Algoritmos genéticos, recocido simulado, etc. para optimizar ecuaciones de regresión QSAREstoy interesado en crear ecuaciones de regresión para problemas relacionados con QSAR.La idea general es encontrar una ecuación de regresión lineal a partir de un conjunto de muchas (> 200) variables independientes o descriptores para predecir una variable dependiente.Normalmente, el número de filas / observaciones es pequeño (n = 50 como mínimo).
Hay formas de hacer esto usando Regresión generalizada en JMP.Si bien los métodos de regresión penalizados o la eliminación simple hacia adelante o hacia atrás pueden encontrar una ecuación de regresión lineal "buena", mi preocupación es que estos métodos pueden no encontrar la solución óptima global y que se atasquen en un mínimo local.
Hay otras técnicas fuera de JMP que pueden muestrear muchas más opciones posibles, tales como: algoritmos genéticos, recocido simulado, optimización de enjambres de partículas, colonia de hormigas / abejas, etc., tomando subconjuntos de descriptores, usando una función para evaluar el modelo resultante, dividiendo hasta el subconjunto para crear y evaluar subconjuntos más nuevos.
Me preguntaba si alguien ha creado una forma de hacer esto dentro de JMP o incluso tiene una forma de hacerlo fuera de JMP (por ejemplo, en R, Python, Matlab, SAS, etc.) y tal vez pueda pensar en una forma de complemento esta funcionalidad dentro de JMP?Mi necesidad específica es hacer ecuaciones de regresión lineal y no redes neuronales, bosques aleatorios u otros tipos de modelos que JMP también puede hacer.
AnalíticaOtroScriptingRe: algoritmos genéticos, recocido simulado, etc. para optimizar ecuaciones de regresión QSARNinguno de estos ayudará, excepto para sugerir que JSL se puede escribir para hacer recocido simulado y simulaciones de sistemas:
Cómo utilizar Definir clase recocido / fuerza de resorte
Trilogía de Halloween: todo en uno recocido / fuerza de resorte
Visualización del viento simulación / visualización de un sistema
Video bandada / enjambre / escuela enjambre / congregación
Estos son proyectos intensivos en JSL; sabrá mucho sobre JSL después de seguir este camino.
Re: algoritmos genéticos, recocido simulado, etc. para optimizar ecuaciones de regresión QSARLo sé @P_Bartell ama PLS y es una buena solución en muchos lugares. Soy un gran admirador de Tree Methods, y recientemente se publicó un complemento para XGBoost: Complemento XGBoost para JMP Pro
Como parece que tiene una licencia de JMP Pro, podría valer la pena que le eche un vistazo.
Re: algoritmos genéticos, recocido simulado, etc. para optimizar ecuaciones de regresión QSARNo me queda claro a qué te refieres con 'subconjuntos de variables' ... si la selección de variables es parte de tus objetivos de resolución de problemas, PLS se puede utilizar bastante bien. Tiene la flexibilidad en JMP Pro para seleccionar la cantidad de factores latentes con los que trabajar. Luego, busque las variables más influyentes dentro de esa construcción ... JMP Pro también tiene un conjunto flexible de métodos de validación cruzada ... ¿KFold podría funcionar mejor para sus datos poco profundos?
Re: algoritmos genéticos, recocido simulado, etc. para optimizar ecuaciones de regresión QSARUn problema con PLS es que no seleccionará subconjuntos de las variables independientes y solo incluirá todas las variables independientes.Esto puede resultar en problemas de sobreajuste.
Re: algoritmos genéticos, recocido simulado, etc. para optimizar ecuaciones de regresión QSARLos métodos sancionados son un camino a seguir. Pero, ¿ha considerado mínimos cuadrados parciales? Su conjunto de datos es amplio y poco profundo. Hecho a medida para PLS. Sigue siendo una ecuación lineal. Y si sus predictores están correlacionados ... incluso mejor.
