扬声器
|
成绩单
|
| 米娅·斯蒂芬斯 |
模型筛选。 |
| |
如果您从事预测建模工作，您会发现模型筛选可以帮助您简化预测建模工作流程。 |
| |
因此，在本次演讲中，我将概述预测建模，讨论我们可以在 JMP 中使用的不同类型的预测模型。 |
| |
我们将讨论更广泛的分析工作流程中的预测建模工作流程，并且我们将了解模型筛选如何帮助我们简化此工作流程。 |
| |
我将讨论使用验证数据比较竞争模型的一些指标，并且我们将在 JMP Pro 中看到几个示例。 |
| |
首先我们来谈谈预测建模以及什么是预测建模。 |
| |
您可能已经接触过回归分析，回归是解释性建模的一个示例。 在回归中，我们通常对构建模型感兴趣 |
| |
对于一个响应或 Y，作为一个或多个 X 的函数，我们可能有不同的建模目标。 我们可能对识别重要变量感兴趣。 那么关键的 X 或关键的输入变量是什么？ |
| |
例如，在解决问题的环境中，我们可能会集中精力解决问题？ |
| |
我们可能有兴趣了解响应平均如何随着输入变量的变化而变化。 |
| |
X 的 1 个单位的变化与 Y 的 5 个单位的变化相关。 所以这是经典的解释模型，如果您在学校学过统计学，这可能就是您学习回归的方式。 |
| |
相比之下，预测建模的目标略有不同。 在预测建模中，我们的目标是准确预测或分类未来的结果。 |
| |
因此，如果我们的反应是连续的，我们希望能够尽可能精确地预测下一个观察结果、下一个结果。 |
| |
如果我们的反应是明确的，那么我们对分类感兴趣。 我们再次有兴趣使用当前数据来预测未来在个人层面上会发生什么。 |
| |
我们可能会拟合和比较许多不同的模型，并且在预测建模中我们也可能会使用一些更高级的模型。 我们可能会使用一些机器学习技术，例如神经网络。 |
| |
其中一些模型可能不太容易解释，并且其中许多模型都有许多我们可以设置的不同调整参数。 因此，通过预测建模，我们可能会遇到过度拟合的问题。 |
| |
过度拟合意味着我们拟合的模型比需要的更复杂。 |
| |
因此，对于预测建模，我们通常使用验证，并且我们可以使用几种不同形式的验证。 |
| |
我们使用验证来进行模型比较和选择，从根本上来说，它可以防止过度拟合，但也可以防止欠拟合。 |
| |
欠拟合是指我们拟合的模型没有需要的那么复杂。 它并没有真正捕获我们数据中的结构。 |
| |
现在，在幻灯片末尾的附录中，我提取了一些幻灯片来说明为什么验证很重要，但为了本次演讲的重点，我只是在拟合预测模型时使用验证。 |
| |
我们可以在 JMP Pro 中安装许多不同类型的模型，这绝不是详尽的列表。 |
| |
我们可以拟合几种不同类型的回归模型。 如果我们有连续响应，我们可以拟合线性回归模型。 |
| |
如果我们的响应是分类的，则为逻辑回归模型，但我们也可以拟合广义线性模型和惩罚回归方法，而这些都来自拟合模型平台。 |
| |
预测建模平台下有很多选项，因此神经网络、带Boosting的神经网络以及不同数量的层和节点， |
| |
分类和回归树，以及更先进的基于树的方法，以及其他几种技术。 |
| |
多元方法平台还有一些预测建模选项，因此可以进行判别分析 |
| |
和偏最小二乘是两种不同的......我们可以用于预测建模的另外两种模型。 顺便说一下，拟合模型也可以使用偏最小二乘法。 |
| |
为什么我们有这么多模型？ |
| |
在预测建模中，您经常会发现没有一个模型 |
| |
或者建模类型总是效果最好的。 在某些情况下，神经网络可能是最好的，并且神经网络通常表现得非常......非常好。 |
| |
但在其他情况下，您可能会发现更简单的模型实际上表现最好，因此最适合您的数据并预测最准确的模型类型主要取决于您的响应，但也取决于数据的结构。 |
| |
因此，您可能会拟合几种不同类型的模型并比较这些模型，然后才能找到最准确拟合或预测最准确的模型。 |
| |
因此，在更广泛的分析工作流程中，您从尝试解决的某种问题开始，然后编译数据、准备数据并探索数据， |
| |
预测建模主要体现在分析和构建模型上。 典型的预测建模工作流程可能看起来像这样，您可以通过验证来拟合模型。 |
| |
然后将该公式保存到数据表或将其发布到公式库。 |
| |
然后你安装另一个模型并重复这个，所以你可能会安装几个不同的模型 |
| |
然后比较这些模型。 在 JMP Pro 中，您可以使用模型比较平台来执行此操作，比较模型在验证数据上的性能，然后选择最佳模型或最佳组合模型，然后部署模型。 |
| |
与模型筛选不同的是，所有的模型拟合和比较，这个选择都是在一个平台内完成的，即模型筛选平台。 |
| |
因此，我们将使用您可能熟悉的一个示例，并且有一个关于使用社区中发布的这些数据进行模型筛选的博客，这些是糖尿病数据。 |
| |
因此，研究人员希望预测基线一年后疾病进展的速度。 |
| |
因此有几个基线测量，然后有两种不同类型的响应。 |
| |
响应 Y 是定量测量，连续测量，因此这是疾病进展的速率，然后是第二个响应，Y 二元，它是高或低。 |
| |
因此，Y 二元可以表示高进展率或低进展率。 |
| |
这里预测建模的目标是预测最有可能疾病进展率较高的患者，以便采取纠正措施 |
| |
为了防止这种情况发生。 因此，我们将...我们将在 JMP Pro 中研究这两种响应的拟合模型，并且我们将了解如何使用模型筛选来拟合相同的模型。 |
| |
在我去 JMP 之前，我只想谈谈我们如何比较预测模型。 |
| |
我们比较验证集或测试集上的预测模型。 所以基本上我们所做的就是将模型拟合到称为训练数据的数据子集。 |
| |
然后我们将该模型与所提供的数据（通常我们称之为验证数据）进行拟合，以查看模型的表现如何。 |
| |
如果我们有连续响应，我们可以使用误差度量，即均方根误差 (RMSE) 或 RASE，即路径平均平方误差，因此这是预测误差的度量。 |
| |
AAE、MAD、MAE，这些是平均误差的度量，我们可能会使用不同的 R 平方度量。 |
| |
为了获得明确的响应，我们通常对错误或错误分类的度量感兴趣。 |
| |
我们可能还对查看 ROC 曲线、AUC（曲线下面积）或敏感性、或特异性、假阳性、假阴性率感兴趣。 |
| |
F1-Score 和 MCC，即 Matthews 相关系数。 |
| |
那么让我切换到 JMP。 |
| |
把它收起来，我将打开糖尿病数据。 |
| |
让我把它放大，这样你就可以看到它。 |
| |
这些就是数据。 有……有 442 名患者的信息，我们再次得到了响应 Y，它是连续的，这是一年后疾病进展的量。 我们将从 Y 开始，然后我们还有第二个变量，Y 二进制。 |
| |
我们已经掌握了基线信息。 |
| |
还有一个列验证。 因此，再次进行验证，当我们拟合模型时，我们将仅使用训练数据来拟合模型，并且我们将使用验证数据来告诉我们何时停止增长模型，并为我们提供衡量模型效果的指标模型确实适合。 |
| |
现在要构建此列，预测建模下有一个名为模型验证列的实用程序。 |
| |
这为我们提供了很多构建验证列的选项，因此我们可以将数据划分为训练验证集和测试集。 |
| |
而且，在大多数情况下，如果我们使用这种将数据划分为子集的技术， |
| |
建议使用测试集。 拥有测试集可以让您对未用于构建模型或停止模型增长的数据进行模型性能评估，因此我建议这样做，即使我们在此没有测试集案件。 |
| |
假设我想...我想找到一个能够最准确地预测响应的模型。 正如您所看到的，有很多不同的型号可供选择。 |
| |
我将从拟合模型开始。 |
| |
这通常是一个很好的起点。 |
| |
因此，我将构建一个回归模型，其中 Y 作为我们的响应，X 作为模型效应，并且此时我只会输入主效应。 我将添加一个验证列。 |
| |
现在从拟合模型来看，这里的默认值将是标准最小二乘法，但是我们可以拟合很多不同类型的模型。 |
| |
我只是要运行最小二乘模型。 |
| |
这里有几点需要指出。 注意这里的标记，V。 |
| |
请记住，我们将模型与训练数据进行拟合，但我们还想了解模型在验证数据上的表现如何，因此所有带有 V 的标记都是验证集中的观察值。 |
| |
因为我们有验证，所以这里有一个交叉验证部分，所以我们可以查看训练集和验证集上的 R 平方，然后查看 RASE。 |
| |
通常，您会看到验证统计数据会比训练统计数据差一些，并且距离越远，就越能表明您的模型过拟合或欠拟合。 |
| |
我想在这里指出另一件事，这确实超出了本次演讲的范围，那就是预测分析器。 |
| |
和预测分析器 |
| |
这实际上是我第一次开始使用 JMP 的原因之一。 这是理解模型的一种非常有效的方法。 |
| |
所以我可以改变任何 X 的值，看看预测的响应会发生什么，这是平均值，所以 |
| |
我们正在预测这些模型的平均值。 但请注意这些条带如何针对总胆固醇和低密度脂蛋白、高密度脂蛋白展开，对吧。 这是因为我们没有这些地区的任何数据。 |
| |
因此，我想再次快速指出的新功能超出了本次演讲的范围，这就是所谓的外推控制。 如果我打开警告并拖动 |
| |
总胆固醇，请注意，它告诉我有一个可能的推断。 这告诉我，我正在尝试预测一个我确实没有任何数据的区域，如果我转向 |
| |
打开这个外推控制，注意它截断了这个条形图，这条线，所以它基本上是说你不能在那个区域做出预测。 因此，如果您正在拟合模型，您可能需要检查一下。 这是一个非常强大的工具。 |
| |
假设我已经完成了所有诊断工作。 我已经缩小了这个模型，并且我希望能够保存我的结果。 |
| |
嗯，有几种方法可以做到这一点。 我可以转到红色列，保存列，保存预测公式。 |
| |
因此，这会将我刚刚构建的线性模型保存到数据表中。 所以你可以在后台看到它。 然后，如果我向该数据表添加新值，它会自动预测响应。 |
| |
但我可能想以另一种形式保存模型，因此为此，我可能会发布 |
| |
将该配方送到配方仓库。 公式库实际上独立于我的数据表，但这允许我做的是我可以复制脚本并将其粘贴到另一个包含新数据的数据表中以对新数据进行评分。 |
| |
或者我可能想用不同的语言生成代码，以便我可以在某种生产系统中部署它。 |
| |
我要继续并关闭它。 这只是一种模型。 现在，如果我拟合一个更复杂或更复杂的模型，它是否有可能获得更好的性能？ |
| |
所以我可能会适合另一个型号。 所以，举例来说，我可能......我只是要回忆一下。 我可能会将个性从标准最小二乘法改为广义回归。 |
| |
这允许我指定不同的响应分布。 我将坚持正常并单击运行。 |
| |
因此，这将使我能够适应不同的惩罚方法，并使用不同的变量选择技术。 如果你还没有检查过广义回归， |
| |
它是超级强大且超级灵活的现代建模平台。 我只需点击“开始”即可。 假设我适合这个模型 |
| |
我希望能够将此模型与我已经保存的模型进行比较。 所以我可能会将预测公式保存到数据表中。 所以现在我在数据表的背景中有另一列。 |
| |
或者我可能再次想发布这个 |
| |
到 |
| |
公式细节，所以现在我这里有两个不同的模型。 我可以继续前进。 所以这只是广义回归的一种模型。 我还可以适应几种不同类型的 |
| |
预测建模菜单中的预测模型，例如神经网络或分区或引导森林或提升树。 |
| |
现在，通常我要做的就是拟合所有这些模型，将结果保存到数据表或公式库中，如果我将它们保存到 |
| |
数据表，我可以使用这个模型比较平台来比较不同的竞争模型。 我可能有很多模型，这里我只有两个。 |
| |
实际上我什至不必指定模型是什么，我只需要指定验证。 我实际上有点喜欢将验证放在 by 字段中。 |
| |
因此，这为我提供了训练集和验证集的拟合统计数据，并且我只会查看验证步骤的统计数据。 所以我会用它来帮助我选择性能最好的模型。 |
| |
我感兴趣的是更高的 R 平方值、更低的 RASE（均方根误差）值和更低的平均绝对误差。 在这两个模型之间，看起来这个拟合最小二乘回归模型是最好的。 |
| |
现在，如果我要拟合所有可能的模型，这可能......这可能非常耗时。 因此，JMP Pro 16 中的新增功能不是这样做，而是一个称为模型筛选的平台。 |
| |
当我启动模型筛选时，它在顶部有一个对话，就像我们所看到的那样，所以我将继续填充它。 |
| |
我将添加一个验证，但在侧面，您看到的是我可以选择多个不同的模型并同时适合这些不同的模型。 |
| |
所以决策树、引导森林、提升树、K 最近邻，对吧，我可以拟合所有这些模型。 |
| |
它不会运行没有意义的模型，因此我将连续响应逻辑回归作为我的选择之一，它不会运行逻辑回归模型 |
| |
并持续响应。 请注意，我在这里也有这个选项，XGBoost。 |
| |
出现的原因是有一个插件，它实际上使用开源库，如果您安装这个插件（它可以在我们的 JMP 用户社区上找到， |
| |
它称为 XGBoost，仅适用于 JMP Pro），但如果您安装此插件，它将自动出现在模型筛选对话框中。 |
| |
所以我只需单击“确定”，当我单击“确定”时，它将执行并启动每个平台。 |
| |
然后它将把所有结果放入一个窗口中。 所以我点击了“确定”。 我这里数据不多，所以速度很快。 |
| |
在细节之下，这些都是适合的各个模型。 如果我打开其中任何一个对话，我就可以看到结果，并且可以访问该菜单中提供的其他选项。 |
| |
所以我要隐藏细节。 默认情况下，它所做的是报告训练数据的统计数据，但它向我显示验证数据的结果，因此我可以看到 R 方，也可以看到 RASE。 |
| |
默认情况下，它按 RASE 顺序排序，其中最低的是最好的。 |
| |
但我在这里有一些小快捷方式选项，所以如果我想找到最好的模型，并且 R 平方可能最适合某些模型，但 RASE 对于其他模型更好，我将单击选择主导。 |
| |
在这种情况下，它选择了神经增强，因此在所有这些模型中，最好的模型是神经增强。 如果我想仔细看看这个模型，我可以查看神经网络下的详细信息 |
| |
或者，我可以简单地说，运行选定的。 |
| |
现在我没有谈论这个，但在对话窗口中有一个设置随机种子的选项。 |
| |
如果我设置随机种子，那么此处启动的结果将与我在这里看到的结果相同。 所以这是一个...这是一个 |
| |
使用 TanH 函数的三个节点的神经模型，但它也使用 boosting。 因此，在设计这个平台时，开发人员进行了大量的模拟，以确定不同模型的最佳起点和最佳默认设置。 |
| |
所以神经增强是最好的。 |
| |
和 |
| |
如果我希望能够部署这个模型，现在我能做的就是保存脚本 |
| |
或者我可以运行它，或者我可以将它保存到更深的公式中。 |
| |
这是连续响应，红色三角形下方还有一些其他选项。 如果我得到明确的回应怎么办？ 对于明确的回应，我可以使用相同的平台。 那么，我将再次进行模型筛选。 |
| |
我将单击“召回”，但不使用 Y，而是使用 Y 二进制。 |
| |
我不会更改任何默认方法。 我将放入一个随机种子，例如 12345，我只是获取随机数。 |
| |
这将给我带来可重复性。 因此，如果我将任何模型保存到数据表或公式库中， |
| |
模型中的统计数据将相同，拟合将相同。 这里还有一些其他选项。 我们可能想关闭一些东西，比如报告。 |
| |
我们可能想要使用不同的交叉验证方法，因此该平台包括 K 折叠验证，但它也使用嵌套的 K 折叠交叉验证。 |
| |
我们可以重复这一点。 非常非常好。 有时将我们的数据划分为训练验证和测试并不是最好的并且 K 折 |
| |
实际上可以好一点。 底部还有一些附加选项。 所以我们可能想添加两种方式的交互。 我们可能想添加二次效应。 |
| |
在其他方法下，这将适合其他广义回归方法。 所以我将继续并单击“确定”。 |
| |
好的。 它运行所有模型，而且这是一个小数据集。 速度非常快。 |
| |
是的，外观和感觉是一样的，但现在的统计数据不同了。 所以我得到了错误分类率。 我有一个曲线下的区域。 我还得到了一些 R 平方度量，然后是均方根误差。 |
| |
我将单击“选择主导”，再次强调，主导方法是神经增强的。 |
| |
现在，如果我希望能够探索其中一些不同的模型怎么办？ 因此，这里的错误分类比逐步分类要低得多。 |
| |
AUC 有点相似，总体最低，但可能也好不了多少。 让我拿其中的一些。 因此，如果我点击其中的一些，也许我会……也许我会选择这四个、这五个。 |
| |
如果我有兴趣查看 ROC 曲线来比较模型，我可以查看 ROC 曲线。 |
| |
这里有一些很好的控件，可以让我关闭模型并专注于某些模型。 |
| |
我真正兴奋的一个新功能是称为决策阈值的东西。 |
| |
决策阈值让我们可以看到什么， |
| |
首先查看训练数据，它为我们提供了数据快照。 |
| |
错误分类率基于 0.5 的分类截止值。 因此，对于每个模型，它都向我展示了实际的高点和低点。 如果我们关注高点，则绿点被正确分类为高点。 |
| |
红色区域中的分类是错误的，所以它向我们展示了正确的分类和错误的分类，然后它在旁边报告了所有统计数据 |
| |
然后在下面，我们看到几个不同的指标以及大量图表，使我们能够查看错误分类和真实分类。 |
| |
我要关闭它并查看 |
| |
验证数据。 |
| |
那么为什么这有用呢？ 嗯，您可能有一个特定的场景，您对最大化敏感度感兴趣 |
| |
同时保持一定的特异性。 还有敏感性……这里有一些定义。 灵敏度为真阳性率； |
| |
特异性是真阴性率。 这是……这是我们想要观察疾病进展的情况，所以我们想确保我们……我们保持高敏感率 |
| |
同时还要确保我们的特异性很高，好吧。 所以我们可以做的是这里有一个滑块，我们可以抓住这个滑块， |
| |
我们可以看到当我们改变分类的截止值时分类是如何变化的。 |
| |
因此，我认为当您查看竞争模型时，这是一个非常强大的工具，因为您可能有一些模型的整体截止值为 0.5，它们可能具有最佳的错误分类率。 |
| |
但您也可能遇到这样的情况：如果更改分类的截止值，不同的模型可能会表现不同。 因此，例如，如果我在此处的某个区域，我可能会发现逐步模型实际上更好。 |
| |
现在为了进一步说明这一点，我想举一个不同的例子。 |
| |
这个例子称为信用卡营销。 |
| |
如果我回到幻灯片来介绍这个场景。 |
| |
这是一个场景 |
| |
我们通过市场调查获得了大量有关信用卡优惠接受程度的数据。 |
| |
答复是，报价是否被接受。 在这种情况下，研究中只有 5.5% 的录取通知书被实际接受。 |
| |
现在有我们感兴趣的因素，因此提供了不同类型的奖励， |
| |
并且有不同的邮件类型。 所以这实际上是一个有设计的实验。 我们将，真的，有点，忽略这部分……这项研究的那个方面。 |
| |
还有财务信息，因此我们将坚持……坚持本例中的一个目标，即确定最有可能接受该优惠的客户的目标。 |
| |
如果我们能够识别最有可能的客户，在这种情况下，我们可能只向更有可能接受报价的子集发送报价，而忽略其余的客户。 这就是这里的情况。 |
| |
我将打开这些数据。 |
| |
我收到了 10,000 个观察结果，我的回复是接受报价。 |
| |
我已经将脚本保存到数据表中，因此我有飞行里程、邮件类型、收入水平、信用评级和其他一些财务信息。 |
| |
它正在经历...我运行了一个保存脚本。 它正在运行所有模型。 在这种情况下，神经网络将花费最多的时间，因为它正在运行增强的神经网络。 |
| |
还需要几秒钟。 它正在运行支持向量机。 如果我有超过 10,000 个观察值，支持向量机将超时并且实际上不会运行。 |
| |
我再等一下。 我正在使用验证，因此我为此使用标准验证，其中有一个验证列。 在本例中，我有一列 0 和 1，JMP 将识别训练数据的 0 和验证数据的 1。 |
| |
好的。 我们就这样吧。 好的，它运行了，如果您正在处理大型数据表，那么...有一个可以运行的报告 |
| |
查看过去的时间。 对于这种情况，支持向量机实际上花费了最长的时间，这就是为什么有时如果我们有超过 10,000 个观察值它就无法运行。 |
| |
那么让我们看看这些。 因此，如果我选择主导模型，我们最好的模型是神经增强模型和决策树，但我想在这里指出一些事情。 注意错误分类率。 |
| |
除了支持向量机之外，所有模型的误分类率都是相同的。 而为什么会出现这样的情况呢？ 好吧，如果我对已接受的报价进行分配 |
| |
（让我把它放大一点，这样我们就可以看到它），只关注验证数据，注意我们的观察结果中有 0.063% 是肯定的。 这正是我们的模型所预测的。 |
| |
为什么要这样做？ |
| |
我将再次询问决策阈值。 |
| |
这里重点关注这张图，这张图有很多用途，在这种情况下，它向我们展示的是我们分类的截止值是 0.5 |
| |
但我们的拟合概率都没有接近这个，对吧。 因此，该模型要么将“否”正确分类为“否” |
| |
或将“是”分类为“否”。 它从未将任何事情归类为“是”，因为没有一个概率大于 0.5。 所以如果我把这个家伙拉长 |
| |
是的，我可以看到这两个模型的区别。 因此，神经提升的最高概率约为 0.25，而决策树的最高概率约为 0.15。 |
| |
请注意，对于决策树，决策树基本上是进行一系列的二元分割，基本上我有几个预测值，而神经增强它向我展示了点中很好的随机模式。 让我将其更改为 0.12 之类的内容。 |
| |
是的，它在 0.12 处截止，事实上，如果我滑动这个值，请注意，我得到的值越低，我实际上开始得到（我将在此处打开指标）我开始得到一些真正的积极结果。 |
| |
我开始收到一些误报。 当我拖动它时，您可以在栏中看到它，但是该栏有点小，对吧。 神经增强，我开始看到一些真阳性和一些假阳性。 |
| |
现在你开始看到它们。 一旦我通过了第一组点，我就开始将其视为决策树。 |
| |
因此，使用 0.5 的截止值对这些数据没有意义，我可能会再次尝试找到一个给我最大灵敏度的截止值，同时保持适当的特异性水平。 |
| |
在这种情况下，我将指出另外两个统计数据。 |
| |
F1 是 F1 分数，这实际上是衡量我们捕获真实阳性的能力的指标。 |
| |
MCC 是马修斯相关系数，它可以很好地衡量它在四种可能性中的分类效果。 所以我有... |
| |
我可能有假阳性、假阴性、真阳性、真阴性。 |
| |
我实际上并没有说与这里的框对应的内容，但我有四个不同的选项。 MCC 是一个介于负一和正一之间的相关系数，它衡量我在这四个框中的每一个中的预测方式。 |
| |
因此，我可能想探索为您提供最大 F1 值或最大 MCC 值的截止值。 假设我是这样拖下来的。 请注意 |
| |
敏感性增长很快，特异性开始下降，所以可能在 0.5 左右，对吧，我达到了特异性开始下降太多的程度。 |
| |
我可能会找到一个截止点，在底部有一个设置利润矩阵的选项。 如果我将其设置为我的利润矩阵，基本上，将会发生的情况是，它将允许我使用此截止值来评分新数据。 |
| |
因此，如果我在这里设置它并点击“确定”，那么我所做的任何未来预测，如果我将其保存到数据表或公式库中，都将使用该截止值。 |
| |
在这种情况下，我实际上可能拥有一些可以构建到利润矩阵中的财务信息。 |
| |
因此，例如，我可能对与我的分类相关的美元价值有一些了解，而不是使用滑块来选择截止值。 也许如果实际的回答是否定的 |
| |
但我向他们发送了一份报价，所以是的，我认为他们会同意，我向他们发送了一份报价。 也许这要花我 5 美元，对吧，所以我的价值是负数。 |
| |
也许我对潜在利润有所了解，所以也许利润...这段时间内的潜在利润是 100 美元，也许我失去了一些机会。 也许我会说，你知道，如果 |
| |
这个人实际上会回复，但我没有向他们发送报价。 所以也许这是失去的机会，有时我们将其留空。 现在如果我用这个来代替， |
| |
我显示了一些附加信息，因此它识别出我有一个利润矩阵。 现在，如果我查看指标，我可以根据此利润做出最佳模型的决策。 |
| |
因此，我将这些附加信息纳入决策中，有时我们有一个利润矩阵，我们可以直接使用它，有时则不然。 这是我可以看到神经增强模型将为我带来最佳整体利润的案例之一。 |
| |
这是模型筛选的先睹为快，让我回到我的幻灯片。 |
| |
我们在这里看到了什么？ 好吧，我们讨论了预测建模 |
| |
以及预测建模与解释建模的目标有何不同。 因此，我们的目标是准确预测或分类未来的结果，因此我们希望对未来的观察结果进行评分。 |
| |
我们通常会使用验证来拟合和比较许多模型，并选择效果最好、预测最准确的模型或模型组合。 |
| |
模型筛选确实简化了这一工作流程，因此您可以在一个平台上同时适应许多不同的模型。 |
| |
我实际上只使用了默认值，因此我可以安装比实际安装的模型更复杂的模型。 它使得选择主导模型、探索模型细节变得非常容易。 我们可以安装新型号 |
| |
从细节上。 如果您正在处理分类数据，此决策阈值允许您探索分类的截止值，并且还集成了包含利润矩阵的功能。 |
| |
对于任何选定的模型，我们可以将模型部署到公式库或将其保存到数据表中。 这是一个非常强大的新工具。 |
| |
了解更多信息。 分类指标，在我看到 F1 分数和马修斯相关系数之前，我知道这些统计数据对我来说相对较新。 |
| |
为了理解敏感性和特异性，这篇维基百科帖子有一些非常非常好的例子和非常好的讨论。 |
| |
还有一些非常好的预测建模和模型筛选资源。 在 JMP 用户社区中，有一个新路径“学习 JMP”，可以访问视频， |
| |
掌握 JMP 系列视频。 去年，Ruth Hummel 和 Mary Loveless 在图森的 JMP Discovery 上做了一次非常精彩的演讲，讨论了哪种模型。 |
| |
这很好地讨论了不同的建模目标以及您何时可能想要使用每个模型。 |
| |
如果您是预测建模的新手，我们的免费在线课程 STIPS（工业问题解决的统计思维）模块 7 介绍了预测建模。 |
| |
所以我会推荐这个。 有一个模型筛选博客使用了我将指出的糖尿病数据，我还想指出这本书的第二版，使用 JMP Pro 构建更好的模型， |
| |
这将在接下来的几个月内推出。 他们还没有新的封面，但他们会……在那本书中包括模型筛选。 |
| |
所以这就是我所拥有的。 请随意对这篇文章发表评论或提出问题，我希望您喜欢本次会议的其余部分。 谢谢。 |
