399863_zh-CN

liliconcom

探索回归模型与 JMP 和可行解算法的相互作用 (2021-US-45MP-841)

级别：中级

 

Joshua Lambert，辛辛那提大学助理教授

 

在构建回归模型的过程中，科学家有时需要评估一个或多个感兴趣的变量的影响。 使用加性回归模型，假设效应（例如治疗）在所有可能的亚组（例如，性别、种族、年龄）中是相等的。 使用台式计算机检查所有可能的交互效果要么太耗时，要么不可能。 新的 JMP 插件实现了一种算法，即可行解决方案算法 (FSA)，该算法旨在通过识别双向和三向交互作用来探索大型数据集中的子组特定效应，以添加到多变量回归模型中。 本演讲简要介绍了 FSA，解释了我如何将 R 包移至 JSL，并提供有关如何使用 FSA JMP 插件探索您自己的回归模型中的交互的教程。

 

 

自动生成的成绩单...

 

扬声器	成绩单
约书亚·兰伯特	你好。
罗宾·戈弗雷	嗨，我是罗宾，乔希。
	是的。
罗宾·戈弗雷	新。
约书亚·兰伯特	是的，很高兴见到你，太抱歉了，我只是在这里打开 PowerPoint。
罗宾·戈弗雷	好的。
	你有任何联合主持人吗？
约书亚·兰伯特	不。
罗宾·戈弗雷	好的，我要在此处列出列表，所以我们正在记录此内容，以便您口头向我确认您知道自己正在被记录。
	是的。
罗宾·戈弗雷	手机互联网通知被静音。
约书亚·兰伯特	是的。
罗宾·戈弗雷	是的，我想我就像 Windows 任务栏和所有这些，而且肯定就像你的电子邮件在中间消失一样。
约书亚·兰伯特	我不认为我已经关闭了所有东西，他们以前从来没有这样做过。
罗宾·戈弗雷	我认为它在任务栏中。
	让我们看看这里。
	只要关闭你的电子邮件和东西它会没事的。
	好的。
约书亚·兰伯特	得到了炸玉米饼。
罗宾·戈弗雷	好吧，太好了，我要把自己藏在这里。
	要做到这一点，每次我这样做，我都必须，我必须喜欢好吧，我做了什么。
约书亚·兰伯特	那么。
	就演示而言，我想你们会从我开始的时候开始。
	是的，还有你要问的问题。
罗宾·戈弗雷	不，不，所以你只需像往常一样做你的演讲。
	对，而且你知道你会调出你的幻灯片和所有东西。
	如果你想先发言然后拿出你的幻灯片，如果你需要重新开始或类似的事情，请告诉我，我们可以做到这一点没什么大不了的。
	好吧，你是一个小剪辑，就像你是相机一样，有什么办法可以备份一点点，因为你真的很接近。
	我什至不能看到你的整个脸，我可以看到。
约书亚·兰伯特	知道我忘记了。
罗宾·戈弗雷	是的，只是一点点。
	或者也许只是降低一点你的相机。
	那挺好的。
	很好，是的，我们可以看到更多你的肩膀和其他东西。
	所以我要继续静音，所以给我几秒钟，然后你就可以了。
	准备好了就开始吧。
	伟大的。
约书亚·兰伯特	大家好。 我叫乔什·兰伯特。 我是辛辛那提大学的助理教授，使用 JMP 已有大约 10 年时间。
	我很高兴与您分享我一直在使用我构建的插件探索回归模型中的交互的一些工作，该插件使用我开发的称为可行解算法的算法。
	所以
	我们今天要讲的一些内容。 所以我将从一个小例子开始，这将激发我们的讨论，以及我一直在做的工作，对问题的概述。
	一个潜在的解决方案。
	然后讨论我如何将解决方案实施到 R 包中，然后将其转移到 JMP 加载项以及我采取的过程。 然后我会谈谈一些未来的努力和我在这个过程中学到的一些东西。
	所以让我们用一个小例子来激发我们今天的讨论。 我将称这个汤姆为数据科学家。 所以见见汤姆。 他是一名数据科学家，Tom 从事许多典型的数据科学活动，特别是 Tom 在 JMP 中构建多变量回归模型。
	他主要处理具有很多变量的表格数据，Tom 意识到这些多变量回归模型缺乏复杂性，特别是它们缺乏交互项和二次项。
	汤姆……这让汤姆很沮丧，而且汤姆不想直接进入机器学习领域。
	所以他希望他有一种方法可以在他的回归模型中探索交互作用。
	他有他想要测试的交互，但他必须将它们手工制作到 JMP 的拟合模型平台中。
	您知道，必须运行所有这些将花费大量时间。 因此，例如，如果 Tom 在他的数据集中有 200 个变量并且他需要查找所有双向交互，则需要检查 19,900 个双向交互。 这太多了。
	所以 Tom 想知道，是否有一种算法和数据驱动的方法来探索回归模型中的交互效果，而无需手工制作它们，也不需要检查所有这些可能的组合？
	因此，让我们以更严格的数学和统计方式来概述这个问题。 所以我们的问题是，我们有一个数量和复杂性的问题。
	所以体积和复杂性
	将继续以非常快的速度增长。 我们一直有越来越多的数据可供我们使用，而这些数据的复杂性也在不断增加。
	交互的问题在于要检查的交互太多。
	通常，数据科学家、统计学家、科学家将不得不使用一组已知的交互进行分析以检查
	然后继续检查它们。 这是一个问题，原因有很多……有很多原因，
	您可能不太清楚哪些交互可能存在或不存在，并且您希望能够在您的数据中探索它们
	无需使用模型，例如随机森林甚至主成分分析来进行某种数据简化，在那里做一些更复杂的事情。 您真的希望能够在构建回归模型的过程中做一些事情。
	因此，随机森林和主成分以及其他机器学习类型的任务的另一个问题是，这些东西通常难以解释，我们想补充......探索互动。
	所以通常我们在回归中的工作流程
	所以统计学家花了很多时间建立一个简约的，我称之为，具有必要变量和不添加交互效应的基础模型。
	这个基本模型，统计学家会在这个基本模型上花费很多......很多时间，很多资源，关心，花时间思考它们是否可以解释以及它们是否具有良好的上下文意义。
	这些不包括复杂性的基础模型的问题在于，他们假设这些影响……他们估计的影响在所有可能的子组中都是一致的，例如性别、种族、年龄，而这通常不是真的。
	这种缺乏复杂性
	与机器学习模型相比，它确实阻止了人们使用它，而机器学习模型在对这种复杂性进行建模方面做得非常好。 所以这个问题真的可以总结为以下方式。
	有没有办法让我们不能一直在传统的多变量回归模型上，而不是在机器学习模型上，
	但是在中间找到一个很好的甜蜜点，在那里我们能够利用我们的回归模型的良好可解释性，增加一两个交互
	我们在这个大数据中发现的，这样我们就可以为我们的模型和复杂性添加有趣的细微差别，再次增加预测性能以及良好的上下文感。
	因此，如果有办法做到这一点，我们真正想做的是为统计学家、数据科学家和调查人员开发一种工具，让他们能够在建立基本模型后探索相互作用。
	基本模型首先发生，然后复杂性探索通常会发生。
	因此，如果我们要开发这样的工具，我们会有一些限制和偏好。 我们希望有基于传统统计模型的线性逻辑回归，
	我们希望它们保持可解释性。 如果可能，我们希望检查更少的模型，并且我们更喜欢可行而不是最优。 稍后我会更深入地了解这意味着什么，但本质上，它的真正含义是
	我们希望有大量的解决方案，而不仅仅是一个好的解决方案，我们称之为可行的解决方案。
	我们还希望它具有灵活性。 它可以适用于线性回归、逻辑回归、Cox 比例回归。 我们可以将它用于泊松回归，任何类型的回归，这个框架或工具都可以用于。
	再一次，它将是传统统计方法和机器学习之间的混合体。 即将出现的结果不一定是推论性的，但它们将是探索性的，它们将激励和影响我们未来花时间做的事情。
	那么现在让我们来谈谈这个潜在的解决方案，可行的解决方案算法。
	算法...可行解算法有时称为FSA，或者我喜欢这样称呼它，
	最初在这篇论文中讨论过……真的是在我 2018 年写的这篇论文中首先详细讨论的。
	和
	我将在这里总结算法的作用。
	因此，该算法的目标是识别 m 阶交互（因此，如果 m 为 2，则为双向交互；如果 m 为 3，则为三向交互），
	有一个可行的标准，所以这个标准不一定是最好的标准，但它是一个
	标准是
	也许在某种程度上被认为是半最优的。
	为此，我们将按照以下步骤操作。 所以我们要做的第一件事是从 m 阶随机交互开始，所以对于我们的例子，让我们假设这是一个双向交互，所以 m 是 2。
	我们将考虑其中一个变量的所有交换以及所有其他变量的交互。 例如，假设我们随机启动它。
	我们有五个变量，所以这只是一个小例子，只是为了激发这里的步骤，但假设我们有五个变量，我们随机从 X3、X5 和我们的标准开始，即随机起点的 R 平方，是 0.5。
	让我们说算法的工作方式是它会考虑将一个变量 X3 或 X5 交换为任何其他变量。 那么我们的选择是
	X3 X1、X3 X2、X3 X4、X5 X1、X5 X2 和 X5 X4。 所以请注意，在所有可能的情况下，我称之为交换，其中至少有一个起始位置变量，好吗？
	然后，我们要做的是所有这些，我们将拟合这些模型，我们将弄清楚这些模型的标准是什么。 所以我们在这里可以看到的是
	对于 X3 X5 型号，我们有 0.5； X3 X1，标准是 0.4。
	有了 R 平方，我们显然不想去更糟糕的地方，我们想要去更好的地方，更高的 R 平方，所以我们会找出所有可能的选择，去哪里最好.
	在这个例子中，最好去的地方是第三个交换区，也就是 X3 X4。 所以我们要做的是进入第三步，从第二步开始进行最好的交换。
	在这种情况下，我们将移动到 X3、X4 位置，然后返回到第二个位置并重复，直到无法进行任何改进。
	所以我们会重复这个过程，移动到地方，从那里开始，考虑所有的交换，直到最终我们无法做出改进。
	我们将在……那个地方调用它，我们最终会找到一个可行的解决方案。
	我们将重复第一步到第四步来寻找其他可行的解决方案。 我们可以一遍又一遍地这样做，这个过程，这个可行的解决方案算法，并不能保证给你最优解，尽管它有时可以给你最优解。
	那么我们来说说使用这个算法的一些副产品，可行解算法。 这些都在一篇论文中概述
	我的一位同事 Elliott 在 2021 年写道，在那里她描述了可行的解决方案并不能保证，正如我之前所说的，对于选定的标准来说是最佳的。
	也就是说所有的最优解都是可行的，但并不是所有的可行解都是最优的。 所以可行的解决方案是一种半最优的解决方案，它们给你一个很好的标准，可行的标准，但不一定是最优的。
	但是，这些可行的解决方案标准通常非常接近最佳解决方案标准，因此它们往往非常好。 他们只是可能不如最好的。
	很多...如果你重复这个过程，这...这四个步骤，你可能会得到很多可行的解决方案，所以如果你做这个算法10次，你可能会得到四个可行的解决方案。
	您可能会得到 10 个可行的解决方案。 这取决于您使用的数据，以及该数据集的协方差方差，所以它有点
	不确定您将获得多少解决方案。
	这就是为什么我们通常鼓励用户多次重复可行解算法，因为这将增加您获得最优解和可行解的机会，并确保您已经
	充分搜索了空间。 我们还有另一篇论文描述了（如果有人感兴趣，欢迎联系我）我应该做多少随机排序以确保我有合理的概率获得最佳排序。 我们有一个
	关于这一点的理论论文也是如此。
	但是，本质上，这种方式的运作方式是其中一些交互更具吸引力。 他们......测试空间比其他空间更吸引他们，所以你最终得到的一些时间是，即使
	交互不是最佳交互，它有时可以引导……数据通常可以引导它
	通过可行的...可行的解决方案算法通常可以比最佳解决方案更频繁地将您带到那个地方，这与数据的相关性等有关。
	所以让我们谈谈 R 包，然后我如何将它移到 JMP 插件中。
	所以
	R 包称为 rFSA，我知道我们可能有些人已经非常广泛地使用了 R，有些人还没有。 和
	所以 R 是一种非常好的编程语言，它经常在统计程序中教授，所以它是我在写论文时立即去的第一个地方
	你知道，写下这个算法，并真正为社区提供一个工具，以便能够在他们自己的数据集中识别和探索交互。
	所以rFSA包实现了我刚刚谈到的这个可行解算法
	用于大型数据集中的交互，并且此包支持许多不同标准的优化，例如 R 平方、调整后的 R 平方、AIC
	相互作用、P 值等。 它还支持不同的建模策略，例如线性模型和广义线性模型，并且可以轻松适应其他类型的建模，例如 Cox 比例风险模型。
	它还提供了多种解决方案，因为它会根据您指定的次数重复该算法。
	那么为什么...我想谈谈我将这个软件包转移到 JMP 的动机，我将谈谈我将这样做的原因、时间和方式。
	所以第一个问题是，为什么要这样做？ 第一件事是做起来很有趣。 我喜欢用不同的编程语言写作。 我没有很多用 JMP 脚本语言编写的经验，这是 JMP 的版本
	统计编程语言，所以我想学习它，我认为将这个我花了四年大部分时间的 R 包移动到 JMP 上会很有趣，因为
	我真的很喜欢 JMP。 我认为 JMP 很棒。 这对我和我的数据来说是一个非常棒的工具
	分析管道。 我通常在 JMP 中开始我的所有项目并探索数据，绘制数据，查看事物，然后这让我对这些数据有很多很好的直觉。 我发现我的很多
	同事，特别是我的一位顾问，他主要在 JMP 工作，他总是向我询问 JMP 中的 FSA 包。
	所以我想，你知道，为什么不把它给他呢？ 他当然配得上它，所以我决定这将是一个很好的工具，希望其他人会
	从中得到一些利用。 这让我想到了另一个关于为什么要这样做的观点，我收到了很多关于 rFSA 的很好的反馈。
	具体来说，我一直在跟踪有多少人下载了我的 R 包，自从我们在 2019 年发布它以来，已经有超过 16,000 人下载了它。
	我收到了无数来自世界各地的人的电子邮件，我希望 JMP 中的人们也可以访问同样的内容，我希望通过这个插件，人们能够找到真正酷的交互，改变他们的解释方式数据以及他们如何理解它。
	然后你可能会问，好吧，我什么时候才能做到这一点？ 这不完全是有人付钱给我做的事情。 你知道，JMP 不会付钱给我做这件事。
	我目前的职位，虽然我认为他们会觉得这很有趣，但他们不太可能对我花费大量额外时间这样做。
	但幸运的是，我在我的职位上所做的一件事是周五的一些空闲时间。 我试着让周五下午或周五早上开放，只是为了好玩，
	与我的工作有关的有趣的事情。 我称之为“Fun Friday Free Time”，这就是我在过去几个月里决定做的事情，即利用我的“Fun Friday Free Time”来构建一个 JMP 插件。
	你可能会问，好吧，我将如何做到这一点？ 你知道，我不知道 JMP 脚本语言。 我打算怎么做？ 所以
	第一件事是，你知道，我要学习它。 所以有很多关于如何学习 JSL 的非常好的资源。
	因此，在实际的 JMP 软件本身中有 JMP JSL 代码支持。 去帮忙，你可以对...直接进入
	那里的脚本索引。 网上的东西数不胜数
	关于如何理解 JMP 脚本语言以及从哪里开始。 然后是 community.jmp.com，
	这对于入门来说非常有用，您可以在其中提出问题或查看人们提出的其他问题，并借用他们公开发布的代码以便能够......让人们能够享受。 我在这里做了很多次，真的很棒。
	因此，我将更深入地介绍其中的每一个，如果您对移动 R 包或编写自己的算法或编写自己的 JSL 代码感兴趣，
	你会知道从哪里开始。 然后，当我完成这个后，我将进入我的加载项，特别是它的作用以及如何使用它。
	那么你如何学习JSL？ 嗯，你可以再...
	您可以通过他们拥有的许多 JMP 的 JSL 资源来学习它。 所以他们有一个 864 页的脚本指南，链接在这里，
	你可以谷歌，或者你可以在这结束后获得这些幻灯片，并能够获得这些链接。 JMP 中有一个脚本索引，您可以直接去帮助然后编写索引。 我把这里给你们，真的很容易使用和上手。
	您可以联系 JMP。 所以我做的第一件事就是与 JMP 取得了联系。 她的名字是 Ruth Hummel，我说，嘿，我想做这个，我从哪里开始？
	她给了我关于这个想法的支持和鼓励。 她认为这很棒，然后她将我与一位 JSL 代码专家联系起来，
	他的名字是马克·贝利。 在整个过程中，马克非常出色。 Mark 帮助我提供脚本语言的一般支持，审查我的代码，帮助我编写部分代码，
	开始其中的一部分。 在过去的几个月里，我们通过电子邮件来回了大约 22 次。 和
	JMP 为我提供的资源，包括愿意帮助我完成项目的直接员工
	是巨大的。 我的意思是，我不能要求更好的了。 我的意思是，当我之前尝试为任何其他平台创建一些东西时，我从未得到过这种类型的支持。 非常感谢 JMP
	提供这个，他们是这个存在的主要原因；这是因为他们提供了极好的资源。
	所以community.jmp.com，你可以在那里提问，你可以得到答案，你可以借代码，你可以在那里获得认证
	JMP 脚本语言。 您可以在社区中搜索您想要的任何内容，您可以……就像 Google 一样，但它仅适用于 JMP。
	你可以搜索任何你想要的东西，所以你可以输入 JSL 和 JSL 任何你想做的事情，而且可能有人已经发布了相关内容。 如果没有，您可以将其添加到讨论区。
	然后是借用代码，这是马克传递给我的东西之一，嘿，借用代码。 社区网站上有很多代码，
	人们分享它是有原因的。 所以我......这里的右边实际上是我为我开发的加载项借用的东西。 我想让用户知道他们在哪里
	在运行算法以及需要多长时间或已经发生多少进展方面。
	所以我不想在 JMP 中编写我自己的进度条，所以我只是借用了社区板上的一个并将其直接添加到我的加载项中，所以是的。
	这个人，Craige Hales，他是 JMP 的一名退休人员，写了这段代码，我借用了它。 谢谢，克雷格；谢谢，马克推荐借用代码。 它为我节省了很多时间，所以我真的很感激它，它使加载项变得更好。
	所以现在让我们最后谈谈加载项。 所以我已经和你讨论了为什么需要这个插件，对吧。 其他人已经开始使用 R 包，以及为什么我认为 JMP 用户会从中受益，我已经与您讨论过我是如何做到的。
	现在我想向你展示它是如何工作的，希望这是整个事情中最有趣的部分。 所以我在几个月内在我拥有的有趣的星期五空闲时间将整个包，R 包转移到 JMP，所以周五只有几个小时。 和 JMP 插件
	目前仅适用于线性和逻辑回归模型。 我希望以后能够将其扩展到其他模型，但现在，适用于线性和逻辑回归模型。 另一件事是加载项，
	你知道，它没有所有其他内置 JMP 模块所具有的很多花哨的花里胡哨。 例如，当您将分类变量放入响应变量时，性格类型不会自动切换到逻辑回归。
	我还没有解决这个问题。 还有很多其他事情我还没有解决，我希望随着人们使用它并且喜欢它并就它给我反馈，我希望通过这个包来改进。
	所以它确实缺乏一些功能。 插件管理器很酷的一点是，您可以直接使用 JSL 代码，并且有一个插件……一个插件管理器，JMP 插件，
	它允许您从 JSL 代码创建自己的加载项，因此实际上只需单击几下按钮，您就可以获取 JSL 代码并将其转换为可以与整个 JMP 社区共享的加载项。
	我已将其发布在 community.jmp.com 网站上，供所有人访问并访问我准备向您展示的加载项
	并访问我将要使用的数据集。 但这将适用于您拥有的任何数据集，而不仅仅是我的示例。
	所以我要给你一个关于这个插件的实时教程，叫做...插件，我只是把它叫做探索交互，和
	这一切都将通过我之前谈到的可行解算法来完成。 这个例子是一个线性模型
	我要修复两个变量，所以这将是我的基本模型。 我的基本模型将有一个连续响应变量和两个我希望能够调整的协变量。
	然后，我想做的是考虑将二阶交互添加到我的数据集中的 10 个变量中的任何一个之间的模型中。
	我想做五个随机开始，我想确定我的标准，这是目前唯一的标准
	JMP 插件，就是我们要最小化交互的 P 值。 所以我们检查的每一个交互
	产生一个 P 值，我想要做的是我希望我的解决方案是那些
	非常小的 P 值。 所以它会根据交互的 P 值搜索空间，并找到最好的。 所以我们的结果将有很多交互作用，它们的 P 值很小。 和
	通常我会在你做这种类型的程序后推荐什么，可行的解决方案算法，
	您是否通过绘制数据来跟进它，查看模型中的这些交互，并在上下文意义上批判性地思考它们，因为在一天结束时，我们正在探索这里的数据。
	这在任何方面都不是推论性的。 我们只是使用数据的信号来指导这些数据中可能存在哪些交互。
	同样，数据和加载项发布在社区网站上。
	好吧，所以我要停下来，快点离开这里，然后我要拉起
	我拥有的 JMP 数据集。 希望大家能看到这个。
	正如你所看到的，只是一个非常快速的概览，这实际上是我生成的一堆随机数据。 这根本没有真正的结构。 有……这不是真实数据，只是 JMP 中随机生成的数据。
	这里有 20 个观察值。 我有 10 个连续变量，解释变量。
	我有一个连续的响应变量，我还将响应变量分类为大于零或小于零。
	因此，如果您希望能够查看...查看逻辑回归结果，您也可以使用数据进行逻辑回归示例。
	因此，一旦您获得加载项，请访问网站，下载加载项，只需双击它，它就会直接安装到 JMP。 这真的很容易。
	然后你就可以去这里，所以你去加载项，去......一旦你打开了你的数据集，你就去加载项来探索交互。
	这会在这里弹出。 所以我们有几件事。 因此，我们将在左侧看到所有变量，就像您在 JMP 中使用任何其他模块一样。
	所以我要选择我的响应变量，它将是 Y，然后我要修复，所以这就是我构建我的基本模型的地方。 所以这些都是我添加到模型中的线性主效应。 所以在这个中，我有两个变量，
	X1 和 X2，我将在这里添加。 现在你需要做的一件事就是指定建模类型，所以我的有两种类型
	您可以选择的插件。 一种是标准最小二乘建模类型，一种是逻辑回归模型。
	这不会像我之前所说的那样根据您在此处输入的内容自动选择，因此您可以完全输入分类响应变量，并且不会切换。 你必须自己切换。 这是那些花哨的花里胡哨之一，希望我稍后会讲到。
	摆脱那个。 把这个放回这里。
	好的，这是我们的设置，所以这将拟合模型 y 等于 beta 0 加上 beta 1 X 1 加上 beta 2 X 2。 现在在这里我要放入我愿意的变量
	...或者，我想寻找之间的交互，所以我将选择所有 X1 到 X10。 我要把这些加进去。
	然后我告诉它好吧，我想运行多少次算法？ 所以为了时间的缘故，我将在这里做五次，
	以及要考虑的交互顺序，所以我只会做两个。
	我建议保持三个或以下，通常很难解释四向交互，五向交互，但是
	算法......或者我设置的方式是，如果你愿意，你可以去那么高。 我实际上并没有设置限制，但只要知道你在这里越往上走，你运行它所需的时间就越多。
	所以我要打好。 这将需要一秒钟。
	所以你可以看到我借用的代码。
	你可以看到它出现在这里，它告诉我我已经完成了 20%，40%。
	所以这些是解决方案。 所以每次检查进行时，都会找到一个可行的解决方案，然后最后弹出的是一个数据表，所以
	你知道，再一次，这不是这些功能之一......我想要一个选择框，你可以在那里选择交互然后点击
	创建模型，它会为您完成所有这些，就像 JMP 已经为很多不同的事情所做的那样，但我还没有到那里。 这只是告诉您解决方案是什么。
	因此，它为您提供了它所做工作的总结。 所以它做了五次随机启动。 它告诉你什么是响应变量，固定变量，
	它找到的交互变量，好吧，R 平方，该模型的调整 R 平方，均方根误差，然后是交互 P 值。 好的，所以我们在这里可以看到的是
	（如果我点击它，它会告诉我）只有两个解决方案，所以... X2 X3 是一种交互，而 X10 X7 是另一种。
	所以现在，我能做什么，我现在不打算这样做，我可以去建立这个模型并重现这些结果并查看结果以查看，好的，这是一个很好的统计数据吗？
	算法……或者我在这里找到的良好的统计交互？ 你知道，我的杠杆图是什么样的？ 我所有的不同标准是什么
	情节是什么样的？ 我的诊断图是什么样的？ 那种东西。 然后我可以开始提问，比如这种交互在参数估计方面有意义吗？
	这是探索性的，所以它会给你一个潜在的解决方案，但你必须通过尽职调查来跟进并实际考虑你得到的结果
	并向上下文相关的人提问……该领域的上下文专家。 这通常是我们在健康科学中使用它的方式。 我们将其与健康数据一起使用，我们产生交互作用，然后我们去找医生说这是否有意义，这种效果，
	你知道，在年龄、性别或其他任何方面都不会保持一致。 他们通常会和我们谈论这个，你知道的，想想看。 整个想法是，这有望影响未来的研究，我们可以在这些研究中推动研究以更深入的方式寻找这些相互作用的影响。
	动力充足的方式。
	好的，所以我现在要回到我的 PowerPoint 中。 这就是本教程。 你可以看到它很容易使用。 那是一个很小的例子。 你可以增加这个，
	只是知道，你知道，你拥有的数据集越大，我刚刚做的整个过程需要的时间就越长。 它不会是 10 秒长；这将是，
	您知道，可能需要 5-10 分钟，具体取决于您的数据集有多大。 我已经完成了......使用了算法，使用了插件来做具有 100 个变量的数据集，
	解释变量，运行它大约需要 7 分钟的时间来执行大约 5 或 10 次随机启动。
	R 包中的事情比 JMP 插件中的要快，但那是因为，你知道，再一次，这是我第一次尝试，希望通过迭代会变得更快更好。
	所以让我们谈谈未来的改进。 所以我想让用户能够优化或
	根据他们想要的任何标准找到可行的解决方案。 所以如果他们想基于优化R平方或优化AIC或优化误分类率找到可行的解决方案，
	你知道，在逻辑回归模型中，我想让他们能够做到这一点。 而且这真的不难做，我只需要进去做。
	根据变量选择自动保存或选择建模个性。 这很简单。 你放入一个
	二元逻辑变量，你知道，它会自动为你选择逻辑回归。 我认为这可能并不难，我可能很快就能做到。 在经历了将我的 R 包转移过来的过程后，我有信心这样做。
	我想提高一些速度。 我可以做很多事情来提高这个速度。
	所以，我希望能够做到这一点。 一个召回按钮会很好。 我现在没有那个。 JMP 中我最喜欢的功能之一就是能够单击该召回按钮。
	然后我希望能够简化从 FSA 获得的结果到构建模型的过程。 所以
	您已经可以做到这一点，就像在 JMP 或 Lasso 或任何这些东西中进行前向选择时一样，您只需单击“制作模型”，它就可以轻松地将所有变量都带过来。
	我希望能够使用这种可行的解决方案算法来做到这一点，只需获取这些类型的结果，然后单击制作模型，它就会自动为您完成所有工作
	以便您可以探索它们，并且再次希望您能够很好地理解您发现的那些交互。
	所以我想通过一些致谢。 所以首先是马克·贝利。 没有你我做不到。 非常感谢您对 JSL 代码的支持。 谢谢露丝
	只是为了让我与马克取得联系，以及作为一名将军，你知道，
	该项目的支持人员，并提供良好的反馈。 安妮和拉里，我只是欣赏
	您对与 JMP 和我们过去的关系有关的所有事情的帮助，并鼓励我参加这个探索峰会。 真的很棒，我很高兴在 JMP 社区认识更多人
	通过它，所以谢谢你。 您可以通过多种方式与我取得联系。 你可以在我的大学邮箱里给我发邮件，如果你喜欢做事的方式，你可以在 Twitter 上联系我。
	而且我还计划在 github 以及社区网站上发布此 JMP 插件，因此请随时检查这些地方中的任何一个以获取插件的未来更新。
	所以是的，谢谢你邀请我，我很高兴在我们分配的时间内回答你的问题，谢谢。

爆发数据探索统计和建模