预测因子筛选使用 JMP bootstrap 森林中的预测因子筛选；这非常有效，但是为什么选择这种方法而不是增强树（这也是一种非常强大的方法）？ JMP 是否使用 XGboosted？
预测建模和机器学习回复：预测因子筛选Predictor Screening 平台是 Bootstrap Forest 平台，具有最少数量（现在只有一种：数树）的调整参数来指定，并且仅提供列贡献报告。 神奇的是 Predictor Screening 平台已经决定了其余调整参数的默认值。 该设置非常适合寻找有用的预测变量。
如果想要以最少数量的调整参数（例如一个参数）将提升树应用于相同目的，那是一项非常困难的任务。 例如，提升树比随机森林更依赖于验证方法的选择和使用，而验证方法的选择本身就是一门艺术。
预测因子筛选平台的目的是寻找有用的预测因子。 它不是 Bootstrap Forecast 的替代品。 如果您仅使用预测筛选，您的最终模型将不会是随机森林模型。 您可能会决定使用使用 Predictor Screen 找到的预测变量的其他模型。 使用预测器筛选来查找有用的预测器（而不是在最终模型中使用内置变量选择方法）的好处是该方法不依赖于任何参数假设。
在随机森林和增强树之间，我还没有遇到过任何根据响应变量的类型得出其性能的研究。
Boosted Tree 是梯度提升方法的一种实现。 XGBoost 也是如此。 其他实现也是如此，例如 LightGBM。 他们的比较可能相当复杂，而且可能也很主观。 但使用不同的工具来了解它们的优缺点总是令人兴奋的。
回复：预测因子筛选不确定您使用的是哪个版本的 JMP，但如果您使用的是 16 JMP Pro，您可以比较许多不同的建模平台：
https://www.jmp.com/support/help/en/16.0/#page/jmp/launch-the-model-screening-platform.shtml?os=mac&source=application&utm_source=helpmenu&utm_medium=application#ww267915
这可能对你有用。
回复：预测因子筛选感谢您的详细回答！
是的，我相信同时运行 bootstrap 和 boosted 是从许多候选者中选择预测变量的好主意。
我说得对，引导森林是分类响应的首选？
XGboosted 方法比 jmp pro 中使用的方法更好吗？
回复：预测因子筛选你好@弗兰克德鲁伊克,
我不是 JMP 如何在后端实际执行操作（执行的精确编码）方面的专家，但我相信使用引导森林是因为它有两层随机化：一层是随机选择因素。 例如，如果您想要预测一列并测试 10 个因素中哪一个最能促进该预测，引导森林方法将随机选择一个子集，例如 10 个子集中的 6 个，并使用决策树来最好地预测结果，然后根据因素的贡献对这些因素进行排名。 另一种随机化是引导森林随机选择一定数量的行来拟合模型，然后剩余的行进行验证（或简化），并且它在每次迭代时通过随机选择和替换来实现这一点。 据我了解，默认情况下提升树不会执行此操作。
关于您的最后一个问题，您可以从 JMP 网站下载 JMP Pro 的 XGBoost 插件。 我相信它适用于 JMP Pro 14 及更高版本。
顺便说一句，由于听起来您正在使用 JMP Pro，因此您可能希望运行 GenReg 平台并使用不同的预测算法（Lasso、Elastic Net 等）来查看模型系数估计值并运行一些引导模拟那里也有。 有时您会得到不同的答案，这可以帮助确定边界因素是否真的重要。 如果我的任务是寻找模型的最佳预测变量集，我通常会同时使用这两种方法。
希望这可以帮助！，
DS
