Hola,
Sería genial obtener entradas sobre un enfoque para automatizar la identificación de parámetros que pueden distinguir una respuesta bivariada como se muestra en el diagrama de ejemplo a continuación. El conjunto de datos tiene ~ 20.000 columnas continuas numéricas y una columna de respuesta de carácter. La columna de respuesta tiene entradas de la letra A o B.
El objetivo es identificar parámetros que puedan identificar tantos de la categoría B sin identificar ninguna (o muy pocas) de la categoría B.
Visualmente identifiqué 2 parámetros específicos que permiten identificar la mayoría de la categoría B sin identificar ninguna de la categoría A. Puede distinguirlos con una línea lineal. La partición no funciona bien porque la categoría B está dentro de la distribución de la categoría A para cada uno de los dos parámetros individualmente.
¿Cuál sería el mejor enfoque en jmp / jsl para automatizar esta identificación?
Gracias por su tiempo y ayuda. - C
Consulte el guión adjunto,
genera una tabla con x continua y una respuesta bivariada.
Hay algunos scripts para visualización y modelado.
Puede probar la detección de respuestas y el modelo de ajuste para encontrar variables relevantes.
Como hay tantas columnas 20K, el PCA para la x continua sería una opción (técnica de reducción variable).
En este ejemplo no hay ningún resultado, ya que todos los x son independientes (normal aleatorio).
Names Default To Here( 1 );
cdt = New Table( "data", New Column( "response", Character ) );
cdt << add rows( 100 );
For( i = 1, i <= 10, i++,
cdt << New Column( "col" || Char( i ), Continuous, set each value( Random Normal( i, 1 ) ) )
);
cdt:response << set formula( If( :col5 < 4 & :col6 < 5, "B", "A" ) );
cdt <<
Add Properties to Table(
{New Script(
"col6 vs. col5",
Graph Builder(
Variables( X( :col5 ), Y( :col6 ), Overlay( :response ) ),
Elements( Points( X, Y, Legend( 13 ) ), Smoother( X, Y, Legend( 14 ) ) )
)
), New Script(
"Scatterplot Matrix",
Scatterplot Matrix(
Y(
:response,
:col1,
:col2,
:col3,
:col4,
:col5,
:col6,
:col7,
:col8,
:col9,
:col10
),
Matrix Format( "Lower Triangular" )
)
), New Script(
"Response Screening of response",
Response Screening(
Y( :response ),
X(
:col1,
:col2,
:col3,
:col4,
:col5,
:col6,
:col7,
:col8,
:col9,
:col10
)
)
), New Script(
"Fit Nominal Logistic",
Fit Model(
Y( :response ),
Effects(
:col1,
:col2,
:col3,
:col4,
:col5,
:col6,
:col7,
:col8,
:col9,
:col10
),
Personality( "Nominal Logistic" ),
Run( Likelihood Ratio Tests( 1 ), Wald Tests( 0 ) )
)
), New Script(
"Principal Components",
Principal Components(
Y(
:col1,
:col2,
:col3,
:col4,
:col5,
:col6,
:col7,
:col8,
:col9,
:col10
),
Estimation Method( "Default" ),
"on Correlations"
)
)}
);Además, la detección de predictores y el análisis discriminante pueden proporcionar exactamente lo que desea.
Con muchos datos, podría ser una buena opción comenzar primero con un conjunto pequeño para probar los diferentes métodos.
¿Conoce las categorías de antemano? ¿O los ha identificado basándose en el diagrama de dispersión?
¿Está buscando una forma de discriminar los dos grupos en ese espacio bidimensional?
