Modell der kleinsten Quadrate. Also bin ich |
| Ich werde weitermachen und das ausführen |
| Skript, es startet am wenigsten |
| Quadrate Plattform. Und ich habe die |
| Profiler wird automatisch geöffnet. Und |
| wir können sehen, dass der Profiler |
| sieht aus wie es immer in der hat |
| Vergangenheit, wo der Faktor Grenzen |
| werden durch den Bereich von jedem definiert |
| Faktor individuell, geben uns |
| rechteckig gebundene Einschränkungen. |
| Und wenn ich den Faktor ändere |
| Einstellungen, wegen dieser gebunden |
| Einschränkungen kann es wirklich sein |
| schwer zu sagen, ob Sie sich bewegen |
| weit außerhalb der Korrelation |
| Struktur der Daten. |
| Und deshalb wollten wir hinzufügen |
| die Extrapolationssteuerung. So |
| Dies wurde zu mehreren hinzugefügt |
| der Plattformen in JMP Pro |
| 16, einschließlich der kleinsten Quadrate. |
| Und um zur Hochrechnung zu gelangen |
| steuern, gehen Sie zum Menü unter |
| das Profiler-Menü. Also wenn ich schaue |
| Hier sehe ich eine neue Option |
| Extrapolationskontrolle genannt. |
| Es ist standardmäßig deaktiviert. |
| aber ich kann es auch drehen |
| ein oder Warnung ein, um einzuschalten |
| Extrapolationskontrolle. Wenn ich |
| Schalten Sie es ein, beachten Sie das |
| es schränkt mein Profil ein |
| Spuren, um nur zu Werten zu gehen |
| wo ich nicht extrapoliere. |
| Wenn ich es zur Warnung machen würde |
| am würde ich das vollständige Profil sehen |
| Spuren, aber ich würde eine bekommen |
| Warnung, wenn ich in eine Region gehe |
| wo es in Betracht gezogen würde |
| Hochrechnung sein. |
| Ich kann auch die Extrapolation aktivieren |
| Details, die ich wirklich finde |
| hilfreich, und das gibt mir eine |
| viel mehr Informationen. Erstens von |
| Alles in allem sagt es mir, dass meine |
| Metrik, die ich benutze |
| Extrapolation definieren ist |
| Hebelwirkung, die in der |
| Passen Sie die Plattform der kleinsten Quadrate an. |
| Und die Schwelle, die ist |
| Standardmäßig wird anfangs verwendet |
| wird maximale Hebelwirkung sein, |
| aber das kann ich |
| ändern und ich werde Ihnen das zeigen |
| in einer Minute. Auch ich kann sehen |
| Was ist meine Extrapolationsmetrik? |
| ist für meine aktuellen Einstellungen. |
| Es ist diese Nummer hier, |
| was sich ändern wird, wenn ich mich ändere |
| meine Faktoreinstellungen. |
| Immer wenn diese Zahl größer ist |
| als die Schwelle werde ich |
| Erhalten Sie diese Warnung, dass ich sein könnte |
| extrapolieren. Wenn es unten geht, |
| Das werde ich nicht mehr bekommen |
| Warnung. Diese Schwelle ist nicht |
| Ich werde mich ändern, wenn ich mich nicht ändere |
| etwas im Menü anpassen |
| meine Schwelle. Also lass mich weitermachen |
| und mach das jetzt. Also gehe ich |
| um zum Menü zu gehen |
| und ich werde zum Set gehen |
| Schwellenwertkriterium. So |
| In den kleinsten Quadraten haben Sie zwei |
| Optionen für den Schwellenwert |
| Anfangs ist es auf Maximum eingestellt |
| Hebel, der halten wird |
| Sie innerhalb der konvexen Hülle von |
| die Daten, oder Sie können zu einem wechseln |
| Multiplikator multipliziert mit dem Durchschnitt |
| Hebel oder Modellbegriffe vorbei |
| Beobachtungen. Und ich will |
| Wechseln Sie zu dieser Schwelle. So ist es |
| als Multiplikator auf 3 setzen |
| standardmäßig. Das wird also so sein |
| 3-mal die durchschnittliche Hebelwirkung sein |
| und ich klicke auf OK und bemerke das |
| Meine Schwelle wird sich ändern. |
| Es wurde tatsächlich kleiner, also das hier |
| ist konservativer |
| Definition der Extrapolation. |
| Und ich werde es zurückdrehen |
| auf, um meine Profilspuren einzuschränken. |
| Und jetzt kann ich nur noch gehen |
| Regionen, in denen ich innerhalb von 3 bin |
| mal die durchschnittliche Hebelwirkung. |
| Jetzt haben wir auch |
| Optimierung implementiert |
| das gehorcht dem |
| Hochrechnung |
| Einschränkungen. Also jetzt, wenn ich |
| Aktivieren Sie die gewünschte Einstellung |
| und ich mache die Optimierung, |
| Ich werde einen optimalen Wert dafür bekommen |
| erfüllt die Extrapolation |
| Zwang. Beachten Sie, dass dies |
| Metrik ist kleiner oder gleich |
| der Grenzbereich. Also jetzt, wenn ich gehe |
| zu meiner nächsten Folie, die geht |
| in einem Diagramm ein Streudiagramm zu vergleichen |
| Matrix, der Unterschied |
| zwischen dem optimalen Wert mit |
| Extrapolationssteuerung eingeschaltet |
| und damit ausgeschaltet. |
| Das ist also das Streudiagramm |
| Matrix, die ich mit JMP erstellt habe, |
| und es zeigt das Original |
| Prädiktorvariablendaten ebenfalls |
| als Prädiktorvariablenwerte |
| für die optimale Lösung mit |
| keine Extrapolationskontrolle, in |
| blau und die optimale Lösung mit |
| Extrapolationskontrolle in rot. |
| Und beachte, wie ungezwungen das ist |
| Lösung hier in blau, |
| genau hier verstößt die |
| Korrelationsstruktur für die |
| Originaldaten für Laufimpuls und |
| Maximaler Puls, wodurch die |
| Unsicherheit dieser Vorhersage. |
| Während die optimale Lösung |
| das hat Extrapolation verwendet |
| Kontrolle ist viel mehr im Einklang |
| mit den Originaldaten. |
| Schauen wir uns nun ein Beispiel an |
| mit dem allgemeineren |
| Extrapolationskontrollmethode, |
| was wir als bezeichnen |
| regulierte T-Quadrat-Methode. Wie |
| Chris hat vorhin erwähnt, wir |
| entwickelte diese Methode für Modelle |
| andere als Modelle der kleinsten Quadrate. |
| Also schauen wir uns eine an |
| neuronales Modell für den Diabetes |
| Daten, die auch in der Stichprobe enthalten sind |
| Daten. Die Antwort ist ein Maß |
| des Fortschreitens der Krankheit, und die |
| Prädiktoren sind die Basis |
| Variablen. Wieder einmal die |
| Extrapolationsmetrik verwendet für |
| Dieses Beispiel ist das |
| reguliertes T-Quadrat das |
| Jeremy wird in beschreiben |
| mehr Details in wenigen Minuten. |
| Also habe ich die Diabetesdaten in geöffnet |
| JMP und ich haben ein Skript gespeichert |
| meines neuronalen Modells passt. Ich bin |
| Ich werde weitermachen und das ausführen |
| Skript. Es startet die neuronale |
| Plattform, und beachten Sie, dass ich bin |
| unter Verwendung der Validierungsmethode zufällig |
| halte zurück. Ich wollte nur notieren |
| dass immer wenn Sie eine verwenden |
| Validierungsmethode, die |
| Die Extrapolationssteuerung basiert |
| nur auf den Trainingsdaten |
| und nicht deine Validierung |
| oder Testdaten. |
| Also habe ich den Profiler geöffnet und |
| Sie können sehen, dass es die verwendet |
| volle Spuren. Extrapolation |
| Steuerung ist nicht eingeschaltet. Lasst uns |
| Gehen Sie voran und schalten Sie es ein. |
| Und ich werde es auch tun |
| Schalten Sie die Details ein. |
| Sie können sehen, dass die Spuren haben |
| wurde eingeschränkt und die Metrik |
| ist das regulierte T-Quadrat. Das |
| Schwelle ist das 3-fache der |
| Standardabweichung der Probe |
| reguliertes T-Quadrat. Jeremy ist |
| Ich werde mehr darüber reden, was |
| das alles bedeutet genau in wenigen |
| Protokoll. Und ich wollte nur |
| Erwähnen Sie das, wenn wir verwenden |
| das regulierte T im Quadrat |
| Methode gibt es nur eine Wahl |
| für Schwelle, aber Sie können |
| Stellen Sie den Multiplikator ein. Also, wenn Sie |
| zur Extrapolationssteuerung gehen, einstellen |
| Schwelle können Sie diese anpassen |
| Multiplikator, aber ich werde |
| lass es bei 3. Und jetzt ich |
| möchte die Optimierung mit ausführen |
| Extrapolationskontrolle. Also bin ich |
| Ich werde nur maximieren und |
| merken. Jetzt habe ich eine |
| optimale Lösung mit |
| Extrapolationssteuerung gedreht |
| auf. Und jetzt möchte ich schauen |
| in unserer Streudiagramm-Matrix, nur |
| wie wir es uns vorher angesehen haben, mit |
| die Originaldaten sowie |
| mit den optimalen Werten mit |
| und ohne Hochrechnung |
| Steuerung. |
| Das ist also eine Streudiagramm-Matrix |
| der Diabetesdaten, die ich |
| erstellt in JMP. Es hat das |
| ursprüngliche Prädiktorwerte, as |
| sowie die optimale Lösung |
| mit Extrapolationssteuerung in |
| rot und optimale Lösung ohne |
| Extrapolationskontrolle in blau. |
| Und Sie können sehen, dass die roten |
| Punkte scheinen viel mehr zu sein |
| innerhalb der Korrelationsstruktur |
| der Originaldaten als die |
| blau, und das ist besonders |
| wahr, wenn Sie sich diese LDL ansehen |
| versus Gesamtcholesterin. |
| Schauen wir uns nun ein Beispiel an |
| Verwenden des Profilers, der sich darunter befindet |
| das Grafikmenü, das ich aufrufen werde |
| der Graph Profiler. Es verwendet auch |
| die regulierte T-Quadrat-Methode |
| und es erlaubt uns zu verwenden |
| Extrapolationskontrolle auf jedem |
| Art des Modells, das sein kann |
| erstellt und als JSL gespeichert |
| Formel. Es erlaubt uns auch |
| Extrapolationssteuerung aktiviert haben |
| mehr als ein Modell gleichzeitig. |
| Schauen wir uns also ein Beispiel an |
| für ein Unternehmen, das Pulver verwendet |
| Metallurgietechnik zu |
| produzieren Stahlantriebswellen für |
| die Automobilindustrie. |
| Sie wollen finden können |
| optimale Einstellungen für ihre |
| Produktion, die minimiert |
| Schrumpfen und auch minimieren ... |
| Minimieren Sie Fehler aufgrund von Fehlern |
| Dienstleistungskonditionen. Also haben wir |
| zwei | Schrumpfung der Antworten (was ist |
| kontinuierlich und wir werden |
| passen Sie ein Modell der kleinsten Quadrate für |
| das) und Oberflächenzustand (welche |
| ist bestanden / nicht bestanden und wir werden |
| ein nominales Logistikmodell für anpassen |
| Das hier). Und unser Prädiktor |
| Variablen sind nur einige Schlüssel |
| Prozessvariablen in der Produktion. |
| Und noch einmal die Extrapolation |
| Metrik ist das regulierte T-Quadrat. |
| Also habe ich das Pulver |
| Metallurgiedaten in JMP geöffnet |
| und ich habe schon am wenigsten gepasst |
| Quadrate Modell für meine Schrumpfung |
| Antwort, und ich habe bereits eine passen |
| nominales logistisches Modell für die |
| Oberflächenzustand bestanden / nicht bestanden |
| Antwort, und ich habe die gespeichert |
| Vorhersageformeln zu den Daten |
| Tisch, damit sie bereit sind |
| im Graph Profiler verwendet werden. |
| Also, wenn ich zum Grafikmenü gehe |
| Profiler, ich kann das laden |
| Vorhersageformel für die Schrumpfung |
| und meine Vorhersageformel ist für |
| der Oberflächenzustand. |
| OK klicken. Und jetzt habe ich |
| meine beiden Modelle starteten in |
| der Graph Profiler. |
| Und bevor ich mich einschalte |
| Extrapolationskontrolle, Sie |
| kann sehen, dass ich das volle habe |
| Profilspuren. Sobald ich einschalte |
| Extrapolationskontrolle |
| Sie können sehen, dass die Spuren |
| schrumpfe ein bisschen und ich gehe auch |
| um die Details einzuschalten, |
| nur um zu zeigen, dass ich es tatsächlich bin |
| unter Verwendung des regulierten T-Quadrats |
| hier in dieser Methode. |
| Also, was ich wirklich tun möchte, bin ich |
| will das Optimum finden |
| Bedingungen, bei denen ich minimiere |
| Schrumpfung und ich minimiere |
| Fehler bei der Extrapolation |
| Kontrolle und ich möchte sicher gehen |
| Ich extrapoliere nicht. Ich möchte |
| finde eine nützliche Lösung. Und |
| bevor ich die Optimierung durchführen kann, |
| Ich muss tatsächlich meine einstellen |
| Wünschbarkeiten. Also werde ich |
| Wünsche setzen. Es ist bereits |
| richtig für Schrumpfung, aber ich |
| müssen sie für den Dienst einstellen |
| Bedingung. Ich werde versuchen zu maximieren |
| besteht und minimiert Fehler. |
| K. K. |
| Und jetzt sollte ich dazu in der Lage sein |
| die Optimierung mit |
| Extrapolationssteuerung ein. |
| Maximieren und merken. |
| Und jetzt habe ich mein Optimum |
| Lösung mit Extrapolation |
| Kontrolle ein. Also jetzt schauen wir mal |
| noch einmal am |
| Streudiagramm-Matrix der |
| Originaldaten, zusammen mit dem |
| Lösung mit Extrapolation |
| Kontrolle in der Lösung, |
| mit der Extrapolationssteuerung |
| aus. |
| Das ist also eine Streudiagramm-Matrix |
| der Pulvermetallurgiedaten |
| das habe ich in JMP erstellt. Und es |
| hat auch die optimale Lösung |
| mit Extrapolationssteuerung als |
| roter Punkt und das Optimum |
| Lösung ohne Extrapolation |
| Kontrolle als blauer Punkt. Und einmal |
| wieder können Sie das sehen, wenn wir |
| Führen Sie die Extrapolation nicht durch |
| Kontrolle, die optimale Lösung |
| ist ziemlich weit außerhalb der |
| Korrelationsstruktur der |
| Daten. Wir können besonders sehen |
| das hier mit Verhältnis versus |
| Verdichtungsdruck. |
| Also jetzt möchte ich übergeben |
| die Präsentation an Jeremy |
| viel mehr zu tun |
| Details zu unseren Methoden. |
| Hallo, also hier sind einige |
| Ziele für die Extrapolationskontrolle |
| dass wir an der angelegt haben |
| Beginn des Projekts. Wir |
| brauchte eine Extrapolationsmetrik |
| das könnte schnell berechnet werden |
| mit einer großen Anzahl von |
| Beobachtungen und Variablen und |
| Wir brauchten einen schnellen Weg, um zu beurteilen |
| ob die Metrik angezeigt |
| Hochrechnung oder nicht. Das war |
| die Interaktivität von aufrechtzuerhalten |
| die Profiler-Spuren und |
| wir brauchten das dazu |
| Optimierung durchführen. |
| Wir wollten es können |
| unterstütze die verschiedenen Variablen |
| Typen verfügbar in der |
| Profiler. Diese sind |
| im wesentlichen kontinuierlich, |
| kategorisch und ordinal. |
| Wir wollten nutzen |
| Beobachtungen mit fehlenden Zellen, |
| weil einige Modellierungsmethoden |
| wird diese Beobachtungen enthalten |
| im ???. |
| Wir wollten eine Methode, die war |
| robust gegenüber linearen Abhängigkeiten in |
| die Daten. Diese treten auf, wenn die |
| Anzahl der Variablen ist größer |
| als die Anzahl der Beobachtungen, |
| zum Beispiel. Und wir wollten |
| etwas, das leicht zu erreichen war |
| automatisieren ohne a |
| viel Benutzereingabe. |
| Für Modelle der kleinsten Quadrate haben wir |
| landete auf Hebelwirkung, die ist |
| häufig verwendet, um Ausreißer zu identifizieren |
| in linearen Modellen. Die Hebelwirkung |
| für neuen Vorhersagepunkt ist |
| berechnet danach |
| Formel. Da sind viele |
| Interpretationen für die Hebelwirkung. |
| Eine Interpretation ist, dass es ist |
| der multivariate Abstand von a |
| Vorhersagepunkt von der Mitte |
| der Trainingsdaten. Ein weiterer |
| Interpretation ist, dass es ein ist |
| skalierte Vorhersagevarianz. So |
| wenn sich der Vorhersagepunkt bewegt |
| weiter vom Zentrum entfernt |
| der Daten die Unsicherheit |
| der Vorhersage steigt. Und wir |
| Verwenden Sie zwei gemeinsame Schwellenwerte in |
| die statistische Literatur für |
| Bestimmen, ob dieser Abstand |
| es ist zu groß. Das erste ist |
| maximale Hebelwirkung, Vorhersage |
| Punkte jenseits dieser Schwelle |
| oder außerhalb der konvexen Hülle von |
| die Trainingsdaten. |
| Und der zweite ist dreimal so hoch |
| Durchschnitt der Hebel. Es |
| kann gezeigt werden, dass dies ist |
| entspricht dem Dreifachen der |
| Anzahl der geteilten Modellbegriffe |
| durch die Anzahl der Beobachtungen. |
| Und wie Laura es beschrieben hat |
| früher können Sie die ändern |
| Multiplikator davon |
| Schwellenwerte. |
| Schließlich, wenn es wünschenswert ist |
| werden optimiert, die |
| Extrapolationsbeschränkung ist a |
| nichtlineare Bedingung und |
| zuvor war der Profiler erlaubt |
| eingeschränkte Optimierung mit |
| lineare Einschränkungen. Diese Art von |
| Optimierung ist mehr |
| herausfordernd, so setzte Laura um |
| ein genetischer Algorithmus. Und wenn Du |
| sind mit diesen nicht vertraut, |
| genetische Algorithmen verwenden die |
| Prinzipien der molekularen |
| Evolution zu optimieren |
| komplizierte Kostenfunktionen. |
| Als nächstes werde ich über die sprechen |
| Ansatz, den wir verwendet haben, um zu verallgemeinern |
| Extrapolationskontrolle auf Modelle |
| andere als lineare Modelle. Wann |
| Sie konstruieren eine Vorhersage |
| Modell in JMP beginnen Sie mit einem |
| Satz von Prädiktorvariablen und a |
| Satz von Antwortvariablen. Etwas |
| betreutes Modell wird geschult, und |
| dann kann ein Profiler verwendet werden |
| Visualisieren Sie die Modelloberfläche. |
| Es gibt zahlreiche Variationen in |
| der Profiler in JMP. Sie können |
| Verwenden Sie den Profiler intern in |
| Modellierungsplattformen. Sie können |
| Ausgabevorhersageformeln und |
| Erstellen Sie einen Profiler für mehrere |
| Modelle. Wie Laura demonstrierte, |
| Sie können Profiler für erstellen |
| Ensemblemodelle. Wir wollten eine |
| Extrapolationskontrollmethode |
| das würde all dies verallgemeinern |
| Szenarien, also statt |
| unsere Methode an a binden |
| spezifisches Modell, wir gehen |
| unbeaufsichtigt zu benutzen |
| Ansatz. |
| Und wir werden nur a markieren |
| Vorhersagepunkt als |
| Hochrechnung, wenn es weit ist |
| außerhalb, wo die Daten sind |
| konzentriert im Prädiktor |
| Raum. Und das erlaubt uns |
| konsistent sein über |
| Profiler, damit unsere |
| Extrapolationskontrollmethode |
| wird in jeden Profiler eingesteckt. |
| Die multivariate Entfernung |
| Interpretation der Hebelwirkung |
| schlug Hotellings T im Quadrat vor |
| eine Entfernung für allgemeine |
| Extrapolationskontrolle. Eigentlich, |
| einige algebraische Manipulationen werden |
| zeigen, dass Hotellings T-Quadrat ist |
| nur Hebelkraft verschoben und |
| skaliert. Diese Abbildung zeigt, wie |
| Hotellings T-Quadrat-Maße |
| welche Ellipse eine Beobachtung |
| liegt dort, wo die Ellipsen sind |
| zentriert auf den Mittelwert der |
| Daten, und die Form ist definiert |
| durch die Kovarianzmatrix. |
| Da sind wir nicht mehr in |
| lineare Modelle, diese Metrik |
| hat nicht das gleiche |
| Verbindung zur Vorhersage |
| Varianz. Also statt |
| unter Verwendung der verwendeten Schwellenwerte |
| Zurück in linearen Modellen sind wir |
| werde einige machen |
| Verteilungsannahmen |
| um festzustellen, ob T im Quadrat ist |
| für Vorhersagepunkt sollte |
| als Extrapolation angesehen werden. |
| Hier zeige ich die Formel für |
| Hotellings T im Quadrat. Der Mittelwert und |
| Die Kovarianzmatrix wird geschätzt |
| unter Verwendung der Trainingsdaten für die |
| Modell. Wenn P kleiner als N ist, |
| wobei P die Anzahl von ist |
| Prädiktoren, N ist die Zahl |
| von Beobachtungen und wenn die |
| Prädiktoren für multivariate |
| normal, dann T quadriert für |
| Suchtpunkt hat ein F. |
| Verteilung. Wir wollten jedoch |
| eine Methode zur Verallgemeinerung der |
| Datensätze mit komplizierten Daten |
| Typen, wie eine Mischung aus kontinuierlichen |
| und kategoriale Datensätze, wobei P. |
| ist größer als N, Datensätze mit |
| fehlende Werte. Also statt |
| Ausarbeitung der Verteilungen |
| analytisch jeweils wir |
| benutzte einen einfachen Konservativen |
| Kontrollgrenze, die wir gefunden haben |
| funktioniert gut in der Praxis. Das ist |
| eine Drei-Sigma-Kontrollgrenze |
| unter Verwendung der empirischen Verteilung |
| von T im Quadrat aus dem Training |
| Daten und, wie Laura erwähnte, Sie |
| kann diesen Multiplikator auch einstellen. |
| Eine Komplikation ist, dass, wenn P. |
| ist größer als N, Hotellings T. |
| Quadrat ist undefiniert. Es gibt |
| zu viele Parameter in der |
| Kovarianzmatrix zu schätzen |
| mit den verfügbaren Daten und |
| Dies tritt häufig bei typischer Verwendung auf |
| Fälle für die Extrapolationskontrolle |
| wie in partiellen kleinsten Quadraten. |
| Also haben wir uns für einen Roman entschieden |
| Ansatz zur Berechnung von Hotellings T. |
| Quadrat, das sich mit diesen befasst |
| Fälle, und wir nennen es ein |
| reguliertes T-Quadrat. |
| Berechnung der Kovarianz |
| Matrix verwenden wir eine regulierte |
| Schätzer ursprünglich |
| entwickelt von Schafer und |
| Strimmer für High |
| dimensionale Genomdaten. |
| Es ist nur eine gewichtete |
| Kombination der vollen |
| Proben-Kovarianzmatrix, |
| Das ist U hier und a |
| Einschränkungszielmatrix |
| das ist D. |
| Für das Lambda-Gewicht |
| Parameter, Schafer und Strimmer |
| eine analytische abgeleitet |
| Ausdruck, der die minimiert |
| MSE, der Schätzer |
| asymptotisch. |
| Schäfer und Strimmer schlugen vor |
| mehrere mögliche Ziele |
| Matrizen. Die Zielmatrix wir |
| gewählt wurde eine diagonale Matrix mit |
| die Stichprobenvarianzen der |
| Prädiktorvariablen auf der |
| Diagonale. Diese Zielmatrix hat |
| eine Reihe von Vorteilen für |
| Extrapolationskontrolle. Zuerst werden wir |
| Nehmen Sie keine Korrelation an |
| Struktur zwischen den Variablen |
| bevor Sie die Daten sehen, die |
| funktioniert gut als Generalprior. |
| Auch wenn es wenig Daten gibt |
| die Kovarianz zu schätzen |
| Matrix, entweder aufgrund von kleinem N oder |
| ein großer Bruchteil fehlt, der |
| elliptische Einschränkung ist |
| erweitert um ein großes Gewicht auf |
| die diagonale Matrix, und dies |
| führt zu einem konservativeren |
| Test zur Extrapolationskontrolle. |
| Wir fanden das notwendig |
| eine angemessene Kontrolle über die |
| falsch positive Rate. Um das auszudrücken |
| einfacher, wenn es gibt |
| begrenzte Trainingsdaten, die |
| Das regulierte T-Quadrat ist geringer |
| wahrscheinlich Vorhersagen als zu kennzeichnen |
| Extrapolation, das ist was Sie |
| wollen, weil du mehr bist |
| wahrscheinlich Kovarianzen zu beobachten |
| zufällig. Wir haben einige |
| Simulationsergebnisse |
| Demonstration dieser Details, |
| aber ich habe keine zeit zu gehen |
| in all das. Anstatt |
| Auf der Community-Webseite haben wir eine |
| Link zu einem Artikel über Archiv und |
| Wir planen, dies dem |
| Journal of Computational |
| Grafische Statistik. |
| Diese nächste Folie zeigt eine andere |
| wichtige Details mussten wir |
| Erwägen. Wir mussten herausfinden |
| herausfinden, wie man mit kategorial umgeht |
| Variablen. Wir sind nur |
| Umwandlung in Indikator- |
| codierte Dummy-Variablen. Das ist |
| vergleichbar mit einem Vielfachen |
| Korrespondenzanalyse. Ein weiterer |
| Komplikation ist, wie man berechnet |
| Hotellings T im Quadrat, wenn |
| Es fehlen Daten. Mehrere |
| JMP Predictive Modeling |
| Plattformen verwenden Beobachtungen mit |
| fehlende Daten, um ihre zu trainieren |
| Modelle. Dazu gehört naiv |
| Bayes und Bootstrap Wald. Und |
| Diese Formeln zeigen die |
| paarweise Löschmethode wir |
| verwendet, um die Kovarianz zu schätzen |
| Matrix. Es ist üblicher zu verwenden |
| zeilenweises Löschen. Das heisst |
| Alle Beobachtungen fehlen |
| Werte werden vorher gelöscht |
| Berechnung der Kovarianzmatrix. |
| Und das ist am einfachsten, aber es kann |
| führen zu nützlichen wegwerfen |
| Daten, wenn die Stichprobengröße der |
| Trainingsdaten sind klein. Mit |
| paarweise Löschbeobachtungen |
| und nur gelöscht, wenn es gibt |
| fehlende Werte im Paar von |
| Variablen zur Berechnung der |
| entsprechender Eintrag und das ist |
| was diese Formeln zeigen. |
| Scheint eine einfache Sache zu sein. |
| Sie verwenden nur alle Daten |
| das ist verfügbar, aber es |
| kann tatsächlich zu einer Vielzahl von führen |
| Probleme, weil es gibt |
| verschiedene Beobachtungen früher |
| Berechnen Sie jeden Eintrag. Das kann |
| seltsame Dinge passieren lassen, |
| wie Kovarianzmatrizen mit |
| negative Eigenwerte, das heißt |
| etwas, mit dem wir uns befassen mussten. |
| Hier sind einige Vorteile von |
| das regulierte T quadrierte wir |
| gefunden im Vergleich zu anderen |
| Methoden in unseren Bewertungen. Einer |
| ist das die Regularisierung |
| funktioniert wie Regularisierung |
| funktioniert normalerweise. Es schlägt ein |
| Gleichgewicht zwischen Überanpassung der |
| Trainingsdaten und Übervorspannung |
| der Schätzer. Das macht die |
| Schätzer robuster gegen Rauschen |
| und Modellfehlspezifikation. |
| Als nächstes Schäfer und Strimmer |
| zeigte in ihrer Zeitung, dass |
| Regularisierung führt zu a |
| genauerer Schätzer in |
| hochdimensionale Einstellungen. |
| Dies hilft beim Kursiv |
| Dimensionalität, die misst |
| die meisten entfernungsbasierten Methoden |
| zur Extrapolationskontrolle. |
| Dann in den Feldern, die haben |
| entwickelte die Methodik für |
| Extrapolationskontrolle, |
| oft haben sie beide hoch |
| dimensionale Daten und hoch |
| korrelierte Prädiktoren. Zum |
| Beispiel in Cheminformatik und |
| Chemometrie, die Chemikalie |
| Funktionen sind oft hoch |
| korreliert. Extrapolationskontrolle |
| wird oft in Kombination verwendet |
| mit PCA- und PLS-Modellen, wo |
| T-Quadrat-DModX sind es gewohnt |
| Korrelationsverletzungen erkennen |
| Struktur. Dies ist ähnlich wie |
| was wir in modellgetrieben machen |
| multivariates Kontrolldiagramm. |
| Da dies ein häufiger Anwendungsfall ist, |
| Wir wollten eine Option haben, die |
| nicht zu weit davon abgewichen |
| diese Methoden. Unser regulierter T. |
| Quadrat bietet den gleichen Typ |
| der Extrapolationskontrolle, aber es |
| erfordert keinen Projektionsschritt |
| das hat einige Vorteile. |
| Wir haben festgestellt, dass dies uns erlaubt |
| besser verallgemeinerte andere Typen |
| von Vorhersagemodellen. Auch in |
| Bei unseren Bewertungen haben wir das beobachtet |
| wenn eine lineare Projektion dies nicht tut |
| arbeiten gut für Ihre Daten, wie |
| Sie haben nichtlineare Beziehungen |
| zwischen Prädiktoren die Fehler |
| kann die Kontrollgrenzen aufblasen |
| von projektionsbasierten Methoden, |
| was zu Armen führen wird |
| Schutz gegen |
| Extrapolation und unser Ansatz |
| ist robuster als dies. |
| Und dann noch ein wichtiger Punkt |
| ist, dass wir die gefunden haben |
| einzelne Extrapolationsmetrik |
| war viel einfacher zu bedienen und |
| interpretieren. |
| Und hier ist eine kurze Zusammenfassung von |
| die Merkmale der Extrapolation |
| Steuerung. Die Methode bietet bessere |
| Visualisierung von machbar |
| Regionen in hochdimensionalen |
| Modelle im Profiler. |
| Ein neuer genetischer Algorithmus hat |
| wurde für flexible implementiert |
| Optimierungsprobleme. |
| Unser reguliertes T-Quadrat |
| handhabt unordentliche Beobachtung |
| Daten, Fälle wie P größer |
| als N und stetig und |
| kategorische Variablen. |
| Die Methode ist in den meisten Fällen verfügbar |
| der Vorhersagemodelle in JMP |
| 16 Pro und unterstützt viele von |
| ihre Eigenheiten. Es ist auch |
| verfügbar im Profiler in |
| Grafik, die wirklich seine öffnet |
| Dienstprogramm, weil Sie bedienen können |
| auf jeder Vorhersageformel. |
| Und dann als zukünftige Richtung, |
| Wir erwägen die Implementierung |
| ein K-nächster Nachbar basiert |
| Einschränkung, die darüber hinausgehen würde |
| die aktuelle Korrelation |
| Strukturbeschränkung. Häufig |
| Prädiktoren werden generiert von |
| Mehrfachverteilungen resultieren |
| beim Clustering im Prädiktor |
| Raum. Und ein K-nächster Nachbar |
| basierter Ansatz würde ermöglichen |
| uns die Extrapolation zu kontrollieren |
| zwischen Clustern. |
| Also danke an alle die |
| schaltete sich ein, um dies zu sehen und |
| Hier sind unsere E-Mails, wenn Sie haben |
| irgendwelche weiteren Fragen. |
