在JMP®Pro 16（2021-EU-45MP-751）中的Prediction Profiler中控制外推级别：中级
劳拉·兰开斯特（Laura Lancaster），SAS JMP首席研究统计学家开发人员
SAS JMP分析软件测试员Jeremy Ash
SAS统计研究与发展总监JMP Chris Gotwalt
不受控制的模型外推会导致两种严重的错误：（1）远离数据，模型可能完全无效；（2）变量值的组合可能无法物理实现。 使用Profiler来优化适合观测数据的模型可能会导致推断出的解决方案，这些解决方案在没有任何警告的情况下就无法实际使用。 JMP Pro 16将外推控制引入了许多预测建模平台和Profiler平台本身。 Prediction Profiler中的此新功能会警告用户可能的外推法，或者完全避免在模型可能无效的地方绘制外推点。 另外，用户可以在避免外推的约束区域上执行优化。 在本演示中，我们讨论外推控制的动机和有用性，演示如何在JMP中轻松使用外推控制，并描述我们方法的详细信息。
自动产生的笔录...
扬声器 | 成绩单 |
| 嗨，我是克里斯·高瓦特（Chris Gotwalt）。 我的公司 |
| 主持人劳拉·兰开斯特（Laura Lancaster）和 |
| 杰里米·阿什（Jeremy Ash）和我正在演讲 |
| 有用的新JMP Pro |
| 称为外推的能力 |
| 控制。 几乎所有的型号 |
| 你曾经想预测 |
| 的范围是 |
| 适用范围 |
| 输入空间 |
| 预测被认为是 |
| 足够可靠。 在那之外 |
| 地区，我们开始推断 |
| 该模型指向远离 |
| 用于拟合模型的数据。 使用 |
| 该模型的预测 |
| 在这些时候可能会导致 |
| 完全不可靠 |
| 预测。那里有两个 |
| 的主要来源 |
| 外推法 | 统计 |
| 外推和基于领域 |
| 外推。两种类型都是 |
| 新功能覆盖。 |
| 进行统计外推 |
| 当一个人试图 |
| 使用x预测模型 |
| 与价值不符 |
| 用来训练那个模型。 |
| 基于域的外推 |
| 尝试评估时会发生 |
| 在x，这是不可能的 |
| 科学或工程学 |
| 基于约束。 这个例子 |
| 这里说明了两种 |
| 外推就是一个例子。 |
| 在这里，我们从 |
| 冶金生产模型 |
| 过程。预测读 |
| 出来说-2.96，没有 |
| 表明我们正在评估 |
| 在一定温度下 |
| 和压力是不可能的 |
| 从领域的意义上实现 |
| 这台机器。 我们还有 |
| 统计外推 |
| 与用于拟合的数据相距甚远 |
| 散点图中显示的模型 |
| 训练数据在 |
| 正确的。在JMP Pro 16中，杰里米（Jeremy） |
| 我和劳拉合作 |
| 添加可以 |
| 探查器发出警告 |
| 认为你可能是 |
| 外推。或者如果你转身 |
| 外推控制，它 |
| 将限制点集 |
| 你只会看到那些 |
| 它不认为是 |
| 外推。我们有两种类型 |
| 外推控制。 一个是 |
| 基于杠杆的概念 |
| 并使用最小二乘模型。 |
| 这第一种只是 |
| 在Pro版本中可用 |
| 拟合模型最小二乘法。 这 |
| 我们称为一般的其他类型 |
| 机器学习外推 |
| 控制项，并在 |
| Profiler平台和以下几种 |
| 最常见的机器学习 |
| JMP Pro中的平台。 之上 |
| 请求，我们甚至可以将其添加到 |
| 更多的。最小二乘 |
| 外推控制使用 |
| 杠杆的概念是 |
| 像是 |
| 预测方差。 它是模型 |
| 基于，因此它使用信息 |
| 关于主要效果 |
| 高阶互动 |
| 确定的条件 |
| 外推。对于一般 |
| 机器学习外推 |
| 控制箱，我们不得不上来 |
| 用我们自己的方法。 我们 |
| 想要一种方法 |
| 对缺失值具有鲁棒性，线性 |
| 依赖项，更快的计算速度， |
| 可以处理 |
| 连续和分类输入 |
| 变量，我们也 |
| 明确想分开 |
| 来自的外推模型 |
| 用于拟合数据的模型。 所以 |
| 当我们有一般 |
| 外推控制已打开， |
| 只有一个监督 |
| 符合...的模型 |
| 输入响应变量 |
| 我们在探查器中看到的 |
| 痕迹。探查器来了 |
| 快速而肮脏的 |
| 无监督模型来描述 |
| 训练集的轴 |
| 使用非监督模型 |
| 在幕后 |
| 探查器确定 |
| 外推控制 |
| 约束。所以我必须 |
| 切换是因为PowerPoint和我的 |
| 相机不相处 |
| 现在由于某种原因。 我们 |
| 知道有风险的推断 |
| 每天被制造 |
| 从事数据科学工作的人 |
| 并有信心使用 |
| 外推导致贫困 |
| 预测并最终 |
| 不良的业务成果。 |
| 外推控制场所 |
| 模型预测的护栏 |
| 并将导致可量化的 |
| JMP Pro做出更好的决策 |
| 用户。当用户看到推断时 |
| 发生时，用户必须 |
| 关于是否 |
| 是否应该使用预测 |
| 根据其域使用 |
| 知识和熟悉 |
| 眼前的问题。 如果你 |
| 开始看到外推 |
| 控制警告发生得相当多 |
| 通常，这很可能会结束 |
| 该模型的生命周期 |
| 是时候将其调整为新数据了 |
| 因为分布 |
| 输入已经从 |
| 训练数据。 我们 |
| 老实说很惊讶， |
| 担心需要 |
| 识别外推不是 |
| 更好地被数据赞赏 |
| 科学界，并取得了 |
| 将外推控制为 |
| 尽可能简单和自动。 |
| 劳拉（Laura），他在JMP中开发了它 |
| 亲，将展示 |
| 下一个选项。 然后是杰里米， |
| 对我们做了很多研究 |
| 团队，将进行数学研究 |
| 细节和统计 |
| 该方法的动机。 |
| 你好，我的名字是劳拉 |
| 兰开斯特和我在这里做一个 |
| 外推演示 |
| 添加到JMP的控件 |
| 专业版16。 我想开始 |
| 用一个非常简单的例子 |
| 最少使用拟合模型 |
| 正方形平台。 我要 |
| 使用一些可能是 |
| 熟悉的;这是健身数据 |
| 这是在样本数据中，我是 |
| 将使用氧气吸收作为 |
| 我的回应和运行时间，运行 |
| 脉冲和最大脉冲作为我的 |
| 预测变量。我想 |
| 重申在适合模型中， |
| 拟合最小二乘 |
| 外推指标 |
| 使用的是杠杆。 所以走吧 |
| 前进并开始使用JMP。 |
| 所以现在我有了健身数据 |
| 在JMP中打开，我有一个脚本 |
| 保存到数据表中 |
| 自动启动我的健身 |
| 最小二乘模型。 所以我 |
| 继续进行 |
| 脚本，它启动最少 |
| 正方形平台。 我有 |
| 探查器自动打开。 和 |
| 我们可以看到分析器 |
| 看起来它总是存在于 |
| 过去，因素在哪里 |
| 由每个范围定义 |
| 单独考虑因素，给我们 |
| 矩形边界约束。 |
| 当我改变因素时 |
| 设置，因为这些限制 |
| 约束，这可能是真的 |
| 很难判断你是否在移动 |
| 远远超出相关性 |
| 数据的结构。 |
| 这就是为什么我们要添加 |
| 外推控件。 所以 |
| 这已经被添加到几个 |
| JMP Pro中的平台 |
| 16，包括最小二乘法。 |
| 并进行推断 |
| 控制，您可以转到下面的菜单 |
| 分析器菜单。 所以如果我看 |
| 在这里，我看到有一个新的选择 |
| 称为外推控制。 |
| 默认情况下它设置为关闭， |
| 但我可以将其转换为 |
| 开启或警告开启 |
| 外推控制。 如果我 |
| 打开它，注意 |
| 它限制了我的个人资料 |
| 跟踪仅转到值 |
| 我不推断的地方。 |
| 如果我把它变成警告 |
| 继续，我会看到完整的个人资料 |
| 痕迹，但我会得到一个 |
| 当我去某个地区时发出警告 |
| 在哪里考虑 |
| 外推。 |
| 我也可以打开推断 |
| 细节，我发现真的 |
| 乐于助人，这给了我一个 |
| 很多信息。 首先 |
| 所有，它告诉我，我的 |
| 我正在使用的指标 |
| 定义外推为 |
| 杠杆，这在 |
| 适合最小二乘平台。 |
| 和门槛是 |
| 默认情况下最初使用的是 |
| 将是最大的杠杆作用， |
| 但这是我可以的 |
| 改变，我会告诉你 |
| 在一分钟内。 另外，我可以看到 |
| 我的外推指标 |
| 用于我当前的设置。 |
| 就是这个号码 |
| 随着我的改变，它也会改变 |
| 我的因素设置。 |
| 只要这个数字更大 |
| 超过阈值，我要 |
| 得到这个警告，我可能会 |
| 外推。如果低于 |
| 我将不再明白 |
| 警告。此阈值不是 |
| 除非我改变，否则会改变 |
| 菜单中需要调整的内容 |
| 我的门槛。 所以让我继续 |
| 并立即执行该操作。 所以我要去 |
| 去菜单 |
| 我要去设置 |
| 阈值标准。 所以 |
| 在最小二乘法中，您有两个 |
| 阈值选项 |
| 最初设置为最大 |
| 杠杆，这将保持 |
| 您在...的凸包内 |
| 数据，或者您可以切换到 |
| 乘以平均值 |
| 利用或示范条款 |
| 观察。我想 |
| 切换到该阈值。 所以是 |
| 设置为3作为乘数 |
| 默认情况下。 所以这将 |
| 是平均杠杆的3倍 |
| 然后单击“确定”，并注意 |
| 我的门槛将改变。 |
| 实际上变小了，所以这个 |
| 比较保守 |
| 外推的定义。 |
| 我将把它转回 |
| 来限制我的个人资料跟踪。 |
| 现在我只能去 |
| 我在3岁以下的地区 |
| 乘以平均杠杆。 |
| 现在我们也有 |
| 实施优化 |
| 服从 |
| 外推法 |
| 约束。所以现在如果我 |
| 打开设置的期望 |
| 然后进行优化， |
| 我将获得一个最佳值 |
| 满足推断 |
| 约束。请注意， |
| 指标小于或等于 |
| 门槛。 所以现在当我去 |
| 转到我的下一张幻灯片 |
| 在散点图中比较 |
| 矩阵，差异 |
| 最佳值之间 |
| 外推控制已打开 |
| 并关闭它。 |
| 这就是散点图 |
| 我用JMP创建的矩阵 |
| 它显示了原始的 |
| 预测变量数据 |
| 作为预测变量值 |
| 为使用的最佳解决方案 |
| 没有外推控制，在 |
| 蓝色，以及使用的最佳解决方案 |
| 外推控制为红色。 |
| 并注意如何不受约束 |
| 蓝色的解决方案 |
| 就在这里，违反了 |
| 的相关结构 |
| 运行脉冲和 |
| 最大脉冲，从而增加了 |
| 这种预测的不确定性。 |
| 而最佳的解决方案 |
| 确实使用外推法 |
| 控制更符合要求 |
| 与原始数据。 |
| 现在让我们看一个例子 |
| 使用更笼统的 |
| 外推控制方法， |
| 我们称之为 |
| 正则化T平方方法。 作为 |
| 克里斯前面提到，我们 |
| 为模型开发了这种方法 |
| 最小二乘模型除外。 |
| 所以我们要看一个 |
| 糖尿病的神经模型 |
| 样本中的数据 |
| 数据。应对措施 |
| 疾病进展，以及 |
| 预测变量是基准 |
| 变量。 再一次， |
| 用于的外推度量 |
| 这个例子是 |
| 正则化的T平方 |
| 杰里米（Jeremy）将在 |
| 几分钟后会显示更多详细信息。 |
| 所以我打开了糖尿病数据 |
| JMP和我保存了一个脚本 |
| 我的神经模型适合 我是 |
| 继续进行 |
| 脚本。它启动了神经 |
| 平台，请注意我是 |
| 使用验证方法，随机 |
| 憋。 我只想注意 |
| 随时使用 |
| 验证方法 |
| 外推控制基于 |
| 仅在训练数据上 |
| 而不是您的验证 |
| 或测试数据。 |
| 所以我打开了探查器 |
| 您可以看到它正在使用 |
| 完整的痕迹。 外推法 |
| 控件未打开。 让我们 |
| 继续并打开它。 |
| 我也要去 |
| 打开细节。 |
| 您可以看到痕迹有 |
| 被限制和度量 |
| 是正则化的T平方。 这 |
| 阈值是 |
| 样品标准偏差 |
| 正则化的T平方。 杰里米（Jeremy）是 |
| 会更多地谈论什么 |
| 所有这一切都意味着 |
| 分钟。我只是想 |
| 提到当我们使用 |
| 正则T平方 |
| 方法，只有一种选择 |
| 阈值，但您可以 |
| 调整乘数。 所以如果你 |
| 进行外推控制，设置 |
| 阈值，您可以对此进行调整 |
| 乘数，但我要 |
| 留在3。 现在我 |
| 想要使用运行优化 |
| 外推控制。 所以我 |
| 只是要最大化和 |
| 记住。现在我有一个 |
| 最佳解决方案 |
| 外推控制转向 |
| 在。所以现在我想看看 |
| 在我们的散点图矩阵上， |
| 就像我们之前看过的那样 |
| 原始数据以及 |
| 与最佳值 |
| 而且没有外推 |
| 控制。 |
| 所以这是一个散点图矩阵 |
| 我的糖尿病数据 |
| 在JMP中创建。 它有 |
| 原始预测值，如 |
| 以及最佳解决方案 |
| 在中使用外推控制 |
| 红色，最佳解决方案，无 |
| 外推控制为蓝色。 |
| 你会看到红色 |
| 点似乎更多 |
| 在相关结构内 |
| 原始数据比 |
| 蓝色，尤其是 |
| 当您查看此LDL时为true |
| 与总胆固醇。 |
| 现在让我们来看一个例子 |
| 使用下面的探查器 |
| 图形菜单，我将其称为 |
| 图分析器。 它也使用 |
| 正则T平方方法 |
| 它允许我们使用 |
| 外推控制 |
| 可以是的模型类型 |
| 创建并保存为JSL |
| 公式。这也使我们能够 |
| 对...有外推控制 |
| 一次不只一个模型。 |
| 所以让我们看一个例子 |
| 对于使用粉末的公司 |
| 冶金技术 |
| 生产用于 |
| 汽车工业。 |
| 他们希望能够找到 |
| 他们的最佳设置 |
| 生产将最小化 |
| 收缩并最小化... |
| 尽量减少由于不良而导致的故障 |
| 服务条件。 所以我们有 |
| 二 | 响应收缩（即 |
| 连续，我们要 |
| 拟合最小二乘模型 |
| 那）和表面状况（哪 |
| 是通过/失败，我们要 |
| 拟合名义物流模型 |
| 那个）。 还有我们的预测因子 |
| 变量只是一些关键 |
| 生产中的过程变量。 |
| 再一次推算 |
| 度量是正则化的T平方。 |
| 所以我有粉 |
| JMP中打开冶金数据 |
| 而且我已经至少适合 |
| 收缩的正方形模型 |
| 回应，而我已经适合了 |
| 名义物流模型 |
| 表面条件合格/不合格 |
| 回复，并且我保存了 |
| 数据的预测公式 |
| 桌子，以便他们准备 |
| 在图形分析器中使用。 |
| 所以如果我去图表菜单 |
| 分析器，我可以加载 |
| 收缩率预测公式 |
| 我的预测公式是 |
| 表面状况。 |
| 单击确定。 现在我有 |
| 我的两个模型都投放到 |
| 图分析器。 |
| 在我打开之前 |
| 外推控制，你 |
| 可以看到我有完整的 |
| 轮廓痕迹。 一旦我打开 |
| 外推控制 |
| 你可以看到痕迹 |
| 缩一点，我也要去 |
| 打开细节 |
| 只是为了表明我确实是 |
| 使用正则化的T平方 |
| 这里用这种方法。 |
| 所以我真正想做的是 |
| 想要找到最佳的 |
| 我最小化的条件 |
| 收缩，我最小化 |
| 外推失败 |
| 控制，我想确保 |
| 我不是在推断。 我想要 |
| 找到一个有用的解决方案。 和 |
| 在我进行优化之前， |
| 我实际上需要设置我的 |
| 希望。所以我要 |
| 设定需求。 它已经 |
| 可以缩小收缩，但是我 |
| 需要为服务设置它们 |
| 健康）状况。我将尝试最大化 |
| 通过并最大程度地减少故障。 |
| K. |
| 现在我应该可以做 |
| 与优化 |
| 外推控件。 |
| 做到最大化并记住。 |
| 现在我有了自己的最佳选择 |
| 外推法 |
| 控制。 所以现在让我们来看 |
| 再次在 |
| 的散点图矩阵 |
| 原始数据，以及 |
| 外推法 |
| 在解决方案中控制 |
| 使用外推控制 |
| 离开。 |
| 所以这是一个散点图矩阵 |
| 粉末冶金数据 |
| 是我在JMP中创建的。 而且它 |
| 也有最佳的解决方案 |
| 与外推控制作为 |
| 红点和最佳 |
| 没有外推的解决方案 |
| 控制为一个蓝点。 还有一次 |
| 再一次，你可以看到当我们 |
| 不要制定外推法 |
| 控制，最佳解决方案 |
| 在外面很远 |
| 的相关结构 |
| 数据。我们尤其可以看到 |
| 在这里与比率 |
| 压实压力。 |
| 所以现在我要移交 |
| 给杰里米的演讲 |
| 进入更多 |
| 有关我们方法的详细信息。 |
| 嗨，这是一些 |
| 外推控制的目标 |
| 我们在 |
| 项目的开始。 我们 |
| 需要外推指标 |
| 可以很快计算出来 |
| 与大量 |
| 观察和变量，以及 |
| 我们需要一种快速的方法来评估 |
| 指标是否指示 |
| 是否外推。 这是 |
| 保持互动 |
| 探查器跟踪并 |
| 我们需要这个 |
| 执行优化。 |
| 我们希望能够 |
| 支持各种变量 |
| 可用的类型 |
| 探查器。这些是 |
| 本质上是连续的 |
| 分类和顺序的。 |
| 我们想利用 |
| 缺少细胞的观察， |
| 因为一些建模方法 |
| 将包括这些观察 |
| 在 ？？？。 |
| 我们想要一种方法 |
| 对线性依赖具有鲁棒性 |
| 数据。 这些发生在 |
| 变量数量较大 |
| 比观察数多 |
| 例如。 我们想要 |
| 容易的事 |
| 自动化而无需 |
| 很多用户的投入。 |
| 对于最小二乘模型，我们 |
| 落在杠杆上，这是 |
| 通常用于识别异常值 |
| 在线性模型中。 杠杆作用 |
| 对于新的预测点是 |
| 据此计算 |
| 公式。有许多 |
| 杠杆的解释。 |
| 一种解释是 |
| a的多元距离 |
| 中心的预测点 |
| 训练数据。 其他 |
| 解释是，这是一个 |
| 缩放的预测方差。 所以 |
| 随着预测点的移动 |
| 离中心更远 |
| 数据的不确定性 |
| 的预测增加。 和我们 |
| 在以下两个常用阈值中使用 |
| 有关的统计文献 |
| 确定这个距离 |
| 太大。 首先是 |
| 最大杠杆，预测 |
| 超出此阈值的点 |
| 或在 |
| 训练数据。 |
| 第二个是 |
| 杠杆的平均值。 它 |
| 可以证明这是 |
| 相当于三倍 |
| 模型项数除 |
| 通过观察的数量。 |
| 正如劳拉所描述的 |
| 之前，您可以更改 |
| 这些乘数 |
| 阈值。 |
| 最后，当需要时 |
| 正在优化中， |
| 外推约束是 |
| 非线性约束，以及 |
| 之前的探查器允许 |
| 约束优化 |
| 线性约束。 这类 |
| 优化更重要 |
| 具有挑战性，所以劳拉实施了 |
| 遗传算法。 如果你 |
| 不熟悉这些， |
| 遗传算法使用 |
| 分子原理 |
| 进化优化 |
| 复杂的成本函数。 |
| 接下来，我将讨论 |
| 我们用来概括的方法 |
| 对模型的外推控制 |
| 除了线性模型。 什么时候 |
| 你正在建立一个预测 |
| 在JMP中建立模型 |
| 一组预测变量和一个 |
| 一组响应变量。 一些 |
| 监督模型被训练，并且 |
| 然后可以使用探查器 |
| 可视化模型表面。 |
| 有很多变化 |
| JMP中的探查器。 你可以 |
| 在内部使用探查器 |
| 建模平台。 你可以 |
| 输出预测公式和 |
| 为多个构建探查器 |
| 楷模。正如劳拉（Laura）所展示的， |
| 您可以为构建构造器 |
| 整体模型。 我们想要一个 |
| 外推控制方法 |
| 这将概括所有这些 |
| 场景，所以代替 |
| 将我们的方法与 |
| 具体型号，我们要 |
| 使用无人监督 |
| 方法。 |
| 而且我们只会标记一个 |
| 预测点为 |
| 外推法 |
| 数据在哪里 |
| 集中在预测变量 |
| 空间。这使我们能够 |
| 保持一致 |
| 探查器，以便我们 |
| 外推控制方法 |
| 将插入任何探查器。 |
| 多元距离 |
| 杠杆解释 |
| 建议Hotelling的T平方为 |
| 一般的距离 |
| 外推控制。 实际上， |
| 一些代数运算会 |
| 证明Hotelling的T平方是 |
| 只是杠杆转移， |
| 缩放。该图显示了 |
| Hotelling的T平方测度 |
| 椭圆化观察 |
| 躺在椭圆所在的位置 |
| 集中在 |
| 数据，并定义形状 |
| 通过协方差矩阵 |
| 既然我们不再 |
| 线性模型，此指标 |
| 没有相同的 |
| 与预测的联系 |
| 方差。 所以代替 |
| 依赖于使用的阈值 |
| 回到线性模型，我们 |
| 会做一些 |
| 分布假设 |
| 确定T是否平方 |
| 对于预测点应该 |
| 被认为是外推法。 |
| 我在这里显示公式 |
| Hotelling的T平方。 均值和 |
| 估计协方差矩阵 |
| 使用训练数据 |
| 模型。如果P小于N， |
| 其中P是 |
| 预测变量，N是数字 |
| 的观察，如果 |
| 多元预测变量 |
| 正常，则T平方为 |
| 上瘾点有一个F |
| 分配。但是，我们想要 |
| 一种概括的方法 |
| 具有复杂数据的数据集 |
| 类型，例如连续的混合 |
| 和分类数据集，其中P |
| 大于N，数据集与 |
| 缺失值。 所以代替 |
| 计算分布 |
| 分析每种情况下，我们 |
| 用一个简单的保守派 |
| 我们发现的控制极限 |
| 在实践中效果很好。 这是 |
| 三西格玛控制极限 |
| 使用经验分布 |
| 训练的T平方 |
| 数据，正如劳拉（Laura）所述，您 |
| 也可以调整此乘数。 |
| 一种复杂的情况是，当P |
| 大于N，Hotelling的T |
| 平方未定义。 有 |
| 中的参数过多 |
| 协方差矩阵来估计 |
| 与可用数据，以及 |
| 这通常发生在典型使用中 |
| 外推控制的情况 |
| 就像偏最小二乘法一样。 |
| 所以我们决定写一部小说 |
| 计算Hotelling T的方法 |
| 平方，处理这些 |
| 案例，我们称之为 |
| 正则化的T平方。 |
| 计算协方差 |
| 矩阵我们使用正则化 |
| 最初的估算器 |
| 由Schafer和 |
| 高光 |
| 维基因组学数据。 |
| 这只是一个加权 |
| 完整的组合 |
| 样本协方差矩阵 |
| 这是你在这里和一个 |
| 约束目标矩阵 |
| 是D。 |
| 对于Lambda重量 |
| 参数，Schafer和Strimmer |
| 得出分析 |
| 最小化 |
| MSE，估算器 |
| 渐近地 |
| Schafer和Strimmer提出 |
| 几个可能的目标 |
| 矩阵。目标矩阵 |
| 选择的是一个对角矩阵 |
| 的样本方差 |
| 预测变量 |
| 对角线。该目标矩阵具有 |
| 的许多优点 |
| 外推控制。 首先，我们 |
| 不要假设任何相关性 |
| 变量之间的结构 |
| 在看到数据之前， |
| 可以很好地用作一般先验。 |
| 而且，当数据很少时 |
| 估计协方差 |
| 矩阵，由于小N或 |
| 很大一部分失踪了 |
| 椭圆约束为 |
| 大大增加了 |
| 对角矩阵 |
| 导致更加保守 |
| 测试外推控制。 |
| 我们发现这对 |
| 获得合理的控制 |
| 误报率。 放这个 |
| 更简单地说，当有 |
| 训练数据有限， |
| 正则T平方较小 |
| 可能将预测标记为 |
| 外推，这就是你 |
| 想要，因为你更 |
| 可能观察到协方差 |
| 碰巧。 我们有一些 |
| 仿真结果 |
| 展示这些细节， |
| 但是我没有时间去 |
| 进入所有这一切。 改为开启 |
| 在社区网页上，我们放置了一个 |
| 链接到有关存档的论文，并 |
| 我们计划将此提交给 |
| 计算杂志 |
| 图形统计。 |
| 下一张幻灯片显示了其他一些 |
| 我们需要的重要细节 |
| 考虑。我们需要弄清楚 |
| 找出如何处理分类的 |
| 变量。 我们只是 |
| 将它们转换成指标- |
| 编码的虚拟变量。 这是 |
| 相当于倍数 |
| 对应分析。 其他 |
| 并发症是如何计算 |
| Hotelling的T平方时 |
| 缺少数据。 一些 |
| JMP预测建模 |
| 平台将观察与 |
| 缺少数据来训练他们 |
| 楷模。这些包括天真 |
| 贝叶斯和引导森林。 和 |
| 这些公式显示了 |
| 成对删除方法我们 |
| 用于估计协方差 |
| 矩阵。更常见的是使用 |
| 逐行删除。 这表示 |
| 所有缺少的观察 |
| 值在删除之前 |
| 计算协方差矩阵。 |
| 这是最简单的，但是可以 |
| 导致扔出去有用 |
| 数据，如果样本量 |
| 训练数据很小。 和 |
| 成对删除观察 |
| 并仅在有 |
| 该对中缺少值 |
| 用于计算 |
| 相应的条目，那就是 |
| 这些公式显示了什么。 |
| 似乎很简单。 |
| 您只是在使用所有数据 |
| 可用，但是 |
| 实际上可以导致许多 |
| 问题，因为有 |
| 过去的不同观察 |
| 计算每个条目。 这个可以 |
| 导致奇怪的事情发生， |
| 像协方差矩阵 |
| 负特征值 |
| 我们必须处理的事情。 |
| 这里有一些优点 |
| 正则化的T平方我们 |
| 与其他比较时发现 |
| 我们评估中的方法。 一 |
| 是正则化 |
| 以正则化的方式工作 |
| 正常工作。 它击中了 |
| 过度拟合之间的平衡 |
| 训练数据和过度偏见 |
| 估算器。 这使得 |
| 估计器对噪声更鲁棒 |
| 和模型错误指定。 |
| 接下来，Schafer和Strimmer |
| 在他们的论文中表明 |
| 正则化导致 |
| 更准确的估算器 |
| 高尺寸设置。 |
| 这有助于草书 |
| 散落的维度 |
| 大多数基于距离的方法 |
| 用于外推控制。 |
| 然后在具有 |
| 开发了用于 |
| 外推控制， |
| 通常他们都高 |
| 维度数据和高度 |
| 相关预测因子。 为了 |
| 化学信息学和 |
| 化学计量学，化学 |
| 功能往往是高度 |
| 相关的。外推控制 |
| 通常结合使用 |
| 对于PCA和PLS型号， |
| T平方DModX用于 |
| 检测相关性违规 |
| 结构体。这类似于 |
| 我们在模型驱动下所做的工作 |
| 多元控制图。 |
| 由于这是一个常见的用例， |
| 我们希望有一个选择 |
| 没有偏离太远 |
| 这些方法。 我们的正规化T |
| 平方提供相同的类型 |
| 外推控制，但它 |
| 不需要投影步骤 |
| 有一些优点。 |
| 我们发现，这使我们能够 |
| 更好的广义其他类型 |
| 预测模型。 另外，在 |
| 我们的评估结果表明 |
| 如果线性投影不 |
| 可以很好地处理您的数据，例如 |
| 你有非线性关系 |
| 预测变量之间的误差 |
| 会增加控制极限 |
| 基于投影的方法 |
| 这将导致贫困 |
| 防范 |
| 外推法和我们的方法 |
| 比这更强大。 |
| 然后另一个重点 |
| 是我们发现了 |
| 单一外推指标 |
| 使用起来更简单， |
| 解释。 |
| 这是以下内容的快速摘要 |
| 外推的特征 |
| 控制。该方法提供了更好的 |
| 可视化可行 |
| 高维区域 |
| 分析器中的模型。 |
| 一种新的遗传算法具有 |
| 实施灵活 |
| 约束优化。 |
| 我们的正则T平方 |
| 处理凌乱的观察性 |
| 数据，例如P较大的情况 |
| 比N，并且连续和 |
| 分类变量。 |
| 该方法适用于大多数 |
| JMP中的预测模型 |
| 16 Pro并支持许多 |
| 他们的特质。 这也是 |
| 在剖析器中可用 |
| 图，这真的打开了它的 |
| 实用程序，因为您可以操作 |
| 在任何预测公式上。 |
| 然后作为未来的方向， |
| 我们正在考虑实施 |
| 基于K近邻 |
| 超越的约束 |
| 当前的相关性 |
| 结构约束。 经常 |
| 预测变量由 |
| 产生多个分布 |
| 在预测变量中聚类 |
| 空间。和一个K近邻 |
| 基于方法将使 |
| 我们控制外推 |
| 在集群之间。 |
| 谢谢大家 |
| 收看这个 |
| 如果您有这是我们的电子邮件 |
| 还有其他问题。 |
爆发数据可视化预测建模
