JMP®Pro16（2021-EU-45MP-751）の予測プロファイラーでの外挿の制御レベル：中級
ローラ・ランカスター、JMPプリンシパルリサーチ統計開発者、SAS
Jeremy Ash、JMP Analyticsソフトウェアテスター、SAS
SAS、統計研究開発のJMPディレクター、Chris Gotwalt
制御されていないモデルの外挿は、2つの重大な種類のエラーにつながります。（1）モデルがデータから遠く離れて完全に無効である可能性があり、（2）変数値の組み合わせが物理的に実現できない可能性があります。 プロファイラーを使用して観測データに適合するモデルを最適化すると、警告なしでは実用的ではない外挿解が得られる可能性があります。 JMP Pro 16は、多くの予測モデリングプラットフォームとプロファイラープラットフォーム自体に外挿制御を導入しています。 Prediction Profilerのこの新機能は、外挿の可能性をユーザーに警告するか、モデルが有効でない可能性のある外挿点の描画を完全に回避します。 さらに、ユーザーは、外挿を回避する制約された領域に対して最適化を実行できます。 このプレゼンテーションでは、外挿制御の動機と有用性について説明し、JMPで簡単に使用できる方法を示し、方法の詳細を説明します。
自動生成されたトランスクリプト...
スピーカー | トランスクリプト |
| こんにちは、ChrisGotwaltです。 私の共同 |
| プレゼンター、ローラランカスターと |
| ジェレミーアッシュと私はプレゼンテーションを行っています |
| 便利な新しいJMPプロ |
| 外挿と呼ばれる機能 |
| コントロール。 ほぼすべてのモデル |
| あなたは今までに予測したいと思うでしょう |
| の範囲があります |
| 適用性、の地域 |
| 入力スペース、ここで |
| 予測は |
| 十分に信頼できる。 その外 |
| 地域、私たちは外挿を開始します |
| から遠く離れた点へのモデル |
| モデルの適合に使用されるデータ。 使用する |
| そのモデルからの予測 |
| それらの時点で |
| 完全に信頼できない |
| 予測。二つあります |
| 一次資料 |
| 外挿 | 統計 |
| 外挿とドメインベース |
| 外挿。どちらのタイプも |
| 新機能でカバーされています。 |
| 統計的外挿が発生します |
| 人がしようとしているとき |
| xでモデルを使用して予測する |
| それは値に近くありません |
| そのモデルを訓練するために使用されます。 |
| ドメインベースの外挿 |
| あなたが評価しようとすると起こります |
| が原因で不可能なxで |
| 科学または工学へ |
| ベースの制約。 例 |
| ここに両方の種類を示します |
| 一例では外挿。 |
| ここでは、からのプロファイラーが表示されます |
| 冶金生産のモデル |
| 処理する。予測は |
| アウトは-2.96と言います |
| 評価していることを示す |
| 温度の組み合わせで |
| 不可能な圧力 |
| ドメインの意味で達成する |
| このマシン。 私たちも持っています |
| そのままの統計的外挿 |
| 適合に使用されるデータからはほど遠い |
| 散布図に見られるモデル |
| 上のトレーニングデータのプロット |
| 正しい。 JMP Pro 16では、ジェレミー、 |
| ローラと私は |
| できる新しい機能を追加する |
| プロファイラーが警告を発する |
| あなたがそうかもしれないと思う |
| 外挿。またはあなたが回った場合 |
| 外挿制御オン、それ |
| ポイントのセットを制限します |
| あなたが見るものだけに |
| それはないと思います |
| 外挿。 2種類あります |
| 外挿制御の。 1つは |
| レバレッジの概念に基づく |
| 最小二乗モデルを使用します。 |
| この最初のタイプは |
| のプロバージョンで利用可能 |
| モデルの最小二乗法に適合します。 ザ・ |
| 私たちが一般と呼ぶ他のタイプ |
| 機械学習の外挿 |
| 制御し、で利用可能です |
| プロファイラープラットフォームといくつかの |
| 最も一般的な機械学習 |
| JMPProのプラットフォーム。 に |
| リクエスト、追加することもできます |
| もっと。最小二乗 |
| 外挿制御は、 |
| レバレッジの概念、 |
| のスケーリングされたバージョンのように |
| 予測分散。 モデルです- |
| ベースなので、情報を使用します |
| 主な効果について |
| 高次の相互作用 |
| を決定するための用語 |
| 外挿。一般向け |
| 機械学習の外挿 |
| コントロールケース、私たちは考え出さなければなりませんでした |
| 私たち自身のアプローチで。 私達 |
| 次のような方法が欲しかった |
| 欠測値に対してロバスト、線形 |
| 依存関係、より高速な計算、 |
| の混合物を処理できます |
| 継続的かつカテゴリ別の入力 |
| 変数、そして私たちも |
| 明示的に分離したかった |
| からの外挿モデル |
| データの適合に使用されるモデル。 そう |
| 私たちが一般的なとき |
| 外挿制御がオンになっている、 |
| 監視対象は1つだけです |
| に合うモデル |
| 応答への入力変数 |
| プロファイラーに表示されます |
| トレース。プロファイラーが来る |
| 素早く汚い |
| 説明する教師なしモデル |
| トレーニングセットの軸、そしてこれ |
| 教師なしモデルが使用されます |
| の舞台裏 |
| を決定するプロファイラー |
| 外挿制御 |
| 制約。だから私はしなければならない |
| PowerPointと私の |
| カメラがうまくいかない |
| なんらかの理由で今。 私達 |
| 危険な外挿を知っている |
| によって毎日作られています |
| データサイエンスで働く人々 |
| そして、その使用に自信を持っています |
| 外挿の数は貧弱につながります |
| 予測そして最終的には |
| 悪いビジネス成果。 |
| 外挿制御場所 |
| モデル予測のガードレール |
| 定量的につながる |
| JMPプロによるより良い決定 |
| ユーザー。ユーザーが外挿を見たとき |
| 発生した場合、ユーザーは |
| かどうかについての決定 |
| 予測を使用するかどうか |
| ドメインに基づいて使用 |
| 知識と精通 |
| 手元の問題。 もし、あんたが |
| 外挿を見始める |
| 制御警告はかなり発生します |
| 多くの場合、それはおそらく終わりです |
| そのモデルのライフサイクル |
| 新しいデータに再適合させる時間 |
| の分布のため |
| 入力がからシフトしました |
| トレーニングデータのそれ。 私達 |
| 正直なところかなり驚いています |
| の必要性を警戒 |
| 外挿を特定することは |
| データによってよりよく評価されます |
| 科学コミュニティと |
| 外挿を制御する |
| 可能な限り簡単かつ自動。 |
| JMPで開発したローラ |
| プロ、デモンストレーションを行います |
| 次のオプション。 それからジェレミー、 |
| 私たちの多くの研究をしました |
| チーム、数学に入ります |
| 詳細と統計 |
| アプローチの動機。 |
| こんにちは、私の名前はローラです |
| ランカスターと私はここで |
| 外挿のデモ |
| JMPに追加されたコントロール |
| プロ16。 始めたかった |
| かなり簡単な例で |
| フィットモデルの使用を最小限に抑える |
| 正方形のプラットフォーム。 するつもり |
| 可能性のあるいくつかのデータを使用する |
| おなじみ;フィットネスデータです |
| それはサンプルデータにあり、私は |
| として酸素摂取量を使用する予定 |
| 私の応答と実行時間、実行 |
| 私のように脈拍と最大脈拍 |
| 予測子。そして私はしたかった |
| フィットモデルでそれを繰り返します、 |
| 最小二乗法に適合 |
| である外挿メトリック |
| 使用されるのはレバレッジです。 じゃ、行こう |
| 先にJMPを開始します。 |
| だから今私はフィットネスデータを持っています |
| JMPで開き、スクリプトがあります |
| データテーブルに保存されます |
| 自動的にフィットを起動します |
| 最小二乗モデル。 だから私は |
| 先に進んでそれを実行します |
| スクリプト、起動が最も少ない |
| 正方形のプラットフォーム。 そして、私は持っています |
| プロファイラーが自動的に開きます。 そして |
| プロファイラーが |
| それはいつも持っているように見えます |
| 過去、因子の境界 |
| それぞれの範囲によって定義されます |
| 個別に因数分解し、 |
| 長方形の境界制約。 |
| そして、私が因子を変えるとき |
| これらの限界のために設定 |
| 制約、それは本当にすることができます |
| あなたが動いているかどうか見分けるのは難しい |
| 相関関係のはるか外 |
| データの構造。 |
| そしてこれが私たちが追加したかった理由です |
| 外挿制御。 そう |
| これはいくつかに追加されました |
| JMPプロのプラットフォームの |
| 16、最小二乗法を含む。 |
| そして、外挿に到達するために |
| コントロール、あなたは下のメニューに移動します |
| プロファイラーメニュー。 だから私が見れば |
| ここに、新しいオプションがあるようです |
| 外挿制御と呼ばれます。 |
| デフォルトではオフに設定されていますが、 |
| しかし、私はそれをどちらかに変えることができます |
| オンまたはオンに警告してオンにします |
| 外挿制御。 もし私が |
| オンにします。 |
| それは私のプロフィールを制限します |
| 値にのみ移動するトレース |
| 私が外挿していないところ。 |
| 私がそれを警告に変えるとしたら |
| に、私は完全なプロファイルを見るでしょう |
| トレースが、私は得るだろう |
| ある地域に行くときの警告 |
| それが考慮される場所 |
| 外挿すること。 |
| 外挿をオンにすることもできます |
| 私が本当に見つけた詳細 |
| 役に立ちました、そしてそれは私に |
| より多くの情報。 の最初の |
| すべて、それは私に |
| 私が使用しているメトリック |
| 外挿を定義する |
| レバレッジ、これは |
| 最小二乗プラットフォームに適合します。 |
| そして、そのしきい値 |
| デフォルトで最初に使用されるのは |
| 最大のレバレッジになります、 |
| しかし、これは私ができることです |
| 変化して、それをお見せします |
| すぐに。 また、私は見ることができます |
| 私の外挿メトリックは何ですか |
| 私の現在の設定用です。 |
| ここにあるのはこの番号です、 |
| 変わると変わる |
| 私のファクター設定。 |
| この数が大きいときはいつでも |
| しきい値よりも、私は行きます |
| 私がそうかもしれないというこの警告を受け取ります |
| 外挿。それが下がれば、 |
| 私はもうそれを取得しません |
| 警告。このしきい値は |
| 私が変わらない限り変わるだろう |
| 調整するメニューの何か |
| 私のしきい値。 さあ、先に進みましょう |
| そして今それをしなさい。 だから私は行きます |
| メニューに移動するには |
| そして私はセットに行くつもりです |
| しきい値基準。 そう |
| 最小二乗法では、2つあります |
| しきい値のオプション |
| 最初は、最大に設定されています |
| 維持しようとしているレバレッジ |
| の凸包内のあなた |
| データ、またはあなたはに切り替えることができます |
| 乗数に平均を掛ける |
| 用語を活用またはモデル化する |
| 観察。そして私はしたい |
| そのしきい値に切り替えます。 っていうことは |
| 乗数として3に設定 |
| デフォルトでは。 だからこれは |
| 平均レバレッジの3倍になる |
| [OK]をクリックすると、 |
| 私のしきい値は変更されます。 |
| 実際に小さくなったので、これ |
| より保守的です |
| 外挿の定義。 |
| そして、私はそれを元に戻すつもりです |
| プロファイルトレースを制限します。 |
| そして今、私は行くことができるだけです |
| 私が3以内にいる地域 |
| 平均レバレッジの倍。 |
| 今私達はまた持っています |
| 実装された最適化 |
| それは |
| 外挿 |
| 制約。だから今私が |
| セットの望ましさをオンにする |
| そして私は最適化を行います、 |
| 最適な値が得られます |
| 外挿を満たす |
| 制約。これに注意してください |
| メトリックが以下 |
| しきい値。 だから今私が行くとき |
| 次のスライドに移動します |
| グラフで比較するには、散布図 |
| マトリックス、違い |
| 最適値と |
| 外挿制御がオンになっている |
| そしてそれをオフにしました。 |
| これが散布図です |
| JMPで作成したマトリックス、 |
| そしてそれはオリジナルを示しています |
| 予測変数データも |
| 予測変数値として |
| を使用した最適なソリューションのために |
| 外挿制御なし、 |
| 青、およびを使用した最適解 |
| 赤の外挿コントロール。 |
| そして、どのように制約がないかに注意してください |
| ここで青の解決策、 |
| ここで、違反します |
| の相関構造 |
| 実行パルスの元のデータと |
| 最大パルス、したがって増加します |
| この予測の不確実性。 |
| 一方、最適なソリューション |
| それは外挿を使用しました |
| 制御ははるかにインラインです |
| 元のデータで。 |
| それでは例を見てみましょう |
| より一般化されたものを使用する |
| 外挿制御法、 |
| これを |
| 正則化されたT二乗法。 なので |
| クリスは先に述べました、私たちは |
| モデルのためにこの方法を開発しました |
| 最小二乗モデル以外。 |
| だから私たちは見ていきます |
| 糖尿病の神経モデル |
| サンプルにも含まれているデータ |
| データ。応答は測定です |
| 病気の進行の、そして |
| 予測子はベースラインです |
| 変数。 もう一度、 |
| に使用される外挿メトリック |
| この例は |
| 正則化されたT定規 |
| ジェレミーはで説明します |
| 数分で詳細がわかります。 |
| だから私は糖尿病のデータを開いています |
| JMPと私はスクリプトを保存しています |
| 私の神経モデルの適合。 私は |
| 先に進んでそれを実行します |
| 脚本。ニューラルを起動します |
| プラットフォーム、そして私が |
| 検証方法を使用して、ランダム |
| 控えてください。 私はただ注意したかった |
| あなたが使用するときはいつでも |
| 検証方法、 |
| 外挿制御はに基づいています |
| トレーニングデータのみ |
| 検証ではなく |
| またはテストデータ。 |
| だから私はプロファイラーを開いて |
| あなたはそれが使用していることがわかります |
| 完全なトレース。 外挿 |
| コントロールがオンになっていません。 しましょう |
| 先に進み、それをオンにします。 |
| そして私も |
| 詳細をオンにします。 |
| トレースが持っていることがわかります |
| 制限されており、メトリック |
| 正則化されたT定規です。 ザ・ |
| しきい値は3倍です |
| サンプルの標準偏差 |
| 正則化されたTの2乗。 ジェレミーは |
| 何についてもっと話します |
| つまり、ほんの数例で |
| 分。そして私はただしたかった |
| 私たちが使用しているときに言及する |
| 正則化されたTの2乗 |
| 方法、選択肢は1つだけです |
| しきい値のために、しかしあなたはすることができます |
| 乗数を調整します。 だからあなたが |
| 外挿制御に移動し、設定します |
| しきい値、これを調整できます |
| 乗数、しかし私はするつもりです |
| 3のままにしておきます。 そして今、私は |
| を使用して最適化を実行したい |
| 外挿制御。 だから私は |
| 最大化するだけで |
| 覚えておいてください。今私は持っています |
| 最適なソリューション |
| 外挿制御が有効になりました |
| オン。そして今、私は見たいです |
| 散布図行列で、 |
| 前に見たように、 |
| 元のデータ、および |
| 最適値で |
| 外挿なし |
| コントロール。 |
| つまり、これは散布図行列です |
| 私が糖尿病データの |
| JMPで作成されました。 それは持っています |
| 元の予測値、 |
| だけでなく、最適なソリューション |
| で外挿制御を使用する |
| 赤、およびなしの最適解 |
| 青の外挿コントロール。 |
| そして、あなたはその赤を見ることができます |
| ドットははるかに多いように見えます |
| 相関構造内 |
| 元のデータの |
| 青、そしてそれは特に |
| このLDLを見ると本当です |
| 対総コレステロール。 |
| それでは、例を見てみましょう |
| 下にあるプロファイラーを使用する |
| グラフメニューと呼びます |
| グラフプロファイラー。 それはまた使用します |
| 正則化されたT二乗法 |
| そしてそれは私たちが使用することを可能にします |
| 任意の外挿制御 |
| できるモデルのタイプ |
| JSLとして作成および保存 |
| 式。それはまた私達がすることを可能にします |
| 外挿制御をオンにする |
| 一度に複数のモデル。 |
| それでは例を見てみましょう |
| パウダーを使用する会社の場合 |
| 冶金技術から |
| 鋼製ドライブシャフトを製造する |
| 自動車産業。 |
| 彼らは見つけられるようになりたい |
| 彼らのための最適な設定 |
| 最小化する生産 |
| 収縮と最小化... |
| 不良による障害を最小限に抑える |
| サービス条件。 だから私たちは持っています |
| 二 | 応答の収縮（これは |
| 継続的であり、 |
| 最小二乗モデルに適合 |
| それ）と表面状態（ |
| 合格/不合格であり、 |
| の名目ロジスティックモデルを適合させる |
| それです）。 そして私たちの予測因子 |
| 変数はほんの一部の鍵です |
| 本番環境のプロセス変数。 |
| そしてもう一度外挿 |
| メトリックは正則化されたT定規です。 |
| だから私は粉を持っています |
| JMPで開かれている冶金データ |
| そして私はすでに少なくとも適合しました |
| 収縮の正方形モデル |
| 応答、そして私はすでに適合しています |
| の名目ロジスティックモデル |
| 表面状態の合格/不合格 |
| 応答、そして私は保存しました |
| データへの予測式 |
| 彼らがする準備ができているようにテーブル |
| グラフプロファイラーで使用されます。 |
| だからグラフメニューに行くと |
| プロファイラー、私はロードすることができます |
| 収縮の予測式 |
| 私の予測式は |
| 表面状態。 |
| [OK]をクリックします。 そして今、私は持っています |
| 私の両方のモデルが |
| グラフプロファイラー。 |
| そして、私がオンにする前に |
| 外挿制御、あなた |
| 私がいっぱいになっていることがわかります |
| プロファイルトレース。 電源を入れたら |
| 外挿制御 |
| あなたはその痕跡を見ることができます |
| 少し縮んで、私も行きます |
| 詳細をオンにするには、 |
| 確かに私が |
| 正則化されたT定規を使用する |
| ここでこの方法で。 |
| だから私が本当にやりたいのは私です |
| 最適なものを見つけたい |
| 最小化する条件 |
| 収縮と私は最小にします |
| 外挿による失敗 |
| コントロールと私は確認したい |
| 私は外挿していません。 したい |
| 有用な解決策を見つけてください。 そして |
| 最適化を行う前に、 |
| 私は実際に自分を設定する必要があります |
| 望ましさ。だから私は行きます |
| 望ましさを設定します。 もう |
| 収縮は修正しますが、私は |
| サービス用に設定する必要があります |
| 調子。最大化しようと思います |
| 合格し、失敗を最小限に抑えます。 |
| K。 |
| そして今、私はできるはずです |
| による最適化 |
| の外挿制御。 |
| 最大化して覚えておいてください。 |
| そして今、私は私の最適を持っています |
| 外挿による解 |
| 制御します。 では、見てみましょう |
| もう一度 |
| の散布図行列 |
| 元のデータと一緒に |
| 外挿による解 |
| ソリューションでの制御、 |
| 外挿制御付き |
| オフ。 |
| つまり、これは散布図行列です |
| 粉末冶金データの |
| JMPで作成しました。 そしてそれ |
| 最適なソリューションもあります |
| 外挿制御を使用して |
| 赤い点、そして最適 |
| 外挿のない解 |
| 青い点として制御します。 そして一度 |
| もう一度あなたは私たちが |
| 外挿を制定しないでください |
| 制御、最適なソリューション |
| かなり外側にあります |
| の相関構造 |
| データ。特に見ることができます |
| ここで比率対 |
| 圧縮圧力。 |
| だから今、私は引き渡したい |
| ジェレミーへのプレゼンテーション |
| もっとたくさん入る |
| 私たちの方法についての詳細。 |
| こんにちは、ここにいくつかあります |
| 外挿制御の目標 |
| 私たちがレイアウトしたこと |
| プロジェクトの始まり。 私達 |
| 外挿メトリックが必要 |
| すばやく計算できます |
| 多数の |
| 観測値と変数、および |
| 評価するための迅速な方法が必要でした |
| メトリックが示しているかどうか |
| 外挿かどうか。 これは。。。でした |
| の双方向性を維持する |
| プロファイラートレースと |
| これが必要だった |
| 最適化を実行します。 |
| できるようになりたかった |
| さまざまな変数をサポートする |
| で利用可能なタイプ |
| プロファイラー。これらは |
| 本質的に連続的、 |
| カテゴリおよび順序。 |
| 活用したかった |
| 細胞が欠落している観察、 |
| いくつかのモデリング方法のため |
| これらの観察結果が含まれます |
| ???で。 |
| 私たちは次のような方法が欲しかった |
| の線形依存関係に対してロバスト |
| データ。 これらは、 |
| 変数の数が多い |
| 観測数よりも、 |
| 例えば。 そして私たちは欲しかった |
| 簡単だった何か |
| を必要とせずに自動化 |
| 多くのユーザー入力。 |
| 最小二乗モデルの場合、 |
| レバレッジに着陸しました |
| 外れ値を識別するためによく使用されます |
| 線形モデルで。 レバレッジ |
| 新しい予測ポイントは |
| これに従って計算 |
| 式。沢山あります |
| レバレッジの解釈。 |
| 一つの解釈はそれが |
| の多変量距離 |
| 中心からの予測点 |
| トレーニングデータの。 別の |
| 解釈はそれが |
| スケーリングされた予測分散。 そう |
| 予測点が移動するにつれて |
| 中心からさらに離れて |
| データの不確実性 |
| 予測の増加。 そして、私たちは |
| で2つの一般的なしきい値を使用する |
| の統計文献 |
| この距離かどうかを判断する |
| 大きすぎます。 最初は |
| 最大レバレッジ、予測 |
| このしきい値を超えるポイント |
| またはの凸包の外側 |
| トレーニングデータ。 |
| そして2番目は3倍です |
| レバレッジの平均。 それ |
| これが |
| 3倍に相当 |
| 分割されたモデル項の数 |
| 観測数による。 |
| そしてローラが説明したように |
| 以前に、変更することができます |
| これらの乗数 |
| しきい値。 |
| 最後に、望ましさ |
| 最適化されている、 |
| 外挿制約は |
| 非線形制約、および |
| 以前はプロファイラーが許可していました |
| 制約付き最適化 |
| 線形制約。 このタイプの |
| 最適化はもっと |
| やりがいがあるので、ローラは実装しました |
| 遺伝的アルゴリズム。 そしてもしあなたが |
| これらに精通していない、 |
| 遺伝的アルゴリズムは |
| 分子の原理 |
| 最適化するための進化 |
| 複雑なコスト関数。 |
| 次に、 |
| 一般化するために使用したアプローチ |
| モデルへの外挿制御 |
| 線形モデル以外。 いつ |
| あなたは予測を構築しています |
| JMPのモデルでは、 |
| 予測変数のセットと |
| 応答変数のセット。 いくつか |
| 教師ありモデルがトレーニングされ、 |
| 次に、プロファイラーを使用して |
| モデルの表面を視覚化します。 |
| には多くのバリエーションがあります |
| JMPのプロファイラー。 あなたはできる |
| プロファイラーを内部で使用する |
| モデリングプラットフォーム。 あなたはできる |
| 出力予測式と |
| 複数のプロファイラーを構築する |
| モデル。ローラが示したように、 |
| のプロファイラーを作成できます |
| アンサンブルモデル。 欲しかった |
| 外挿制御法 |
| それはこれらすべてを一般化するでしょう |
| シナリオなので、代わりに |
| 私たちの方法を |
| 特定のモデル、私たちは行きます |
| 教師なしを使用するには |
| アプローチ。 |
| そして、フラグを立てるだけです |
| 予測点として |
| 遠い場合の外挿 |
| データがある場所の外 |
| 予測子に集中 |
| スペース。そしてこれは私達がすることを可能にします |
| 全体で一貫している |
| プロファイラーが |
| 外挿制御法 |
| プロファイラーに接続します。 |
| 多変量距離 |
| レバレッジの解釈 |
| ホテリングのTの2乗を提案 |
| 一般的な距離 |
| 外挿制御。 実際には、 |
| いくつかの代数的操作は |
| ホテリングのT二乗が |
| シフトされたレバレッジと |
| スケーリング。この図は、 |
| ホテリングのT二乗メジャー |
| 観察を楕円にする |
| にある、楕円がどこにあるか |
| の平均を中心に |
| データ、および形状が定義されています |
| 共分散行列による。 |
| 私たちはもういないので |
| 線形モデル、このメトリック |
| 同じではありません |
| 予測への接続 |
| 分散。 だから代わりに |
| 使用されるしきい値に依存する |
| 線形モデルに戻ると、 |
| いくつか作るつもりです |
| 分布的仮定 |
| Tが2乗されているかどうかを判断する |
| 予測ポイントは |
| 外挿と見なされます。 |
| ここに私はのための式を示しています |
| ホテリングのT二乗。 平均と |
| 共分散行列が推定されます |
| のトレーニングデータを使用する |
| モデル。 PがN未満の場合、 |
| ここで、Pは |
| 予測子、Nは数です |
| 観察のそしてもし |
| 多変量の予測子 |
| 通常、Tの2乗 |
| 中毒点にはFがあります |
| 分布。しかし、私たちは欲しかった |
| 一般化する方法 |
| 複雑なデータを含むデータセット |
| 連続の混合のようなタイプ |
| およびカテゴリデータセットここで、P |
| Nより大きい、データセット |
| 欠測値。 だから代わりに |
| ディストリビューションの作成 |
| いずれの場合も分析的に、 |
| 単純な保守的なものを使用しました |
| 私たちが見つけた管理限界 |
| 実際にはうまく機能します。 これは |
| 3シグマの管理限界 |
| 経験分布を使用する |
| トレーニングからのTの2乗 |
| データと、ローラが述べたように、あなたは |
| この乗数を調整することもできます。 |
| 厄介なのは、P |
| Nより大きい、ホテリングのT |
| 二乗は未定義です。 がある |
| のパラメータが多すぎます |
| 推定する共分散行列 |
| 利用可能なデータで、そして |
| これは通常の使用でよく発生します |
| 外挿制御の場合 |
| 部分最小二乗のように。 |
| そこで小説を決めました |
| ホテリングのTを計算するためのアプローチ |
| これらを扱う二乗 |
| ケース、そして私たちはそれを |
| 正則化されたTの2乗。 |
| 共分散を計算するには |
| 正則化された行列を使用します |
| もともと推定量 |
| Schaferによって開発され、 |
| 高いためのストリマー |
| 次元ゲノミクスデータ。 |
| それはただ加重されています |
| フルの組み合わせ |
| サンプル共分散行列、 |
| ここのUと |
| 制約ターゲットマトリックス |
| これはDです。 |
| ラムダウェイトの場合 |
| パラメータ、シェーファーとストリマー |
| 分析を導き出した |
| を最小化する式 |
| MSE、推定量 |
| 漸近的に。 |
| シェーファーとストリマーが提案 |
| いくつかの可能なターゲット |
| 行列。ターゲットマトリックス |
| 選択されたのは対角行列でした |
| の標本分散 |
| の予測変数 |
| 対角線。このターゲットマトリックスには |
| のための多くの利点 |
| 外挿制御。 まず、 |
| 相関関係を仮定しないでください |
| 変数間の構造 |
| データを見る前に、 |
| 一般的な事前情報としてうまく機能します。 |
| また、データが少ない場合 |
| 共分散を推定する |
| Nが小さいため、または |
| 大部分が欠落している、 |
| 楕円拘束は |
| に大きな重みで拡張 |
| 対角行列、そしてこれ |
| より保守的な結果になります |
| 外挿制御をテストします。 |
| これが必要であることがわかりました |
| の合理的な制御を取得します |
| 偽陽性率。 これを置くために |
| もっと簡単に言えば、 |
| 限られたトレーニングデータ、 |
| 正則化されたTの2乗は少ない |
| 予測にラベルを付ける可能性が高い |
| 外挿、それはあなたが何であるかです |
| あなたがもっといるので欲しい |
| 共分散を観察する可能性が高い |
| 偶然に。 いくつかあります |
| シミュレーション結果 |
| これらの詳細を示して、 |
| でも行く時間がない |
| そのすべてに。 代わりに |
| コミュニティのウェブページに、 |
| アーカイブに関する論文へのリンクと |
| これをに提出する予定です |
| Journal of Computational |
| グラフィカル統計。 |
| この次のスライドは他のいくつかを示しています |
| 必要な重要な詳細 |
| 検討してください。私たちは理解する必要がありました |
| カテゴリカルに対処する方法を |
| 変数。 私たちはただ |
| それらをインジケーターに変換する- |
| コード化されたダミー変数。 これは |
| 倍数に匹敵する |
| コレスポンデンス分析。 別の |
| 合併症は計算方法です |
| ホテリングのTは、 |
| 欠測データがあります。 いくつか |
| JMP予測モデリング |
| プラットフォームは、 |
| 彼らを訓練するための欠測データ |
| モデル。これらにはナイーブが含まれます |
| ベイズとブートストラップの森。 そして |
| これらの式は |
| ペアワイズ削除方法 |
| 共分散の推定に使用 |
| マトリックス。使用するのがより一般的です |
| 行ごとの削除。 これの意味は |
| 欠落しているすべての観測 |
| 値は前に削除されます |
| 共分散行列の計算。 |
| そしてこれは最も簡単ですが、 |
| 有用なものを捨てることになります |
| のサンプルサイズの場合のデータ |
| トレーニングデータは小さいです。 と |
| ペアワイズ削除の観察 |
| ある場合にのみ削除されます |
| のペアに欠測値 |
| 計算に使用される変数 |
| 対応するエントリとそれは |
| これらの式が示しているもの。 |
| 簡単なことのようです。 |
| すべてのデータを使用しているだけです |
| それは利用可能ですが、 |
| 実際にのホストにつながる可能性があります |
| あるので問題 |
| に使用されるさまざまな観察 |
| 各エントリを計算します。 これはできます |
| 奇妙なことが起こる原因となる、 |
| 共分散行列のように |
| 負の固有値、つまり |
| 私たちが対処しなければならなかった何か。 |
| ここにいくつかの利点があります |
| 正則化されたTの2乗 |
| 他と比較したときに見つかりました |
| 私たちの評価における方法。 1 |
| 正則化ということです |
| 正則化のように機能します |
| 通常は動作します。 それは打つ |
| 過剰適合とのバランス |
| トレーニングデータと過度のバイアス |
| 推定量。 これにより、 |
| ノイズに対してよりロバストな推定量 |
| およびモデルの仕様ミス。 |
| 次に、シェーファーとストリマー |
| 彼らの論文で |
| 正則化の結果、 |
| より正確な推定量 |
| 高次元の設定。 |
| これは筆記体に役立ちます |
| 苦しむ次元 |
| ほとんどの距離ベースの方法 |
| 外挿制御用。 |
| 次に、 |
| のための方法論を開発しました |
| 外挿制御、 |
| 多くの場合、両方が高い |
| 次元データと高度に |
| 相関予測子。 ために |
| ケモインフォマティクスの例と |
| ケモメトリックス、化学 |
| 機能はしばしば非常に |
| 相関。外挿制御 |
| 多くの場合、組み合わせて使用されます |
| PCAおよびPLSモデルを使用します。 |
| T二乗DModXは |
| 相関の違反を検出する |
| 構造。これはに似ています |
| モデル駆動型で行うこと |
| 多変量管理図。 |
| これは一般的な使用例であるため、 |
| 私たちはそのオプションが欲しかった |
| からあまり離れていませんでした |
| これらの方法。 私たちの正規化されたT |
| 二乗は同じタイプを提供します |
| 外挿制御の、しかしそれは |
| 投影ステップは必要ありません |
| これにはいくつかの利点があります。 |
| これにより、次のことが可能になることがわかりました |
| より一般化された他のタイプ |
| 予測モデルの。 また、 |
| 私たちの評価では、 |
| 線形射影がしない場合 |
| 次のように、データに対して適切に機能します |
| あなたは非線形の関係を持っています |
| 予測子間、エラー |
| 管理限界を膨らませることができます |
| 投影ベースの方法の |
| 貧しい人々につながる |
| に対する保護 |
| 外挿、および私たちのアプローチ |
| これよりも堅牢です。 |
| そしてもう一つの重要なポイント |
| 私たちが見つけたということです |
| 単一の外挿メトリック |
| 使い方はずっと簡単で |
| 解釈します。 |
| そしてここに簡単な要約があります |
| 外挿の特徴 |
| コントロール。この方法はより良い |
| 実行可能な視覚化 |
| 高次元の領域 |
| プロファイラーのモデル。 |
| 新しい遺伝的アルゴリズムには |
| 柔軟に実装されました |
| 制約付き最適化。 |
| 正則化されたTの2乗 |
| 厄介な観測を処理します |
| データ、Pのような場合 |
| Nよりも連続的で |
| カテゴリ変数。 |
| この方法はほとんどの場合利用可能です |
| JMPの予測モデルの |
| 16 Proで、多くの |
| 彼らの特異性。 も |
| のプロファイラーで利用可能 |
| グラフ、それは本当にそのを開きます |
| 操作できるのでユーティリティ |
| 任意の予測式で。 |
| そして、将来の方向性として、 |
| 実装を検討中 |
| K最近傍法に基づく |
| を超える制約 |
| 現在の相関関係 |
| 構造の制約。 しばしば |
| 予測子はによって生成されます |
| 結果として複数の分布 |
| 予測子でのクラスタリング |
| スペース。そしてK最近傍法 |
| ベースのアプローチは可能になります |
| 外挿を制御するために私たち |
| クラスター間。 |
| だからみんなに感謝します |
| これを見て、 |
| あなたが持っているならここに私たちのメールがあります |
| それ以上の質問。 |
起こるデータの視覚化予測モデリング
