在JMP®Pro 16（2021-EU-45MP-751）中的Prediction Profiler中控制外推級別：中級
勞拉·蘭開斯特（Laura Lancaster），SAS JMP首席研究統計學家開發人員
SAS JMP分析軟件測試員Jeremy Ash
SAS統計研究與發展總監JMP Chris Gotwalt
不受控制的模型外推會導致兩種嚴重的錯誤：（1）遠離數據，模型可能完全無效；（2）變量值的組合可能無法物理實現。 使用Profiler優化適合觀測數據的模型可能會導致推斷出的解決方案，這些解決方案在沒有任何警告的情況下就無法實際使用。 JMP Pro 16將外推控制引入了許多預測建模平台和Profiler平臺本身。 Prediction Profiler中的這一新功能會提醒用戶可能的外推法，或者完全避免在模型可能無效的地方繪製外推點。 另外，用戶可以在避免外推的約束區域上執行優化。 在本演示中，我們討論外推控制的動機和有用性，演示如何在JMP中輕鬆使用外推控制，並描述我們方法的詳細信息。
自動產生的筆錄...
揚聲器 | 成績單 |
| 嗨，我是克里斯·高瓦特（Chris Gotwalt）。 我的公司 |
| 主持人勞拉·蘭開斯特（Laura Lancaster）和 |
| 傑里米·阿什（Jeremy Ash）和我正在演講 |
| 有用的新JMP Pro |
| 稱為外推的能力 |
| 控制。 幾乎所有的型號 |
| 你曾經想預測 |
| 的範圍是 |
| 適用範圍 |
| 輸入空間 |
| 預測被認為是 |
| 足夠可靠。 在那之外 |
| 地區，我們開始推斷 |
| 該模型指向遠離 |
| 用於擬合模型的數據。 使用 |
| 該模型的預測 |
| 在這些時候可能會導致 |
| 完全不可靠 |
| 預測。那裡有兩個 |
| 的主要來源 |
| 外推法 | 統計 |
| 外推和基於領域 |
| 外推。兩種類型都是 |
| 新功能覆蓋。 |
| 進行統計外推 |
| 當一個人試圖 |
| 使用x預測模型 |
| 與價值不符 |
| 用來訓練那個模型。 |
| 基於域的外推 |
| 嘗試評估時會發生 |
| 在x，這是不可能的 |
| 科學或工程學 |
| 基於約束。 這個例子 |
| 這裡說明了兩種 |
| 外推就是一個例子。 |
| 在這裡，我們從 |
| 冶金生產模型 |
| 過程。預測讀 |
| 出來說-2.96，沒有 |
| 表明我們正在評估 |
| 在一定溫度下 |
| 和壓力是不可能的 |
| 從領域的意義上實現 |
| 這台機器。 我們還有 |
| 統計外推 |
| 與用於擬合的數據相距甚遠 |
| 散點圖中顯示的模型 |
| 訓練數據在 |
| 正確的。在JMP Pro 16中，傑里米（Jeremy） |
| 我和勞拉合作 |
| 添加可以 |
| 探查器發出警告 |
| 認為你可能是 |
| 外推。或者如果你轉身 |
| 外推控制，它 |
| 將限制點集 |
| 你只會看到那些 |
| 它不認為是 |
| 外推。我們有兩種類型 |
| 外推控制。 一個是 |
| 基於槓桿的概念 |
| 並使用最小二乘模型。 |
| 這第一種只是 |
| 在Pro版本中可用 |
| 擬合模型最小二乘法。 這 |
| 我們稱為一般的其他類型 |
| 機器學習外推 |
| 控制項，並在 |
| Profiler平台和以下幾種 |
| 最常見的機器學習 |
| JMP Pro中的平台。 之上 |
| 請求，我們甚至可以將其添加到 |
| 更多的。最小二乘 |
| 外推控制使用 |
| 槓桿的概念是 |
| 像是 |
| 預測方差。 它是模型 |
| 基於，因此它使用信息 |
| 關於主要效果 |
| 高階互動 |
| 確定的條件 |
| 外推。對於一般 |
| 機器學習外推 |
| 控制箱，我們不得不上來 |
| 用我們自己的方法。 我們 |
| 想要一種方法 |
| 對缺失值具有魯棒性，線性 |
| 依賴項，更快的計算速度， |
| 可以處理 |
| 連續和分類輸入 |
| 變量，我們也 |
| 明確想分開 |
| 來自的外推模型 |
| 用於擬合數據的模型。 所以 |
| 當我們有一般 |
| 外推控制已打開， |
| 只有一個監督 |
| 符合...的模型 |
| 輸入響應變量 |
| 我們在探查器中看到的 |
| 痕跡。探查器來了 |
| 快速而骯髒的 |
| 無監督模型來描述 |
| 訓練集的軸 |
| 使用非監督模型 |
| 在幕後 |
| 探查器確定 |
| 外推控制 |
| 約束。所以我必須 |
| 切換是因為PowerPoint和我的 |
| 相機不相處 |
| 現在由於某種原因。 我們 |
| 知道有風險的推斷 |
| 每天被製造 |
| 從事數據科學工作的人 |
| 並有信心使用 |
| 外推導致貧困 |
| 預測並最終 |
| 不良的業務成果。 |
| 外推控制場所 |
| 模型預測的護欄 |
| 並將導致可量化的 |
| JMP Pro做出更好的決策 |
| 用戶。當用戶看到推斷時 |
| 發生時，用戶必須 |
| 關於是否 |
| 是否應該使用預測 |
| 根據其域使用 |
| 知識和熟悉 |
| 眼前的問題。 如果你 |
| 開始看到外推 |
| 控制警告發生得相當多 |
| 通常，這很可能會結束 |
| 該模型的生命週期 |
| 是時候將其調整為新數據了 |
| 因為分佈 |
| 輸入已經從 |
| 訓練數據。 我們 |
| 老實說很驚訝， |
| 擔心需要 |
| 識別外推不是 |
| 更好地被數據讚賞 |
| 科學界，並取得了 |
| 將外推控制為 |
| 盡可能簡單和自動。 |
| 勞拉（Laura），他在JMP中開發了它 |
| 親，將展示 |
| 下一個選項。 然後是傑里米， |
| 對我們做了很多研究 |
| 團隊，將進行數學研究 |
| 細節和統計 |
| 該方法的動機。 |
| 你好，我的名字是勞拉 |
| 蘭開斯特和我在這裡做一個 |
| 外推演示 |
| 添加到JMP的控件 |
| 專業版16。 我想開始 |
| 用一個非常簡單的例子 |
| 最少使用擬合模型 |
| 正方形平台。 我要 |
| 使用一些可能是 |
| 熟悉的;這是健身數據 |
| 這是在樣本數據中，我是 |
| 將使用氧氣吸收作為 |
| 我的回應和運行時間，運行 |
| 脈沖和最大脈衝作為我的 |
| 預測變量。我想 |
| 重申在適合模型中， |
| 擬合最小二乘 |
| 外推指標 |
| 使用的是槓桿。 所以走吧 |
| 前進並開始使用JMP。 |
| 所以現在我有了健身數據 |
| 在JMP中打開，我有一個腳本 |
| 保存到數據表中 |
| 自動啟動我的健身 |
| 最小二乘模型。 所以我 |
| 繼續進行 |
| 腳本，它啟動最少 |
| 正方形平台。 我有 |
| 探查器自動打開。 和 |
| 我們可以看到分析器 |
| 看起來它總是存在於 |
| 過去，因素在哪裡 |
| 由每個範圍定義 |
| 單獨考慮因素，給我們 |
| 矩形邊界約束。 |
| 當我改變因素時 |
| 設置，因為這些限制 |
| 約束，這可能是真的 |
| 很難判斷你是否在移動 |
| 遠遠超出相關性 |
| 數據的結構。 |
| 這就是為什麼我們要添加 |
| 外推控件。 所以 |
| 這已經被添加到幾個 |
| JMP Pro中的平台 |
| 16，包括最小二乘法。 |
| 並進行推斷 |
| 控制，您可以轉到下面的菜單 |
| 分析器菜單。 所以如果我看 |
| 在這裡，我看到有一個新的選擇 |
| 稱為外推控制。 |
| 默認情況下它設置為關閉， |
| 但我可以將其轉換為 |
| 開啟或警告開啟 |
| 外推控制。 如果我 |
| 打開它，注意 |
| 它限制了我的個人資料 |
| 跟踪僅轉到值 |
| 我不推斷的地方。 |
| 如果我把它變成警告 |
| 繼續，我會看到完整的個人資料 |
| 痕跡，但我會得到一個 |
| 當我去某個地區時發出警告 |
| 在哪裡考慮 |
| 外推。 |
| 我也可以打開推斷 |
| 細節，我發現真的 |
| 樂於助人，這給了我一個 |
| 很多信息。 首先 |
| 所有，它告訴我，我的 |
| 我正在使用的指標 |
| 定義外推為 |
| 槓桿，這在 |
| 適合最小二乘平台。 |
| 和門檻是 |
| 默認情況下最初使用的是 |
| 將是最大的槓桿作用， |
| 但這是我可以的 |
| 改變，我會告訴你 |
| 在一分鐘內。 另外，我可以看到 |
| 我的外推指標 |
| 用於我當前的設置。 |
| 就是這個號碼 |
| 隨著我的改變，它也會改變 |
| 我的因素設置。 |
| 只要這個數字更大 |
| 超過閾值，我要 |
| 得到這個警告，我可能會 |
| 外推。如果低於 |
| 我將不再明白 |
| 警告。此閾值不是 |
| 除非我改變，否則會改變 |
| 菜單中需要調整的內容 |
| 我的門檻。 所以讓我繼續 |
| 並立即執行該操作。 所以我要去 |
| 去菜單 |
| 我要去設置 |
| 閾值標準。 所以 |
| 在最小二乘法中，您有兩個 |
| 閾值選項 |
| 最初設置為最大 |
| 槓桿，這將保持 |
| 您在...的凸包內 |
| 數據，或者您可以切換到 |
| 乘以平均值 |
| 利用或示範條款 |
| 觀察。我想 |
| 切換到該閾值。 所以是 |
| 設置為3作為乘數 |
| 默認情況下。 所以這將 |
| 是平均槓桿的3倍 |
| 然後單擊“確定”，並註意 |
| 我的門檻將改變。 |
| 實際上變小了，所以這個 |
| 比較保守 |
| 外推的定義。 |
| 我將把它轉回 |
| 來限制我的個人資料跟踪。 |
| 現在我只能去 |
| 我在3歲以下的地區 |
| 乘以平均槓桿。 |
| 現在我們也有 |
| 實施優化 |
| 服從 |
| 外推法 |
| 約束。所以現在如果我 |
| 打開設置的期望 |
| 然後進行優化， |
| 我將獲得一個最佳值 |
| 滿足推斷 |
| 約束。請注意， |
| 指標小於或等於 |
| 門檻。 所以現在當我去 |
| 轉到我的下一張幻燈片 |
| 在散點圖中比較 |
| 矩陣，差異 |
| 最佳值之間 |
| 外推控制已打開 |
| 並關閉它。 |
| 這就是散點圖 |
| 我用JMP創建的矩陣 |
| 它顯示了原始的 |
| 預測變量數據 |
| 作為預測變量值 |
| 為使用的最佳解決方案 |
| 沒有外推控制，在 |
| 藍色，以及使用的最佳解決方案 |
| 外推控制為紅色。 |
| 並註意如何不受約束 |
| 藍色的解決方案 |
| 就在這裡，違反了 |
| 的相關結構 |
| 運行脈沖和 |
| 最大脈衝，從而增加了 |
| 這種預測的不確定性。 |
| 而最佳的解決方案 |
| 確實使用外推法 |
| 控制更符合要求 |
| 與原始數據。 |
| 現在讓我們看一個例子 |
| 使用更籠統的 |
| 外推控制方法， |
| 我們稱之為 |
| 正則化T平方方法。 作為 |
| 克里斯前面提到，我們 |
| 為模型開發了這種方法 |
| 最小二乘模型除外。 |
| 所以我們要看一個 |
| 糖尿病的神經模型 |
| 樣本中的數據 |
| 數據。應對措施 |
| 疾病進展，以及 |
| 預測變量是基準 |
| 變量。 再一次， |
| 用於的外推度量 |
| 這個例子是 |
| 正則化的T平方 |
| 傑里米（Jeremy）將在 |
| 幾分鐘後會顯示更多詳細信息。 |
| 所以我打開了糖尿病數據 |
| JMP和我保存了一個腳本 |
| 我的神經模型適合 我是 |
| 繼續進行 |
| 腳本。它啟動了神經 |
| 平台，請注意我是 |
| 使用驗證方法，隨機 |
| 憋。 我只想注意 |
| 隨時使用 |
| 驗證方法 |
| 外推控制基於 |
| 僅在訓練數據上 |
| 而不是您的驗證 |
| 或測試數據。 |
| 所以我打開了探查器 |
| 您可以看到它正在使用 |
| 完整的痕跡。 外推法 |
| 控件未打開。 讓我們 |
| 繼續並打開它。 |
| 我也要去 |
| 打開細節。 |
| 您可以看到痕蹟有 |
| 被限制和度量 |
| 是正則化的T平方。 這 |
| 閾值是 |
| 樣品標準偏差 |
| 正則化的T平方。 傑里米（Jeremy）是 |
| 會更多地談論什麼 |
| 所有這一切都意味著 |
| 分鐘。我只是想 |
| 提到當我們使用 |
| 正則T平方 |
| 方法，只有一種選擇 |
| 閾值，但您可以 |
| 調整乘數。 所以如果你 |
| 進行外推控制，設置 |
| 閾值，您可以對此進行調整 |
| 乘數，但我要 |
| 留在3。 現在我 |
| 想要使用運行優化 |
| 外推控制。 所以我 |
| 只是要最大化和 |
| 記住。現在我有一個 |
| 最佳解決方案 |
| 外推控制轉向 |
| 在。所以現在我想看看 |
| 在我們的散點圖矩陣上， |
| 就像我們之前看過的那樣 |
| 原始數據以及 |
| 與最佳值 |
| 而且沒有外推 |
| 控制。 |
| 所以這是一個散點圖矩陣 |
| 我的糖尿病數據 |
| 在JMP中創建。 它有 |
| 原始預測值，如 |
| 以及最佳解決方案 |
| 在中使用外推控制 |
| 紅色，最佳解決方案，無 |
| 外推控制為藍色。 |
| 你會看到紅色 |
| 點似乎更多 |
| 在相關結構內 |
| 原始數據比 |
| 藍色，尤其是 |
| 當您查看此LDL時為true |
| 與總膽固醇。 |
| 現在讓我們來看一個例子 |
| 使用下面的探查器 |
| 圖形菜單，我將其稱為 |
| 圖分析器。 它也使用 |
| 正則T平方方法 |
| 它允許我們使用 |
| 外推控制 |
| 可以是的模型類型 |
| 創建並保存為JSL |
| 公式。這也使我們能夠 |
| 對...有外推控制 |
| 一次不只一個模型。 |
| 所以讓我們看一個例子 |
| 對於使用粉末的公司 |
| 冶金技術 |
| 生產用於 |
| 汽車工業。 |
| 他們希望能夠找到 |
| 他們的最佳設置 |
| 生產將最小化 |
| 收縮並最小化... |
| 盡量減少由於不良而導致的故障 |
| 服務條件。 所以我們有 |
| 二 | 響應收縮（即 |
| 連續，我們要 |
| 擬合最小二乘模型 |
| 那）和表面狀況（哪 |
| 是通過/失敗，我們要 |
| 擬合名義物流模型 |
| 那個）。 還有我們的預測因子 |
| 變量只是一些關鍵 |
| 生產中的過程變量。 |
| 再一次推算 |
| 度量是正則化的T平方。 |
| 所以我有粉 |
| JMP中打開冶金數據 |
| 而且我已經至少適合 |
| 收縮的正方形模型 |
| 回應，而我已經適合了 |
| 名義物流模型 |
| 表麵條件合格/不合格 |
| 回复，並且我保存了 |
| 數據的預測公式 |
| 桌子，以便他們準備 |
| 在圖形分析器中使用。 |
| 所以如果我去圖表菜單 |
| 分析器，我可以加載 |
| 收縮率預測公式 |
| 我的預測公式是 |
| 表面狀況。 |
| 單擊確定。 現在我有 |
| 我的兩個模型都投放到 |
| 圖分析器。 |
| 在我打開之前 |
| 外推控制，你 |
| 可以看到我有完整的 |
| 輪廓痕跡。 一旦我打開 |
| 外推控制 |
| 你可以看到痕跡 |
| 縮一點，我也要去 |
| 打開細節 |
| 只是為了表明我確實是 |
| 使用正則化的T平方 |
| 這裡用這種方法。 |
| 所以我真正想做的是 |
| 想要找到最佳的 |
| 我最小化的條件 |
| 收縮，我最小化 |
| 外推失敗 |
| 控制，我想確保 |
| 我不是在推斷。 我想要 |
| 找到一個有用的解決方案。 和 |
| 在我進行優化之前， |
| 我實際上需要設置我的 |
| 希望。所以我要 |
| 設定需求。 它已經 |
| 可以縮小收縮，但是我 |
| 需要為服務設置它們 |
| 健康）狀況。我將嘗試最大化 |
| 通過並最大程度地減少故障。 |
| K. |
| 現在我應該可以做 |
| 與優化 |
| 外推控件。 |
| 做到最大化並記住。 |
| 現在我有了自己的最佳選擇 |
| 外推法 |
| 控制。 所以現在讓我們來看 |
| 再次在 |
| 的散點圖矩陣 |
| 原始數據，以及 |
| 外推法 |
| 在解決方案中控制 |
| 使用外推控制 |
| 離開。 |
| 所以這是一個散點圖矩陣 |
| 粉末冶金數據 |
| 是我在JMP中創建的。 而且它 |
| 也有最佳的解決方案 |
| 與外推控製作為 |
| 紅點和最佳 |
| 沒有外推的解決方案 |
| 控制為一個藍點。 還有一次 |
| 再一次，你可以看到當我們 |
| 不要製定外推法 |
| 控制，最佳解決方案 |
| 在外面很遠 |
| 的相關結構 |
| 數據。我們尤其可以看到 |
| 在這裡與比率 |
| 壓實壓力。 |
| 所以現在我要移交 |
| 給傑里米的演講 |
| 進入更多 |
| 有關我們方法的詳細信息。 |
| 嗨，這是一些 |
| 外推控制的目標 |
| 我們在 |
| 項目的開始。 我們 |
| 需要外推指標 |
| 可以很快計算出來 |
| 與大量 |
| 觀察和變量，以及 |
| 我們需要一種快速的方法來評估 |
| 指標是否指示 |
| 是否外推。 這是 |
| 保持互動 |
| 探查器跟踪並 |
| 我們需要這個 |
| 執行優化。 |
| 我們希望能夠 |
| 支持各種變量 |
| 可用的類型 |
| 探查器。這些是 |
| 本質上是連續的 |
| 分類和順序的。 |
| 我們想利用 |
| 缺少細胞的觀察， |
| 因為一些建模方法 |
| 將包括這些觀察 |
| 在 ？？？。 |
| 我們想要一種方法 |
| 對線性依賴具有魯棒性 |
| 數據。 這些發生在 |
| 變量數量較大 |
| 比觀察數多 |
| 例如。 我們想要 |
| 容易的事 |
| 自動化而無需 |
| 很多用戶的投入。 |
| 對於最小二乘模型，我們 |
| 落在槓桿上，這是 |
| 通常用於識別異常值 |
| 在線性模型中。 槓桿作用 |
| 對於新的預測點是 |
| 據此計算 |
| 公式。有許多 |
| 槓桿的解釋。 |
| 一種解釋是 |
| a的多元距離 |
| 中心的預測點 |
| 訓練數據。 其他 |
| 解釋是，這是一個 |
| 縮放的預測方差。 所以 |
| 隨著預測點的移動 |
| 離中心更遠 |
| 數據的不確定性 |
| 的預測增加。 和我們 |
| 在以下兩個常用閾值中使用 |
| 有關的統計文獻 |
| 確定這個距離 |
| 太大。 首先是 |
| 最大槓桿，預測 |
| 超出此閾值的點 |
| 或在 |
| 訓練數據。 |
| 第二個是 |
| 槓桿的平均值。 它 |
| 可以證明這是 |
| 相當於三倍 |
| 模型項數除 |
| 通過觀察的數量。 |
| 正如勞拉所描述的 |
| 之前，您可以更改 |
| 這些乘數 |
| 閾值。 |
| 最後，當需要時 |
| 正在優化中， |
| 外推約束是 |
| 非線性約束，以及 |
| 之前的探查器允許 |
| 約束優化 |
| 線性約束。 這類 |
| 優化更重要 |
| 具有挑戰性，所以勞拉實施了 |
| 遺傳算法。 如果你 |
| 不熟悉這些， |
| 遺傳算法使用 |
| 分子原理 |
| 進化優化 |
| 複雜的成本函數。 |
| 接下來，我將討論 |
| 我們用來概括的方法 |
| 對模型的外推控制 |
| 除了線性模型。 什麼時候 |
| 你正在建立一個預測 |
| 在JMP中建立模型 |
| 一組預測變量和一個 |
| 一組響應變量。 一些 |
| 監督模型被訓練，並且 |
| 然後可以使用探查器 |
| 可視化模型表面。 |
| 有很多變化 |
| JMP中的探查器。 你可以 |
| 在內部使用探查器 |
| 建模平台。 你可以 |
| 輸出預測公式和 |
| 為多個構建探查器 |
| 楷模。正如勞拉（Laura）所展示的， |
| 您可以為構建構造器 |
| 整體模型。 我們想要一個 |
| 外推控制方法 |
| 這將概括所有這些 |
| 場景，所以代替 |
| 將我們的方法與 |
| 具體型號，我們要 |
| 使用無人監督 |
| 方法。 |
| 而且我們只會標記一個 |
| 預測點為 |
| 外推法 |
| 數據在哪裡 |
| 集中在預測變量 |
| 空間。這使我們能夠 |
| 保持一致 |
| 探查器，以便我們 |
| 外推控制方法 |
| 將插入任何探查器。 |
| 多元距離 |
| 槓桿解釋 |
| 建議Hotelling的T平方為 |
| 一般的距離 |
| 外推控制。 實際上， |
| 一些代數運算會 |
| 證明Hotelling的T平方是 |
| 只是槓桿轉移， |
| 縮放。該圖顯示了 |
| Hotelling的T平方測度 |
| 橢圓化觀察 |
| 躺在橢圓所在的位置 |
| 集中在 |
| 數據，並定義形狀 |
| 通過協方差矩陣 |
| 既然我們不再 |
| 線性模型，此指標 |
| 沒有相同的 |
| 與預測的聯繫 |
| 方差。 所以代替 |
| 依賴於使用的閾值 |
| 回到線性模型，我們 |
| 會做一些 |
| 分佈假設 |
| 確定T是否平方 |
| 對於預測點應該 |
| 被認為是外推法。 |
| 我在這裡顯示公式 |
| Hotelling的T平方。 均值和 |
| 估計協方差矩陣 |
| 使用訓練數據 |
| 模型。如果P小於N， |
| 其中P是 |
| 預測變量，N是數字 |
| 的觀察，如果 |
| 多元預測變量 |
| 正常，則T平方為 |
| 上癮點有一個F |
| 分配。但是，我們想要 |
| 一種概括的方法 |
| 具有復雜數據的數據集 |
| 類型，例如連續的混合 |
| 和分類數據集，其中P |
| 大於N，數據集與 |
| 缺失值。 所以代替 |
| 計算分佈 |
| 分析每種情況下，我們 |
| 用一個簡單的保守派 |
| 我們發現的控制極限 |
| 在實踐中效果很好。 這是 |
| 三西格瑪控制極限 |
| 使用經驗分佈 |
| 訓練的T平方 |
| 數據，正如勞拉（Laura）所述，您 |
| 也可以調整此乘數。 |
| 一種複雜的情況是，當P |
| 大於N，Hotelling的T |
| 平方未定義。 有 |
| 中的參數過多 |
| 協方差矩陣來估計 |
| 與可用數據，以及 |
| 這通常發生在典型使用中 |
| 外推控制的情況 |
| 就像偏最小二乘法一樣。 |
| 所以我們決定寫一部小說 |
| 計算Hotelling T的方法 |
| 平方，處理這些 |
| 案例，我們稱之為 |
| 正則化的T平方。 |
| 計算協方差 |
| 矩陣我們使用正則化 |
| 最初的估算器 |
| 由Schafer和 |
| 高光 |
| 維基因組學數據。 |
| 這只是一個加權 |
| 完整的組合 |
| 樣本協方差矩陣 |
| 這是你在這里和一個 |
| 約束目標矩陣 |
| 是D。 |
| 對於Lambda重量 |
| 參數，Schafer和Strimmer |
| 得出分析 |
| 最小化 |
| MSE，估算器 |
| 漸近地 |
| Schafer和Strimmer提出 |
| 幾個可能的目標 |
| 矩陣。目標矩陣 |
| 選擇的是一個對角矩陣 |
| 的樣本方差 |
| 預測變量 |
| 對角線。該目標矩陣具有 |
| 的許多優點 |
| 外推控制。 首先，我們 |
| 不要假設任何相關性 |
| 變量之間的結構 |
| 在看到數據之前， |
| 可以很好地用作一般先驗。 |
| 而且，當數據很少時 |
| 估計協方差 |
| 矩陣，由於小N或 |
| 很大一部分失踪了 |
| 橢圓約束為 |
| 大大增加了 |
| 對角矩陣 |
| 導致更加保守 |
| 測試外推控制。 |
| 我們發現這對 |
| 獲得合理的控制 |
| 誤報率。 放這個 |
| 更簡單地說，當有 |
| 訓練數據有限， |
| 正則T平方較小 |
| 可能將預測標記為 |
| 外推，這就是你 |
| 想要，因為你更 |
| 可能觀察到協方差 |
| 碰巧。 我們有一些 |
| 仿真結果 |
| 展示這些細節， |
| 但是我沒有時間去 |
| 進入所有這一切。 改為開啟 |
| 在社區網頁上，我們放置了一個 |
| 鏈接到有關存檔的論文，並 |
| 我們計劃將此提交給 |
| 計算雜誌 |
| 圖形統計。 |
| 下一張幻燈片顯示了其他一些 |
| 我們需要的重要細節 |
| 考慮。我們需要弄清楚 |
| 找出如何處理分類的 |
| 變量。 我們只是 |
| 將它們轉換成指標- |
| 編碼的虛擬變量。 這是 |
| 相當於倍數 |
| 對應分析。 其他 |
| 並發症是如何計算 |
| Hotelling的T平方時 |
| 缺少數據。 一些 |
| JMP預測建模 |
| 平台將觀察與 |
| 缺少數據來訓練他們 |
| 楷模。這些包括天真 |
| 貝葉斯和引導森林。 和 |
| 這些公式顯示了 |
| 成對刪除方法我們 |
| 用於估計協方差 |
| 矩陣。更常見的是使用 |
| 逐行刪除。 這表示 |
| 所有缺少的觀察 |
| 值在刪除之前 |
| 計算協方差矩陣。 |
| 這是最簡單的，但是可以 |
| 導致扔出去有用 |
| 數據，如果樣本量 |
| 訓練數據很小。 和 |
| 成對刪除觀察 |
| 並僅在有 |
| 該對中缺少值 |
| 用於計算 |
| 相應的條目，那就是 |
| 這些公式顯示了什麼。 |
| 似乎很簡單。 |
| 您只是在使用所有數據 |
| 可用，但是 |
| 實際上可以導致許多 |
| 問題，因為有 |
| 過去的不同觀察 |
| 計算每個條目。 這個可以 |
| 導致奇怪的事情發生， |
| 像協方差矩陣 |
| 負特徵值 |
| 我們必須處理的事情。 |
| 這裡有一些優點 |
| 正則化的T平方我們 |
| 與其他比較時發現 |
| 我們評估中的方法。 一 |
| 是正則化 |
| 以正則化的方式工作 |
| 正常工作。 它擊中了 |
| 過度擬合之間的平衡 |
| 訓練數據和過度偏見 |
| 估算器。 這使得 |
| 估計器對噪聲更魯棒 |
| 和模型錯誤指定。 |
| 接下來，Schafer和Strimmer |
| 在他們的論文中表明 |
| 正則化導致 |
| 更準確的估算器 |
| 高尺寸設置。 |
| 這有助於草書 |
| 散落的維度 |
| 大多數基於距離的方法 |
| 用於外推控制。 |
| 然後在具有 |
| 開發了用於 |
| 外推控制， |
| 通常他們都高 |
| 維度數據和高度 |
| 相關預測因子。 為了 |
| 化學信息學和 |
| 化學計量學，化學 |
| 功能往往是高度 |
| 相關的。外推控制 |
| 通常結合使用 |
| 對於PCA和PLS型號， |
| T平方DModX用於 |
| 檢測相關性違規 |
| 結構體。這類似於 |
| 我們在模型驅動下所做的工作 |
| 多元控製圖。 |
| 由於這是一個常見的用例， |
| 我們希望有一個選擇 |
| 沒有偏離太遠 |
| 這些方法。 我們的正規化T |
| 平方提供相同的類型 |
| 外推控制，但它 |
| 不需要投影步驟 |
| 有一些優點。 |
| 我們發現，這使我們能夠 |
| 更好的廣義其他類型 |
| 預測模型。 另外，在 |
| 我們的評估結果表明 |
| 如果線性投影不 |
| 可以很好地處理您的數據，例如 |
| 你有非線性關係 |
| 預測變量之間的誤差 |
| 會增加控制極限 |
| 基於投影的方法 |
| 這將導致貧困 |
| 防範 |
| 外推法和我們的方法 |
| 比這更強大。 |
| 然後另一個重點 |
| 是我們發現了 |
| 單一外推指標 |
| 使用起來更簡單， |
| 解釋。 |
| 這是以下內容的快速摘要 |
| 外推的特徵 |
| 控制。該方法提供了更好的 |
| 可視化可行 |
| 高維區域 |
| 分析器中的模型。 |
| 一種新的遺傳算法具有 |
| 實施靈活 |
| 約束優化。 |
| 我們的正則T平方 |
| 處理凌亂的觀察性 |
| 數據，例如P較大的情況 |
| 比N，並且連續和 |
| 分類變量。 |
| 該方法適用於大多數 |
| JMP中的預測模型 |
| 16 Pro並支持許多 |
| 他們的特質。 這也是 |
| 在剖析器中可用 |
| 圖，這真的打開了它的 |
| 實用程序，因為您可以操作 |
| 在任何預測公式上。 |
| 然後作為未來的方向， |
| 我們正在考慮實施 |
| 基於K近鄰 |
| 超越的約束 |
| 當前的相關性 |
| 結構約束。 經常 |
| 預測變量由 |
| 產生多個分佈 |
| 在預測變量中聚類 |
| 空間。和一個K近鄰 |
| 基於方法將使 |
| 我們控制外推 |
| 在集群之間。 |
| 謝謝大家 |
| 收看這個 |
| 如果您有這是我們的電子郵件 |
| 還有其他問題。 |
爆發數據可視化預測建模
