Algoritmi genetici, ricottura simulata, ecc. Per l'ottimizzazione delle equazioni di regressione QSARSono interessato a creare equazioni di regressione per problemi relativi a QSAR.L'idea generale è trovare un'equazione di regressione lineare da un pool di molte (> 200) variabili o descrittori indipendenti per prevedere una variabile dipendente.Tipicamente, il numero di righe / osservazioni è piccolo (n = 50 come minimo).
È possibile eseguire questa operazione utilizzando la regressione generalizzata in JMP.Mentre i metodi di regressione penalizzata o la semplice eliminazione in avanti o all'indietro possono trovare una "buona" equazione di regressione lineare, la mia preoccupazione è che questi metodi potrebbero non trovare la soluzione ottimale a livello globale e che rimangano bloccati in un minimo locale.
Esistono altre tecniche al di fuori di JMP che possono campionare molte più scelte possibili come: algoritmi genetici, ricottura simulata, ottimizzazione dello sciame di particelle, colonia di formiche / api, ecc. Prendendo sottoinsiemi di descrittori, utilizzando una funzione per valutare il modello risultante, suddivisione il sottoinsieme per creare e valutare nuovi sottoinsiemi.
Mi chiedevo se qualcuno ha creato un modo per farlo all'interno di JMP o ha anche un modo per farlo al di fuori di JMP (ad esempio in R, Python, Matlab, SAS, ecc.) E può forse pensare a un modo per aggiungere questa funzionalità all'interno di JMP?La mia esigenza specifica è creare equazioni di regressione lineare e non reti neurali, foreste casuali o altri tipi di modelli che possono essere realizzati anche da JMP.
AnalyticsAltroScriptingOggetto: algoritmi genetici, ricottura simulata, ecc. Per l'ottimizzazione delle equazioni di regressione QSARNessuno di questi aiuterà, tranne per suggerire che JSL può essere scritto per fare annealing simulato e simulazioni di sistemi:
Come usare Define Class ricottura / forza della molla
Trilogia di Halloween: tutto in uno ricottura / forza della molla
Visualizzazione del vento simulazione / visualizzazione di un sistema
Video stormo / sciame / scuola sciamare / floccare
Questi sono progetti intensivi JSL; saprai molto su JSL dopo aver intrapreso questo percorso.
Oggetto: algoritmi genetici, ricottura simulata, ecc. Per l'ottimizzazione delle equazioni di regressione QSARlo so @P_Bartell ama PLS ed è una buona soluzione in molti posti. Sono un grande fan dei metodi ad albero e recentemente è stato pubblicato un componente aggiuntivo per XGBoost: Componente aggiuntivo XGBoost per JMP Pro
Dato che sembra che tu abbia una licenza JMP Pro, potrebbe valere la pena di dare un'occhiata.
Oggetto: algoritmi genetici, ricottura simulata, ecc. Per l'ottimizzazione delle equazioni di regressione QSARNon mi è chiaro cosa intendi per "sottoinsiemi di variabili" ... se la selezione delle variabili fa parte dei tuoi obiettivi di risoluzione dei problemi, PLS può essere utilizzato abbastanza bene. In JMP Pro hai la flessibilità di selezionare il numero di fattori latenti con cui lavorare. Quindi trova le variabili più influenti all'interno di quel costrutto ... JMP Pro ha anche un insieme flessibile di metodi di convalida incrociata ... KFold potrebbe funzionare meglio per i tuoi dati superficiali?
Oggetto: algoritmi genetici, ricottura simulata, ecc. Per l'ottimizzazione delle equazioni di regressione QSARUn problema con PLS è che non selezionerà sottoinsiemi delle variabili indipendenti e includerà solo ogni variabile indipendente.Ciò potrebbe causare problemi di adattamento eccessivo.
Oggetto: algoritmi genetici, ricottura simulata, ecc. Per l'ottimizzazione delle equazioni di regressione QSARI metodi penalizzati sono una strada da percorrere. Ma hai considerato i minimi quadrati parziali? Il tuo set di dati è ampio e superficiale. Fatto su misura per PLS. Ancora un'equazione lineare. E se i tuoi predittori sono correlati ... ancora meglio.
