JMP® Pro 16 (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
Laura Lancaster、SAS、JMP 主任研究統計開発者
Jeremy Ash 氏、SAS、JMP Analytics ソフトウェア テスター
Chris Gotwalt 氏、SAS 統計研究開発担当 JMP ディレクター
制御されていないモデル外挿は、(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る、(2) 変数値の組み合わせが物理的に実現不可能である可能性がある、という 2 つの重大な種類のエラーを引き起こします。 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、何の警告もなく、実際には役に立たない外挿された解が得られる可能性があります。 JMP Pro 16 では、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が導入されています。 予測プロファイラーのこの新機能は、外挿の可能性をユーザーに警告するか、モデルが有効では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、それが JMP でどのように簡単に使用できるかを示し、私たちの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 | 成績証明書 |
| こんにちは、クリス・ゴットワルトです。 私の同僚 |
| プレゼンターのローラ・ランカスターと |
| ジェレミー・アッシュと私がプレゼンします |
| 便利な新しい JMP Pro |
| 外挿と呼ばれる機能 |
| コントロール。 ほぼすべてのモデル |
| 予測したくなるでしょう |
| の範囲があります |
| 適用可能性、領域 |
| 入力スペース。 |
| 予測は次のように考えられます |
| 十分に信頼できます。 その外では |
| 領域の推定を開始します |
| モデルから遠く離れた点まで |
| モデルに適合させるため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、 |
| まったく信頼できない |
| 予測。二つあります |
| ～の一次情報源 |
| 外挿 | 統計的 |
| 外挿およびドメインベース |
| 外挿。どちらのタイプも |
| 新機能でカバーされています。 |
| 統計的外挿が発生する |
| しようとしているとき |
| x でモデルを使用して予測する |
| それは値に近くない |
| そのモデルをトレーニングするために使用されます。 |
| ドメインベースの外挿 |
| 評価しようとすると起こります |
| × ではそれは不可能です |
| 科学または工学へ |
| ベースの制約。 例 |
| ここでは両方の種類を説明します |
| 一例では外挿。 |
| ここでは、 |
| 冶金生産のモデル |
| プロセス。予測には次のように書かれています |
| アウトは -2.96 と表示され、なし |
| 私たちが評価していることを示す |
| 温度の組み合わせで |
| そしてあり得ないプレッシャー |
| 達成するドメインの意味で |
| この機械。 私たちも持っています |
| 統計的外挿 |
| 近似に使用されるデータからは程遠い |
| 散布図で見られるモデル |
| 上のトレーニング データのプロット |
| 右。 JMP Pro 16 では、ジェレミー、 |
| ローラと私は協力してきました |
| 新しい機能を追加することで、 |
| プロファイラーが警告を発する |
| あなたはそうかもしれないと思う |
| 外挿すること。または、向きを変えたら |
| 外挿制御オン、それ |
| ポイントのセットが制限されます |
| それはその人たちだけにしか見えない |
| それはそうは思わない |
| 外挿すること。 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いて |
| 最小二乗モデルを使用します。 |
| この最初のタイプは、 |
| のProバージョンで利用可能 |
| モデルの最小二乗法を当てはめます。 の |
| 一般と呼ばれる他のタイプ |
| 機械学習の外挿 |
| コントロールであり、 |
| 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 |
| JMP Pro のプラットフォーム。 その上 |
| リクエストがあれば、それに追加することもできます |
| もっと。最小二乗 |
| 外挿制御では、 |
| レバレッジの概念、つまり |
| の拡大版のような |
| 予測の差異。 モデルですよ～ |
| に基づいており、情報を使用します |
| 主な効果について |
| 高次の相互作用 |
| を決定するための条件 |
| 外挿。一般向け |
| 機械学習の外挿 |
| コントロールケース、私たちは立ち上がる必要がありました |
| 私たち独自のアプローチで。 私たちは |
| となるような方法を望んでいた |
| 欠損値に対して堅牢、線形 |
| 依存関係、高速なコンピューティング、 |
| ～の混合物を扱うことができる |
| 連続的かつカテゴリ的な入力 |
| 変数、そして私たちも |
| 明確に別れたかった |
| からの外挿モデル |
| データを当てはめるために使用されるモデル。 それで |
| 一般的なものがあるとき |
| 外挿制御がオンになっている、 |
| 監視されているのは1人だけです |
| それは...に適合するモデルです |
| 応答に変数を入力する |
| プロファイラーで確認できること |
| 跡。プロファイラーが来る |
| 素早くダーティにアップ |
| 説明する教師なしモデル |
| トレーニングセットの軸とこれ |
| 教師なしモデルが使用される |
| 舞台裏で |
| 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のです |
| PowerPoint と私の |
| カメラがうまくいきません |
| なぜか今。 私たちは |
| 外挿が危険であることを知っている |
| 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 |
| 外挿すると貧困につながる |
| 予測と最終的には |
| 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 |
| そして定量的に |
| JMP Pro によるより良い意思決定 |
| ユーザー。ユーザーが外挿を見たとき |
| 発生した場合、ユーザーは次のことを行う必要があります。 |
| かどうかに関する決定 |
| 予測を使用するかどうか |
| ドメインに基づいて使用される |
| ～に関する知識と精通し |
| 当面の問題。 もし、あんたが |
| 外挿が見え始める |
| コントロール警告が頻繁に発生する |
| 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する時が来ました |
| なぜなら、 |
| 入力がから離れていきました |
| トレーニングデータのことです。 私たちは |
| 正直かなり驚いていますし、 |
| の必要性を懸念した |
| 外挿を特定することはそうではありません |
| データによってさらに評価される |
| 科学コミュニティと作成した |
| 外挿を次のように制御する |
| できるだけ簡単かつ自動で。 |
| JMP で開発したローラ |
| プロがデモンストレーションを行います |
| 次のオプションです。 それからジェレミーは、 |
| 私たちのことについてたくさんの研究をしました |
| 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あることをするためにここに来ました |
| 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 |
| 最小の適合モデルを使用する |
| 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します |
| おなじみ;それは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 |
| 酸素摂取量を次のように使用します |
| 私の応答と実行時間、実行 |
| 私のパルスとマックスパルス |
| 予測者。そして私がしたかったのは |
| 繰り返しますが、適合モデルでは、 |
| 最小二乗法を当てはめる |
| 外挿メトリクス |
| 使われるのはレバレッジです。 じゃ、行こう |
| 先に進み、JMP を開始します。 |
| これでフィットネスデータが得られました |
| JMPで開くとスクリプトがあります |
| データテーブルに保存される |
| 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 |
| スクリプトを実行すると、最小限の起動が行われます |
| 正方形のプラットフォーム。 そして私は |
| プロファイラが自動的に開きます。 そして |
| プロファイラーが |
| いつも入っているようです |
| 過去、因子の境界線 |
| それぞれの範囲によって定義されます |
| 個別に因数分解して、 |
| 長方形の境界制約。 |
| そして係数を変えると |
| 設定、これらのバインドのため |
| 制約、それは本当にあり得ます |
| 動いているかどうかわかりにくい |
| 相関関係から大きく外れている |
| データの構造。 |
| これが私たちが追加したかった理由です |
| 外挿コントロール。 それで |
| これはいくつかに追加されています |
| JMP Pro のプラットフォームの |
| 最小二乗法を含む 16 個。 |
| そして外挿に至るには |
| コントロールを使用すると、下のメニューに移動します |
| プロファイラーメニュー。 それで見てみると |
| 新しいオプションがあることがわかりました |
| 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、私はそれをどちらにも変えることができます |
| オンまたは警告オンでオンになります |
| 外挿制御。 もし私が |
| オンにしてください。 |
| それは私のプロフィールを制限します |
| 値のみをトレースする |
| 私が推定していないところ。 |
| それを警告に変えるとしたら |
| オンにすると、完全なプロフィールが表示されます |
| 痕跡はありますが、 |
| ある地域に行くときの警告 |
| どこで検討されるだろう |
| 外挿となる。 |
| 外挿をオンにすることもできます |
| 詳細、私は本当に見つけました |
| 役に立ちます。 |
| もっと多くの情報を。 の最初の |
| すべて、それは私に、私の |
| 私が使用している指標 |
| 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、その閾値は |
| 最初にデフォルトで使用されるのは |
| 最大のレバレッジになるので、 |
| でもこれは私にできることです |
| 変わって、それを見せてあげる |
| すぐに。 また、私は見ることができます |
| 私の外挿指標は何ですか |
| 私の現在の設定です。 |
| ここにあるこの番号です |
| 私が変わるとそれも変わる |
| 私の因子設定。 |
| この数値が大きい場合はいつでも |
| 閾値よりも、私はそうするつもりです |
| 私がそうなる可能性があるという警告を受け取ります |
| 外挿すること。それ以下になると、 |
| もうそれは手に入らない |
| 警告。このしきい値はそうではありません |
| 私が変わらなければ変わるだろう |
| メニュー内で調整するもの |
| 私の閾値。 それでは先に進みましょう |
| そしてそれを今すぐ実行してください。 だから私は行きます |
| メニューに行く |
| そしてセットに行くつもりです |
| 閾値基準。 それで |
| フィット最小二乗法では 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 |
| レバレッジは維持されます |
| あなたは凸包の中にいる |
| データに切り替えることもできます。 |
| 乗数と平均値の積 |
| 用語を活用またはモデル化する |
| 観察。そして、私はそうしたいです |
| 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。 したがって、これは次のようになります |
| 平均レバレッジの3倍になる |
| そして「OK」をクリックすると、 |
| 私の閾値は変わるだろう。 |
| 実際は小さくなったので、これは |
| 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 |
| プロファイルのトレースを制限するにはオンにします。 |
| そして今私が行けるのは |
| 私が3以内にいる地域 |
| 平均レバレッジの 2 倍です。 |
| 今では、 |
| 実装された最適化 |
| に従うもの |
| 外挿 |
| 制約。それで今、私が |
| 満足度の設定をオンにする |
| そして私は最適化を行います、 |
| 最適な値を取得します |
| 外挿を満たす |
| 制約。これに注意してください |
| メトリックは以下です |
| しきい値。 だから今私が行くときは |
| 次のスライドへ |
| グラフ、散布図で比較するには |
| マトリックス、その違い |
| 最適値との間 |
| 外挿制御がオンになりました |
| そしてそれをオフにした状態。 |
| これが散布図です |
| JMPで作成した行列、 |
| 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 |
| 予測変数の値として |
| を使用して最適な解決策を求める |
| 外挿制御なし、 |
| 青、および次を使用した最適解 |
| 赤の外挿コントロール。 |
| そして、どのように制約されていないのかに注目してください。 |
| 解決策はここでは青色、 |
| ここで、違反します |
| の相関構造 |
| ランパルスのオリジナルデータと |
| 最大パルスにより、 |
| この予測の不確実性。 |
| 一方、最適解は |
| それは外挿を使用しました |
| コントロールははるかに一致しています |
| 元のデータと一緒に。 |
| 例を見てみましょう |
| より一般化されたものを使用して |
| 外挿制御法、 |
| これを私たちは |
| 正則化T二乗法。 として |
| クリスが先ほども言いましたが、私たちは |
| モデル用にこのメソッドを開発しました |
| 最小二乗モデル以外。 |
| それでは、見ていきます |
| 糖尿病の神経モデル |
| サンプルにもあるデータ |
| データ。レスポンスは尺度です |
| 病気の進行と、 |
| 予測変数はベースラインです |
| 変数。 もう一度、 |
| 使用される外挿メトリック |
| この例は |
| 正則化された T 平方 |
| ジェレミーが説明します |
| 詳細については数分以内に説明します。 |
| そこで糖尿病データを開いてあります |
| JMP と私はスクリプトを保存しています |
| 私の神経モデルは適合します。 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、そして私がいることに気づきます |
| 検証方法を使用、ランダム |
| 我慢してください。 ただ注意したかっただけです |
| を使用するときはいつでも |
| 検証方法、 |
| 外挿制御に基づく |
| トレーニングデータのみ |
| あなたの検証ではありません |
| またはテストデータ。 |
| そこでプロファイラーを開いて、 |
| を使用していることがわかります。 |
| 完全な痕跡。 外挿 |
| コントロールがオンになっていません。 しましょう |
| さあ、オンにしてください。 |
| そして私も行くつもりです |
| 詳細をオンにします。 |
| 跡が残っているのがわかります |
| 制限されているとメトリクス |
| は正則化された T 平方です。 の |
| しきい値は 3 倍です |
| サンプルの標準偏差 |
| 正規化された T 2 乗。 ジェレミーは |
| 何についてもっと話すつもりですか |
| つまり、まさに数回のうちに |
| 分。そして私はちょうどしたかったのです |
| を使用するときにそれについて言及します |
| 正則化された T 2 乗 |
| 方法、選択肢は一つしかありません |
| しきい値については可能ですが、 |
| 乗数を調整します。 それで、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 |
| 乗数ですが、私はそうするつもりです |
| 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 |
| 最大化するだけです |
| 覚えて。今、私は |
| 最適なソリューション |
| 外挿制御がオンになりました |
| の上。それで今見てみたいのです |
| 散布図行列では、ちょうど |
| 前に見たように、 |
| 元のデータだけでなく、 |
| 最適値で |
| そして外挿なしで |
| コントロール。 |
| これは散布図行列です |
| 私が得た糖尿病データの |
| JMPで作成しました。 それは |
| 元の予測子の値として |
| 最適解も |
| 外挿制御を使用して |
| 赤、なしの最適解 |
| 青色の外挿コントロール。 |
| そして、赤いことがわかります |
| ドットはもっと多く見える |
| 相関構造内で |
| 元のデータよりも |
| 青、それは特に |
| この LDL を見ると true |
| 対総コレステロール。 |
| それでは例を見てみましょう |
| その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。 また、 |
| 正則化T二乗法 |
| そしてそれは私たちが使うことを可能にします |
| 任意の外挿制御 |
| 可能なモデルの種類 |
| JSL として作成および保存 |
| 式。また、これにより次のことも可能になります。 |
| 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 |
| 粉体を使用する企業向け |
| 冶金技術 |
| ～のスチールドライブシャフトを生産します |
| 自動車産業。 |
| 彼らは見つけられるようにしたいのです |
| 最適な設定 |
| 最小限に抑える生産 |
| 収縮も最小限に抑えられます... |
| 不良による失敗を最小限に抑える |
| サービス条件。 それで、私たちは持っています |
| 二 | 応答の縮小（つまり、 |
| 継続的に、そして私たちはそうするつもりです |
| 最小二乗モデルを当てはめる |
| それ）と表面状態（ |
| 合格/不合格です。 |
| ～の名目上のロジスティックモデルを当てはめる |
| それです）。 そして私たちの予測器 |
| 変数は単なるキーです |
| 生産におけるプロセス変数。 |
| そしてもう一度外挿します |
| メトリックは正規化された T 2 乗です。 |
| それで粉末を持っています |
| JMP で開かれる冶金データ |
| そして私はすでに最低限の条件は満たしています |
| 私の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 |
| 表面状態の合否 |
| 返信があり、保存しました |
| データに対する予測式 |
| 準備ができているようにテーブルに |
| グラフプロファイラーで使用されます。 |
| それでグラフメニューに行くと |
| プロファイラー、ロードできます |
| 収縮予測式 |
| 私の予測式は |
| 表面の状態。 |
| 「OK」をクリックします。 そして今、私は持っています |
| 私のモデルは両方とも発売されました |
| グラフプロファイラー。 |
| そして電源を入れる前に |
| 外挿制御、あなた |
| 私が完全に持っていることがわかります |
| プロフィールの痕跡。 電源を入れたら |
| 外挿制御 |
| 跡が残っているのがわかります |
| 少し縮んで、私も行きます |
| 詳細をオンにするには、 |
| 本当に私であることを示すためだけに |
| 正則化された T スクエアを使用する |
| ここではこの方法で。 |
| だから私が本当にやりたいのは、 |
| 最適なものを見つけたい |
| 最小化する条件 |
| 収縮を最小限に抑えます |
| 外挿による失敗 |
| コントロールして確かめたい |
| 推測しているわけではありません。 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、 |
| 実際に設定する必要があります |
| 望ましさ。だから私はそうするつもりです |
| 望ましさを設定します。 それはもう |
| 収縮に関しては正しいですが、 |
| サービス用に設定する必要があります |
| 状態。最大化してみます |
| 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 |
| 外挿コントロールはオンです。 |
| 最大限に活用して覚えておいてください。 |
| そして今、私は最適な状態を手に入れました |
| 外挿による解法 |
| コントロールオン。 それでは見てみましょう |
| もう一度、 |
| の散布図行列 |
| 元のデータと合わせて、 |
| 外挿による解法 |
| ソリューション内でコントロールをオンにし、 |
| 外挿制御を使用した場合 |
| オフ。 |
| これは散布図行列です |
| 粉末冶金データの |
| JMPで作成したものです。 そしてそれ |
| 最適解もあります |
| 外挿制御を使用して |
| 赤い点と最適な |
| 外挿なしの解法 |
| 青い点としてコントロールします。 そして一度 |
| もう一度見るとわかります |
| 外挿を行わないでください |
| 制御、最適解 |
| の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るのは、 |
| ここでは比率と |
| 圧縮圧力。 |
| だから今、私は引き渡したいと思っています |
| ジェレミーへのプレゼンテーション |
| さらに多くのことに入る |
| 私たちの方法について詳しく説明します。 |
| こんにちは、ここにいくつかあります |
| 外挿制御の目標 |
| 私たちがそこでレイアウトしたのは |
| プロジェクトの始まり。 私たちは |
| 外挿メトリクスが必要でした |
| それはすぐに計算できる |
| 多数の |
| 観測値と変数、および |
| 迅速に評価する方法が必要でした |
| メトリクスが示すかどうか |
| 外挿かどうか。 これは。。。でした |
| インタラクティブ性を維持するために |
| プロファイラーはトレースし、 |
| これが必要だった |
| 最適化を実行します。 |
| 私たちはできるようになりたかったのです |
| 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 |
| 本質的に継続的な、 |
| カテゴリカルと序数。 |
| 活用したかったのは |
| 細胞が欠落している観察、 |
| いくつかのモデリング手法があるため、 |
| これらの観察結果が含まれます |
| で ？？？。 |
| 私たちが望んでいた方法は、 |
| 線形依存関係に対して堅牢 |
| データ。 これらは次の場合に発生します。 |
| 変数の数が多くなる |
| 観測値の数よりも、 |
| 例えば。 そして私たちが望んでいたのは |
| 簡単にできたもの |
| を必要とせずに自動化する |
| 多くのユーザー入力。 |
| 最小二乗モデルの場合、 |
| レバレッジに着地しました。 |
| 外れ値を特定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 |
| これに従って計算される |
| 式。沢山あります |
| レバレッジのための解釈。 |
| 一つの解釈としては、 |
| の多変量距離 |
| 中心からの予測ポイント |
| トレーニングデータの。 別の |
| 解釈としては、 |
| スケーリングされた予測分散。 それで |
| 予測点が移動すると |
| 中心からさらに離れたところ |
| データの不確実性 |
| 予測の増加。 そして、私たちは |
| で 2 つの共通の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。 1つ目は |
| 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 |
| これがであることを示すことができます |
| の3倍に相当する |
| 分割されたモデル項の数 |
| 観測数によって決まります。 |
| そして、ローラが説明したように、 |
| 前に、変更できます |
| これらの乗数 |
| しきい値。 |
| 最後に、欲望が高まったとき、 |
| 最適化されているため、 |
| 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 |
| 最適化はさらに重要です |
| 挑戦的だったので、Laura が実装しました |
| 遺伝的アルゴリズム。 そしてもしあなたが |
| これらについては詳しくありませんが、 |
| 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、についてお話します。 |
| 私たちが一般化していたアプローチ |
| 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 でモデルを作成するには、 |
| 予測子変数のセットと |
| 応答変数のセット。 いくつかの |
| 教師ありモデルがトレーニングされ、 |
| プロファイラーを使用すると、 |
| モデルの表面を視覚化します。 |
| には数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 |
| 内部でプロファイラーを使用する |
| 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。ローラが実証したように、 |
| プロファイラーを構築できます |
| アンサンブルモデル。 私たちが欲しかったのは、 |
| 外挿制御方式 |
| 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 |
| 私たちのメソッドを |
| 特定のモデル、行きます |
| 監視されていないものを使用する |
| アプローチ。 |
| そして、フラグを立てるだけです |
| 予測ポイントとして |
| 遠い場合は外挿 |
| データのある場所の外で |
| 予測器に集中 |
| 空間。これにより、次のことが可能になります。 |
| 全体にわたって一貫性があること |
| プロファイラー |
| 外挿制御方式 |
| 任意のプロファイラーに接続できます。 |
| 多変量距離 |
| レバレッジの解釈 |
| ホテリングの T 2 乗は次のように提案されました。 |
| 一般的な距離 |
| 外挿制御。 実際には、 |
| 何らかの代数的操作により、 |
| ホテリングの T 2 乗が次であることを示します。 |
| レバレッジをシフトしただけで、 |
| スケーリングされた。この図はその方法を示しています |
| ホテリングの T 二乗測定 |
| 観測値を楕円化するもの |
| 楕円があるところに横たわります |
| の平均を中心に |
| データを入力し、形状を定義します |
| 共分散行列による。 |
| もういないので |
| 線形モデル、このメトリック |
| 同じものはありません |
| 予測へのつながり |
| 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 |
| 分布の仮定 |
| T が 2 乗しているかどうかを判断する |
| 予測ポイントとしては |
| 外挿とみなされます。 |
| ここで式を示します |
| ホテリングのT二乗。 平均と |
| 共分散行列が推定される |
| トレーニングデータを使用して、 |
| モデル。 P が N より小さい場合、 |
| ここで、P は次の数です。 |
| 予測子、N は数値です |
| 観察結果と |
| 多変量の予測子 |
| 通常、次に T 2 乗 |
| 中毒ポイントはFです |
| 分布。しかし、私たちが望んでいたのは、 |
| 一般化する方法 |
| 複雑なデータを含むデータセット |
| 連続的な混合のようなタイプ |
| およびカテゴリカル データ セット ここで P |
| が N より大きい場合、データセットは |
| 欠損値。 だから代わりに |
| 分布を計算する |
| それぞれの場合において分析的に、 |
| 単純な保守派を使用した |
| 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 シグマ管理限界 |
| 経験的分布を使用する |
| トレーニングからの T の 2 乗 |
| データ、そしてローラが言ったように、あなた |
| この乗数を調整することもできます。 |
| 複雑な問題の 1 つは、P が |
| は N、ホテリングの T より大きい |
| 二乗は未定義です。 がある |
| パラメータが多すぎます |
| 推定する共分散行列 |
| 利用可能なデータを使用して、 |
| これは通常の使用でよく発生します |
| 外挿制御の場合 |
| 部分最小二乗法のように。 |
| そこで小説を作ることにしました |
| Hotelling の T を計算するアプローチ |
| 二乗、これを扱います |
| ケース、私たちはそれを と呼んでいます |
| 正規化された T 2 乗。 |
| 共分散を計算するには |
| 正規化された行列を使用します |
| もともと推定者 |
| シェーファーによって開発され、 |
| ハイ用ストリマー |
| 次元ゲノミクスデータ。 |
| それはただの重み付けです |
| フルの組み合わせ |
| サンプル共分散行列、 |
| ここの U と a |
| 制約ターゲット行列 |
| それはDです。 |
| ラムダの重みについて |
| パラメータ、シェーファーとストマー |
| 分析を導き出した |
| を最小化する表現 |
| MSE、推定器 |
| 漸近的に。 |
| シェーファーとストリマーが提案した |
| 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は、 |
| 選択したのは次の対角行列です |
| の標本分散 |
| の予測子変数 |
| 対角線。このターゲット マトリックスには、 |
| 多くの利点 |
| 外挿制御。 まず、私たちは |
| 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、 |
| 一般的な事前分布としてうまく機能します。 |
| また、データが少ない場合には、 |
| 共分散を推定するには |
| 行列、N が小さいため、または |
| 大部分が欠落している場合、 |
| 楕円拘束は |
| ～に大きな重みを加えて膨張した |
| 対角行列、そしてこれ |
| より保守的な結果になる |
| 外挿制御のテスト。 |
| これが必要であることがわかりました |
| の合理的なコントロールを取得する |
| 偽陽性率。 これを置くには |
| もっと簡単に言うと、 |
| 限られたトレーニング データ、 |
| 正則化T二乗は小さい |
| 予測に次のようなラベルが付けられる可能性があります |
| 外挿、それがあなたです |
| 欲しい、あなたはもっとだから |
| 共分散が観察される可能性が高い |
| 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、 |
| 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 Web ページに、 |
| アーカイブに関する論文へのリンクと |
| 私たちはこれをに提出する予定です |
| 計算ジャーナル |
| グラフィカルな統計。 |
| この次のスライドでは、他のものを示します |
| 必要な重要な詳細情報 |
| 考慮する。把握する必要がありました |
| カテゴリカルにどう対処するか |
| 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 |
| 対応分析。 別の |
| 複雑さは計算方法です |
| ホテリングの T 2 乗のとき |
| データがありません。 いくつかの |
| JMP 予測モデリング |
| プラットフォームは観測を使用します |
| トレーニングに必要なデータが不足している |
| モデル。これらにはナイーブなものも含まれます |
| ベイズとブートストラップの森。 そして |
| これらの式は次のことを示しています |
| ペアごとの削除方法 |
| 共分散を推定するために使用されます |
| マトリックス。使用する方が一般的です |
| 行ごとの削除。 これはつまり |
| 欠落のあるすべての観測値 |
| 値は前に削除されます |
| 共分散行列を計算します。 |
| これは最も単純ですが、次のことが可能です。 |
| 有用なものを捨てることになる |
| データのサンプルサイズが |
| トレーニングデータが少ない。 と |
| ペアワイズ欠失の観察 |
| がある場合にのみ削除されます |
| ～のペアの欠損値 |
| の計算に使用される変数 |
| 対応するエントリ、それが |
| これらの式が何を示しているか。 |
| やることは簡単なようです。 |
| 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、それは |
| 実際には、さまざまな問題が発生する可能性があります |
| 問題があるから |
| これまでとは異なる観察 |
| 各エントリを計算します。 これはできる |
| 奇妙な出来事を引き起こし、 |
| 共分散行列のような |
| 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。 |
| 以下にいくつかの利点を示します |
| 正則化された T 2 乗 |
| 他のものと比較したときに発見された |
| 私たちの評価における方法。 1つ |
| それは正規化ですか |
| 正則化の方法で動作します |
| 通常は動作します。 それは、 |
| 過学習間のバランス |
| トレーニングデータと過剰なバイアス |
| 推定者。 これにより、 |
| ノイズに対してより堅牢な推定器 |
| そしてモデルの仕様ミス。 |
| 次に、シェーファーとストリマー |
| 彼らの論文でそれを示した |
| 正則化の結果は、 |
| より正確な推定器 |
| 高次元の設定。 |
| これは筆記体に役立ちます |
| 苦しむ次元性 |
| ほとんどの距離ベースの方法 |
| 外挿制御用。 |
| 次に、あるフィールドで |
| ～のための方法論を開発した |
| 外挿制御、 |
| 多くの場合、両方とも高いです |
| 寸法データと高度な |
| 相関予測子。 のために |
| ケモインフォマティクスの例と |
| ケモメトリクス、化学 |
| 機能は多くの場合高度です |
| 相関がある。外挿制御 |
| 組み合わせて使われることが多い |
| PCA モデルと PLS モデルの場合、 |
| T 二乗 DModX は次の目的で使用されます。 |
| 相関関係の違反を検出する |
| 構造。これは次のようなものです |
| モデル駆動で行うこと |
| 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のです |
| からあまり逸脱しなかった |
| これらの方法。 正規化された T |
| 2 乗は同じタイプを提供します |
| 外挿制御ですが、 |
| 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。 |
| 他のタイプをより一般化したもの |
| 予測モデルの。 また、 |
| 私たちの評価では、次のことが観察されました |
| 線形投影がそうでない場合 |
| データに対してうまく機能します。 |
| 非線形の関係がある |
| 予測変数間の誤差 |
| 管理限界を大きくすることができる |
| 投影ベースの手法、 |
| それは貧困につながる |
| に対する保護 |
| 外挿と私たちのアプローチ |
| これよりも堅牢です。 |
| そして、もう一つ重要なポイントが |
| それは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したし、 |
| 解釈する。 |
| 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ものを提供します |
| 実現可能性の見える化 |
| 高次元の領域 |
| プロファイラー内のモデル。 |
| 新しい遺伝的アルゴリズムには、 |
| 柔軟に実装されています |
| 制約付きの最適化。 |
| 正規化された T 2 乗 |
| 乱雑な観察を処理します |
| データ、P のような場合が大きい |
| N よりも連続し、 |
| カテゴリカル変数。 |
| この方法はほとんどの環境で利用可能です |
| JMP の予測モデルの |
| 16 Pro と多くの機能をサポート |
| 彼らの特異性。 も |
| のプロファイラーで利用可能 |
| グラフは、実際にその問題を明らかにします |
| 操作できるのでユーティリティ |
| あらゆる予測式に基づいて。 |
| そして今後の方向性としては、 |
| 導入を検討しています |
| K 最近傍ベース |
| それを超えてしまう制約 |
| 現在の相関関係 |
| 構造上の制約。 頻繁 |
| 予測子は次によって生成されます。 |
| 複数の分布が生成される |
| 予測子のクラスタリングで |
| 空間。そして K 最近傍 |
| ベースのアプローチにより、 |
| 外挿を制御するのは私たちです |
| クラスター間。 |
| だから、してくれたみんなに感謝します |
| これを見るためにチャンネルを合わせて、 |
| お持ちの場合は、こちらからメールをお送りします |
| さらに質問がありましたら。 |
起こるデータの視覚化予測モデリング
