349255_zh-TW

liliconcom

模型篩選：簡化預測建模工作流程 (2021-EU-30MP-781)

級別：中級

 

Mia Stephens，SAS JMP 首席產品經理

 

預測建模就是尋找最準確地預測感興趣結果的模型或模型組合。 但是，並非所有問題（和數據）都是一樣的。 對於任何給定的場景，都有多種可能的預測模型可供選擇，並且沒有一種模型最適合所有問題。 在某些情況下，回歸模型可能是表現最好的；在其他情況下，它可能是基於樹的模型或神經網絡。

在尋找性能最佳的模型時，您可能會使用交叉驗證一次適合所有可用模型。 然後，您可以將各個模型保存到數據表或 Formula Depot，然後使用模型比較來比較模型在驗證集上的性能以選擇最佳模型。 現在，借助 JMP Pro 16 中的新模型篩選平台，此工作流程已得到簡化。 在本次演講中，您將學習如何使用模型篩選來同時擬合、驗證、比較、探索、選擇並部署性能最佳的預測模型。

 

 

自動生成的成績單...

 

揚聲器	成績單
米婭·斯蒂芬斯	模型篩選。
	如果您從事預測建模工作，您會發現模型篩選可以幫助您簡化預測建模工作流程。
	因此，在本次演講中，我將概述預測建模，討論我們可以在 JMP 中使用的不同類型的預測模型。
	我們將討論更廣泛的分析工作流程中的預測建模工作流程，並且我們將了解模型篩選如何幫助我們簡化此工作流程。
	我將討論使用驗證數據比較競爭模型的一些指標，並且我們將在 JMP Pro 中看到幾個示例。
	首先我們來談談預測建模以及什麼是預測建模。
	您可能已經接觸過回歸分析，回歸是解釋性建模的一個示例。 在回歸中，我們通常對構建模型感興趣
	對於一個響應或 Y，作為一個或多個 X 的函數，我們可能有不同的建模目標。 我們可能對識別重要變量感興趣。 那麼關鍵的 X 或關鍵的輸入變量是什麼？
	例如，在解決問題的環境中，我們可能會集中精力解決問題？
	我們可能有興趣了解響應平均如何隨著輸入變量的變化而變化。
	X 的 1 個單位的變化與 Y 的 5 個單位的變化相關。 所以這是經典的解釋模型，如果您在學校學過統計學，這可能就是您學習回歸的方式。
	相比之下，預測建模的目標略有不同。 在預測建模中，我們的目標是準確預測或分類未來的結果。
	因此，如果我們的反應是連續的，我們希望能夠盡可能精確地預測下一個觀察結果、下一個結果。
	如果我們的反應是明確的，那麼我們對分類感興趣。 我們再次有興趣使用當前數據來預測未來在個人層面上會發生什麼。
	我們可能會擬合和比較許多不同的模型，並且在預測建模中我們也可能會使用一些更高級的模型。 我們可能會使用一些機器學習技術，例如神經網絡。
	其中一些模型可能不太容易解釋，並且其中許多模型都有許多我們可以設置的不同調整參數。 因此，通過預測建模，我們可能會遇到過度擬合的問題。
	過度擬合意味著我們擬合的模型比需要的更複雜。
	因此，對於預測建模，我們通常使用驗證，並且我們可以使用幾種不同形式的驗證。
	我們使用驗證來進行模型比較和選擇，從根本上來說，它可以防止過度擬合，但也可以防止欠擬合。
	欠擬合是指我們擬合的模型沒有需要的那麼複雜。 它並沒有真正捕獲我們數據中的結構。
	現在，在幻燈片末尾的附錄中，我提取了一些幻燈片來說明為什麼驗證很重要，但為了本次演講的重點，我只是在擬合預測模型時使用驗證。
	我們可以在 JMP Pro 中安裝許多不同類型的模型，這絕不是詳盡的列表。
	我們可以擬合幾種不同類型的回歸模型。 如果我們有連續響應，我們可以擬合線性回歸模型。
	如果我們的響應是分類的，則為邏輯回歸模型，但我們也可以擬合廣義線性模型和懲罰回歸方法，而這些都來自擬合模型平台。
	預測建模平台下有很多選項，因此神經網絡、帶Boosting的神經網絡以及不同數量的層和節點，
	分類和回歸樹，以及更先進的基於樹的方法，以及其他幾種技術。
	多元方法平台還有一些預測建模選項，因此可以進行判別分析
	和偏最小二乘是兩種不同的......我們可以用於預測建模的另外兩種模型。 順便說一下，擬合模型也可以使用偏最小二乘法。
	為什麼我們有這麼多模型？
	在預測建模中，您經常會發現沒有一個模型
	或者建模類型總是效果最好的。 在某些情況下，神經網絡可能是最好的，並且神經網絡通常表現得非常......非常好。
	但在其他情況下，您可能會發現更簡單的模型實際上表現最好，因此最適合您的數據並預測最準確的模型類型主要取決於您的響應，但也取決於數據的結構。
	因此，您可能會擬合幾種不同類型的模型並比較這些模型，然後才能找到最準確擬合或預測最準確的模型。
	因此，在更廣泛的分析工作流程中，您從嘗試解決的某種問題開始，然後編譯數據、準備數據並探索數據，
	預測建模主要體現在分析和構建模型上。 典型的預測建模工作流程可能看起來像這樣，您可以通過驗證來擬合模型。
	然後將該公式保存到數據表或將其發佈到公式庫。
	然後你安裝另一個模型並重複這個，所以你可能會安裝幾個不同的模型
	然後比較這些模型。 在 JMP Pro 中，您可以使用模型比較平台來執行此操作，比較模型在驗證數據上的性能，然後選擇最佳模型或最佳組合模型，然後部署模型。
	與模型篩選不同的是，所有的模型擬合和比較，這個選擇都是在一個平台內完成的，即模型篩選平台。
	因此，我們將使用您可能熟悉的一個示例，並且有一個關於使用社區中發布的這些數據進行模型篩選的博客，這些是糖尿病數據。
	因此，研究人員希望預測基線一年後疾病進展的速度。
	因此有幾個基線測量，然後有兩種不同類型的響應。
	響應 Y 是定量測量，連續測量，因此這是疾病進展的速率，然後是第二個響應，Y 二元，它是高或低。
	因此，Y 二元可以表示高進展率或低進展率。
	這裡預測建模的目標是預測最有可能疾病進展率較高的患者，以便採取糾正措施
	為了防止這種情況發生。 因此，我們將...我們將在 JMP Pro 中研究這兩種響應的擬合模型，並且我們將了解如何使用模型篩選來擬合相同的模型。
	在我去 JMP 之前，我只想談談我們如何比較預測模型。
	我們比較驗證集或測試集上的預測模型。 所以基本上我們所做的就是將模型擬合到稱為訓練數據的數據子集。
	然後我們將該模型與所提供的數據（通常我們稱之為驗證數據）進行擬合，以查看模型的表現如何。
	如果我們有連續響應，我們可以使用誤差度量，即均方根誤差 (RMSE) 或 RASE，即路徑平均平方誤差，因此這是預測誤差的度量。
	AAE、MAD、MAE，這些是平均誤差的度量，我們可能會使用不同的 R 平方度量。
	為了獲得明確的響應，我們通常對錯誤或錯誤分類的度量感興趣。
	我們可能還對查看 ROC 曲線、AUC（曲線下面積）或敏感性、或特異性、假陽性、假陰性率感興趣。
	F1-Score 和 MCC，即 Matthews 相關係數。
	那麼讓我切換到 JMP。
	把它收起來，我將打開糖尿病數據。
	讓我把它放大，這樣你就可以看到它。
	這些就是數據。 有……有 442 名患者的信息，我們再次得到了響應 Y，它是連續的，這是一年後疾病進展的量。 我們將從 Y 開始，然後我們還有第二個變量，Y 二進制。
	我們已經掌握了基線信息。
	還有一個列驗證。 因此，再次進行驗證，當我們擬合模型時，我們將僅使用訓練數據來擬合模型，並且我們將使用驗證數據來告訴我們何時停止增長模型，並為我們提供衡量模型效果的指標模型確實適合。
	現在要構建此列，預測建模下有一個名為模型驗證列的實用程序。
	這為我們提供了很多構建驗證列的選項，因此我們可以將數據劃分為訓練驗證集和測試集。
	而且，在大多數情況下，如果我們使用這種將數據劃分為子集的技術，
	建議使用測試集。 擁有測試集可以讓您對未用於構建模型或停止模型增長的數據進行模型性能評估，因此我建議這樣做，即使我們在此沒有測試集案件。
	假設我想...我想找到一個能夠最準確地預測響應的模型。 正如您所看到的，有很多不同的型號可供選擇。
	我將從擬合模型開始。
	這通常是一個很好的起點。
	因此，我將構建一個回歸模型，其中 Y 作為我們的響應，X 作為模型效應，並且此時我只會輸入主效應。 我將添加一個驗證列。
	現在從擬合模型來看，這裡的默認值將是標準最小二乘法，但是我們可以擬合很多不同類型的模型。
	我只是要運行最小二乘模型。
	這裡有幾點需要指出。 注意這裡的標記，V。
	請記住，我們將模型與訓練數據進行擬合，但我們還想了解模型在驗證數據上的表現如何，因此所有帶有 V 的標記都是驗證集中的觀察值。
	因為我們有驗證，所以這裡有一個交叉驗證部分，所以我們可以查看訓練集和驗證集上的 R 平方，然後查看 RASE。
	通常，您會看到驗證統計數據會比訓練統計數據差一些，並且距離越遠，就越能表明您的模型過擬合或欠擬合。
	我想在這裡指出另一件事，這確實超出了本次演講的範圍，那就是預測分析器。
	和預測分析器
	這實際上是我第一次開始使用 JMP 的原因之一。 這是理解模型的一種非常有效的方法。
	所以我可以改變任何 X 的值，看看預測的響應會發生什麼，這是平均值，所以
	我們正在預測這些模型的平均值。 但請注意這些條帶如何針對總膽固醇和低密度脂蛋白、高密度脂蛋白展開，對吧。 這是因為我們沒有這些地區的任何數據。
	因此，我想再次快速指出的新功能超出了本次演講的範圍，這就是所謂的外推控制。 如果我打開警告並拖動
	總膽固醇，請注意，它告訴我有一個可能的推斷。 這告訴我，我正在嘗試預測一個我確實沒有任何數據的區域，如果我轉向
	打開這個外推控制，注意它截斷了這個條形圖，這條線，所以它基本上是說你不能在那個區域做出預測。 因此，如果您正在擬合模型，您可能需要檢查一下。 這是一個非常強大的工具。
	假設我已經完成了所有診斷工作。 我已經縮小了這個模型，並且我希望能夠保存我的結果。
	嗯，有幾種方法可以做到這一點。 我可以轉到紅色列，保存列，保存預測公式。
	因此，這會將我剛剛構建的線性模型保存到數據表中。 所以你可以在後台看到它。 然後，如果我向該數據表添加新值，它會自動預測響應。
	但我可能想以另一種形式保存模型，因此為此，我可能會發布
	將該配方送到配方倉庫。 公式庫實際上獨立於我的數據表，但這允許我做的是我可以復制腳本並將其粘貼到另一個包含新數據的數據表中以對新數據進行評分。
	或者我可能想用不同的語言生成代碼，以便我可以在某種生產系統中部署它。
	我要繼續並關閉它。 這只是一種模型。 現在，如果我擬合一個更複雜或更複雜的模型，它是否有可能獲得更好的性能？
	所以我可能會適合另一個型號。 所以，舉例來說，我可能......我只是要回憶一下。 我可能會將個性從標準最小二乘法改為廣義回歸。
	這允許我指定不同的響應分佈。 我將堅持正常並單擊運行。
	因此，這將使我能夠適應不同的懲罰方法，並使用不同的變量選擇技術。 如果你還沒有檢查過廣義回歸，
	它是超級強大且超級靈活的現代建模平台。 我只需點擊“開始”即可。 假設我適合這個模型
	我希望能夠將此模型與我已經保存的模型進行比較。 所以我可能會將預測公式保存到數據表中。 所以現在我在數據表的背景中有另一列。
	或者我可能再次想發布這個
	到
	公式細節，所以現在我這裡有兩個不同的模型。 我可以繼續前進。 所以這只是廣義回歸的一種模型。 我還可以適應幾種不同類型的
	預測建模菜單中的預測模型，例如神經網絡或分區或引導森林或提升樹。
	現在，通常我要做的就是擬合所有這些模型，將結果保存到數據表或公式庫中，如果我將它們保存到
	數據表，我可以使用這個模型比較平台來比較不同的競爭模型。 我可能有很多模型，這裡我只有兩個。
	實際上我什至不必指定模型是什麼，我只需要指定驗證。 我實際上有點喜歡將驗證放在 by 字段中。
	因此，這為我提供了訓練集和驗證集的擬合統計數據，並且我只會查看驗證步驟的統計數據。 所以我會用它來幫助我選擇性能最好的模型。
	我感興趣的是更高的 R 平方值、更低的 RASE（均方根誤差）值和更低的平均絕對誤差。 在這兩個模型之間，看起來這個擬合最小二乘回歸模型是最好的。
	現在，如果我要擬合所有可能的模型，這可能......這可能非常耗時。 因此，JMP Pro 16 中的新增功能不是這樣做，而是一個稱為模型篩選的平台。
	當我啟動模型篩選時，它在頂部有一個對話，就像我們所看到的那樣，所以我將繼續填充它。
	我將添加一個驗證，但在側面，您看到的是我可以選擇多個不同的模型並同時適合這些不同的模型。
	所以決策樹、引導森林、提升樹、K 最近鄰，對吧，我可以擬合所有這些模型。
	它不會運行沒有意義的模型，因此我將連續響應邏輯回歸作為我的選擇之一，它不會運行邏輯回歸模型
	並持續響應。 請注意，我在這裡也有這個選項，XGBoost。
	出現的原因是有一個插件，它實際上使用開源庫，如果您安裝這個插件（它可以在我們的 JMP 用戶社區上找到，
	它稱為 XGBoost，僅適用於 JMP Pro），但如果您安裝此插件，它將自動出現在模型篩選對話框中。
	因此，我只需單擊“確定”，當我單擊“確定”時，它將執行並啟動每個平台。
	然後它將把所有結果放入一個窗口中。 所以我點擊了“確定”。 我這里數據不多，所以速度很快。
	在細節之下，這些都是適合的各個模型。 如果我打開其中任何一個對話，我就可以看到結果，並且可以訪問該菜單中提供的其他選項。
	所以我要隱藏細節。 默認情況下，它所做的是報告訓練數據的統計數據，但它向我顯示驗證數據的結果，因此我可以看到 R 方，也可以看到 RASE。
	默認情況下，它按 RASE 順序排序，其中最低的是最好的。
	但我在這裡有一些小快捷方式選項，所以如果我想找到最好的模型，並且 R 平方可能最適合某些模型，但 RASE 對於其他模型更好，我將單擊選擇主導。
	在這種情況下，它選擇了神經增強，因此在所有這些模型中，最好的模型是神經增強。 如果我想仔細看看這個模型，我可以查看神經網絡下的詳細信息
	或者，我可以簡單地說，運行選定的。
	現在我沒有談論這個，但在對話窗口中有一個設置隨機種子的選項。
	如果我設置隨機種子，那麼此處啟動的結果將與我在這裡看到的結果相同。 所以這是一個...這是一個
	使用 TanH 函數的三個節點的神經模型，但它也使用 boosting。 因此，在設計這個平台時，開發人員進行了大量的模擬，以確定不同模型的最佳起點和最佳默認設置。
	所以神經增強是最好的。
	和
	如果我希望能夠部署這個模型，現在我能做的就是保存腳本
	或者我可以運行它，或者我可以將它保存到更深的公式中。
	這是連續響應，紅色三角形下方還有一些其他選項。 如果我得到明確的回應怎麼辦？ 對於明確的回應，我可以使用相同的平台。 那麼，我將再次進行模型篩選。
	我將單擊“召回”，但不使用 Y，而是使用 Y 二進制。
	我不會更改任何默認方法。 我將放入一個隨機種子，例如 12345，我只是獲取隨機數。
	這將給我帶來可重複性。 因此，如果我將任何模型保存到數據表或公式庫中，
	模型中的統計數據將相同，擬合將相同。 這裡還有一些其他選項。 我們可能想關閉一些東西，比如報告。
	我們可能想要使用不同的交叉驗證方法，因此該平台包括 K 折疊驗證，但它也使用嵌套的 K 折疊交叉驗證。
	我們可以重複這一點。 非常非常好。 有時將我們的數據劃分為訓練驗證和測試並不是最好的並且 K 折
	實際上可以好一點。 底部還有一些附加選項。 所以我們可能想添加兩種方式的交互。 我們可能想添加二次效應。
	在其他方法下，這將適合其他廣義回歸方法。 所以我將繼續並單擊“確定”。
	好的。 它運行所有模型，而且這是一個小數據集。 速度非常快。
	是的，外觀和感覺是一樣的，但現在的統計數據不同了。 所以我得到了錯誤分類率。 我有一個曲線下的區域。 我還得到了一些 R 平方度量，然後是均方根誤差。
	我將單擊“選擇主導”，再次強調，主導方法是神經增強的。
	現在，如果我希望能夠探索其中一些不同的模型怎麼辦？ 因此，這裡的錯誤分類比逐步分類要低得多。
	AUC 有點相似，總體最低，但可能也好不了多少。 讓我拿其中的一些。 因此，如果我點擊其中的一些，也許我會……也許我會選擇這四個、這五個。
	如果我有興趣查看 ROC 曲線來比較模型，我可以查看 ROC 曲線。
	這裡有一些很好的控件，可以讓我關閉模型並專注於某些模型。
	我真正興奮的一個新功能是稱為決策閾值的東西。
	決策閾值讓我們可以看到什麼，
	首先查看訓練數據，它為我們提供了數據快照。
	錯誤分類率基於 0.5 的分類截止值。 因此，對於每個模型，它都向我展示了實際的高點和低點。 如果我們關注高點，則綠點被正確分類為高點。
	紅色區域中的分類是錯誤的，所以它向我們展示了正確的分類和錯誤的分類，然後它在旁邊報告了所有統計數據
	然後在下面，我們看到幾個不同的指標以及大量圖表，使我們能夠查看錯誤分類和真實分類。
	我要關閉它並查看
	驗證數據。
	那麼為什麼這有用呢？ 嗯，您可能有一個特定的場景，您對最大化敏感度感興趣
	同時保持一定的特異性。 還有敏感性……這裡有一些定義。 靈敏度為真陽性率；
	特異性是真陰性率。 這是……這是我們想要觀察疾病進展的情況，所以我們想確保我們……我們保持高敏感率
	同時還要確保我們的特異性很高，好吧。 所以我們可以做的是這裡有一個滑塊，我們可以抓住這個滑塊，
	我們可以看到當我們改變分類的截止值時分類是如何變化的。
	因此，我認為當您查看競爭模型時，這是一個非常強大的工具，因為您可能有一些模型的整體截止值為 0.5，它們可能具有最佳的錯誤分類率。
	但您也可能遇到這樣的情況：如果更改分類的截止值，不同的模型可能會表現不同。 因此，例如，如果我在此處的某個區域，我可能會發現逐步模型實際上更好。
	現在為了進一步說明這一點，我想舉一個不同的例子。
	這個例子稱為信用卡營銷。
	如果我回到幻燈片來介紹這個場景。
	這是一個場景
	我們通過市場調查獲得了大量有關信用卡優惠接受情況的數據。
	答復是，報價是否被接受。 在這種情況下，研究中只有 5.5% 的錄取通知書被實際接受。
	現在有我們感興趣的因素，因此提供了不同類型的獎勵，
	並且有不同的郵件類型。 所以這實際上是一個有設計的實驗。 我們將，真的，有點，忽略這部分……這項研究的那個方面。
	還有財務信息，因此我們將堅持……堅持本例中的一個目標，即確定最有可能接受該優惠的客戶的目標。
	如果我們能夠識別最有可能的客戶，在這種情況下，我們可能只向更有可能接受報價的子集發送報價，而忽略其餘的客戶。 這就是這裡的情況。
	我將打開這些數據。
	我收到了 10,000 個觀察結果，我的回復是接受報價。
	我已經將腳本保存到數據表中，因此我有飛行里程、郵件類型、收入水平、信用評級和其他一些財務信息。
	它正在經歷...我運行了一個保存腳本。 它正在運行所有模型。 在這種情況下，神經網絡將花費最多的時間，因為它正在運行增強的神經網絡。
	還需要幾秒鐘。 它正在運行支持向量機。 如果我有超過 10,000 個觀察值，支持向量機將超時並且實際上不會運行。
	我再等一下。 我正在使用驗證，因此我為此使用標準驗證，其中有一個驗證列。 在本例中，我有一列 0 和 1，JMP 將識別訓練數據的 0 和驗證數據的 1。
	好的。 我們就這樣吧。 好的，它運行了，如果您正在處理大型數據表，那麼...有一個可以運行的報告
	查看過去的時間。 對於這種情況，支持向量機實際上花費了最長的時間，這就是為什麼有時如果我們有超過 10,000 個觀察值它就無法運行。
	那麼讓我們看看這些。 因此，如果我選擇主導模型，我們最好的模型是神經增強模型和決策樹，但我想在這裡指出一些事情。 注意錯誤分類率。
	除了支持向量機之外，所有模型的誤分類率都是相同的。 而為什麼會出現這樣的情況呢？ 好吧，如果我對已接受的報價進行分配
	（讓我把它放大一點，這樣我們就可以看到它），只關注驗證數據，注意我們的觀察結果中有 0.063% 是肯定的。 這正是我們的模型所預測的。
	為什麼要這樣做？
	我將再次詢問決策閾值。
	這裡重點關注這張圖，這張圖有很多用途，在這種情況下，它向我們展示的是我們分類的截止值是 0.5
	但我們的擬合概率都沒有接近這個，對吧。 因此，該模型要么將“否”正確分類為“否”
	或將“是”分類為“否”。 它從未將任何事情歸類為“是”，因為沒有一個概率大於 0.5。 所以如果我把這個傢伙拉長
	是的，我可以看到這兩個模型的區別。 因此，神經提升的最高概率約為 0.25，而決策樹的最高概率約為 0.15。
	請注意，對於決策樹，決策樹基本上是進行一系列的二元分割，基本上我有幾個預測值，而神經增強它向我展示了點中很好的隨機模式。 讓我將其更改為 0.12 之類的內容。
	是的，它在0.12 處截止，事實上，如果我滑動這個值，請注意，我得到的值越低，我實際上開始得到（我將在此處打開指標）我開始得到一些真正的積極結果。
	我開始收到一些誤報。 當我拖動它時，您可以在欄中看到它，但是該欄有點小，對吧。 神經增強，我開始看到一些真陽性和一些假陽性。
	現在你開始看到它們。 一旦我通過了第一組點，我就開始將其視為決策樹。
	因此，使用 0.5 的截止值對這些數據沒有意義，我可能會再次嘗試找到一個給我最大靈敏度的截止值，同時保持適當的特異性水平。
	在這種情況下，我將指出另外兩個統計數據。
	F1 是 F1 分數，這實際上是衡量我們捕獲真實陽性的能力的指標。
	MCC 是馬修斯相關係數，它可以很好地衡量它在四種可能性中的分類效果。 所以我有...
	我可能有假陽性、假陰性、真陽性、真陰性。
	我實際上並沒有說與這裡的框對應的內容，但我有四個不同的選項。 MCC 是一個介於負一和正一之間的相關係數，它衡量我在這四個框中的每一個中的預測方式。
	因此，我可能想探索為您提供最大 F1 值或最大 MCC 值的截止值。 假設我是這樣拖下來的。 請注意
	敏感性增長很快，特異性開始下降，所以可能在 0.5 左右，對吧，我達到了特異性開始下降太多的程度。
	我可能會找到一個截止點，在底部有一個設置利潤矩陣的選項。 如果我將其設置為我的利潤矩陣，基本上，將會發生的情況是，它將允許我使用此截止值來評分新數據。
	因此，如果我在這裡設置它並點擊“確定”，那麼我所做的任何未來預測，如果我將其保存到數據表或公式庫中，都將使用該截止值。
	在這種情況下，我實際上可能擁有一些可以構建到利潤矩陣中的財務信息。
	因此，例如，我可能對與我的分類相關的美元價值有一些了解，而不是使用滑塊來選擇截止值。 也許如果實際的回答是否定的
	但我向他們發送了一份報價，所以是的，我認為他們會同意，我向他們發送了一份報價。 也許這要花我 5 美元，對吧，所以我的價值是負數。
	也許我對潛在利潤有所了解，所以也許利潤...這段時間內的潛在利潤是 100 美元，也許我失去了一些機會。 也許我會說，你知道，如果
	這個人實際上會回复，但我沒有向他們發送報價。 所以也許這是失去的機會，有時我們將其留空。 現在如果我用這個來代替，
	我顯示了一些附加信息，因此它識別出我有一個利潤矩陣。 現在，如果我查看指標，我可以根據此利潤做出最佳模型的決策。
	因此，我將這些附加信息納入決策中，有時我們有一個利潤矩陣，我們可以直接使用它，有時則不然。 這是我可以看到神經增強模型將為我帶來最佳整體利潤的案例之一。
	這是模型篩選的先睹為快，讓我回到我的幻燈片。
	我們在這裡看到了什麼？ 好吧，我們討論了預測建模
	以及預測建模與解釋建模的目標有何不同。 因此，我們的目標是準確預測或分類未來的結果，因此我們希望對未來的觀察結果進行評分。
	我們通常會使用驗證來擬合和比較許多模型，並選擇效果最好、預測最準確的模型或模型組合。
	模型篩選確實簡化了這一工作流程，因此您可以在一個平台上同時適應許多不同的模型。
	我實際上只使用了默認值，因此我可以安裝比實際安裝的模型更複雜的模型。 它使得選擇主導模型、探索模型細節變得非常容易。 我們可以安裝新型號
	從細節上。 如果您正在處理分類數據，此決策閾值允許您探索分類的截止值，並且還集成了包含利潤矩陣的功能。
	對於任何選定的模型，我們可以將模型部署到公式庫或將其保存到數據表中。 這是一個非常強大的新工具。
	了解更多信息。 分類指標，在我看到 F1 分數和馬修斯相關係數之前，我知道這些統計數據對我來說相對較新。
	為了理解敏感性和特異性，這篇維基百科帖子有一些非常非常好的例子和非常好的討論。
	還有一些非常好的預測建模和模型篩選資源。 在 JMP 用戶社區中，有一個新路徑“學習 JMP”，可以訪問視頻，
	掌握 JMP 系列視頻。 去年，Ruth Hummel 和 Mary Loveless 在圖森的 JMP Discovery 上做了一次非常精彩的演講，討論了哪種模型。
	這很好地討論了不同的建模目標以及您何時可能想要使用每個模型。
	如果您是預測建模的新手，我們的免費在線課程 STIPS（工業問題解決的統計思維）模塊 7 介紹了預測建模。
	所以我會推薦這個。 有一個模型篩選博客使用了我將指出的糖尿病數據，我還想指出這本書的第二版，使用 JMP Pro 構建更好的模型，
	這將在接下來的幾個月內推出。 他們還沒有新的封面，但他們會……在那本書中包括模型篩選。
	所以這就是我所擁有的一切。 請隨意對這篇文章發表評論或提出問題，我希望您喜歡本次會議的其餘部分。 謝謝。

峰會精選爆發預測建模回复：模型篩選：簡化預測建模工作流程 (2021-EU-30MP-781)

非常感謝您的介紹！ 嗯，這個 16 版本有預測的東西，這在我使用的 15 版本中是非常需要的。 我對 Predictive 平台的功能感到驚訝！

回复：模型篩選：簡化預測建模工作流程 (2021-EU-30MP-781)

期待新的建模書！