399863_ko-KR

liliconcom

JMP 및 실행 가능한 솔루션 알고리즘을 사용하여 회귀 모델의 상호 작용 탐색(2021-US-45MP-841)

수준: 중급

 

조슈아 램버트(Joshua Lambert) 신시내티 대학교 조교수

 

회귀 모델을 구축하는 과정에서 과학자들은 때때로 하나 이상의 관심 변수의 효과를 평가해야 합니다. 가산 회귀 모델을 사용하면 효과(예: 치료)가 가능한 모든 하위 그룹(예: 성별, 인종, 연령)에서 동일하다고 가정됩니다. 가능한 모든 상호 작용 효과를 확인하는 것은 데스크톱 컴퓨터에서는 시간이 너무 많이 걸리거나 불가능합니다. 새로운 JMP 추가 기능은 FSA(타당성 있는 솔루션 알고리즘)라는 알고리즘을 구현합니다. 이 알고리즘은 다변수 회귀 모델에 추가할 2방향 및 3방향 상호 작용을 식별하여 대규모 데이터 세트에서 하위 그룹별 효과를 탐색하기 위한 것입니다. 이 강연에서는 FSA에 대한 간략한 소개를 제공하고 R 패키지를 JSL로 이동한 방법을 설명하며 FSA JMP 추가 기능을 사용하여 자체 회귀 모델에서 상호 작용을 탐색하는 방법에 대한 튜토리얼을 제공합니다.

 

 

자동 생성된 성적표...

 

스피커	성적 증명서
조슈아 W. 램버트	안녕하세요.
로빈 고드프리	안녕하세요 저는 로빈, 조쉬입니다.
	예.
로빈 고드프리	네오.
조슈아 W. 램버트	네, 저도 만나서 반가워요. 죄송합니다. 방금 파워포인트를 열었습니다.
로빈 고드프리	좋아요.
	공동 발표자가 있나요?
조슈아 W. 램버트	아니요.
로빈 고드프리	좋아요, 여기 목록을 내려가겠습니다. 우리는 이것을 녹음하고 있으므로 녹음되고 있다는 것을 구두로 확언해 주시기 바랍니다.
	예.
로빈 고드프리	휴대폰 인터넷 알림이 무음으로 설정되어 있습니다.
조슈아 W. 램버트	예.
로빈 고드프리	네, 저는 Windows 작업 표시줄 같은 것 같고 이메일이 중간에 나가는 것과 비슷하다고 생각합니다.
조슈아 W. 램버트	그리고 내 생각엔 내가 모든 것을 꺼놨다고 생각하지 않나? 그들은 그렇게 하기 전에는 그렇게 할 필요가 없었습니다.
로빈 고드프리	작업 표시줄에 있는 것 같아요.
	여기서 보자.
	이메일을 닫고 내용을 입력하면 괜찮을 것입니다.
	좋아요.
조슈아 W. 램버트	타코를 얻었습니다.
로빈 고드프리	알았어, 좋아 여기 숨겠다.
	그러려면 이 일을 할 때마다 해야 하고, 좋아해야 하고, 좋아, 내가 뭘 한 거지?
조슈아 W. 램버트	그럼.
	프레젠테이션이 진행되는 한 여러분은 제가 시작할 때부터 끊을 것 같습니다.
	네, 그리고 질문하실 게 있으신가요?
로빈 고드프리	아뇨, 아뇨. 그러니 평소대로 프레젠테이션을 하시면 됩니다.
	맞습니다. 당신은 슬라이드와 모든 것을 가져오는 것을 알고 있습니다.
	먼저 이야기를 나눈 다음 슬라이드를 불러오고 싶으시다면 다시 시작해야 하거나 그와 비슷한 일이 있을 때 저에게 알려주시면 별 문제 없이 그렇게 할 수 있습니다.
	좋아, 당신은 카메라처럼 작은 클립입니다. 당신이 정말 가깝기 때문에 조금만 백업할 수 있는 방법이 있습니까?
	난 당신의 얼굴 전체를 보고 싶지도 않아요.
조슈아 W. 램버트	내가 잊어버렸다는 걸 알기 위해서.
로빈 고드프리	응 그냥 조금.
	아니면 카메라를 조금 낮출 수도 있습니다.
	좋아요.
	좋아요 네, 어깨랑 그런 부분이 더 많이 보이거든요.
	그럼 저는 음소거 상태로 전환할 테니 몇 초만 기다려 주세요. 그러면 그렇게 하실 수 있습니다.
	준비가 되면 시작해 보세요.
	엄청난.
조슈아 W. 램버트	여러분, 안녕하세요. 제 이름은 조쉬 램버트입니다. 저는 신시내티 대학교의 조교수이고 약 10년 동안 JMP를 사용해 왔습니다.
	그리고 제가 개발한 실현 가능한 솔루션 알고리즘이라는 알고리즘을 사용하는 추가 기능을 사용하여 회귀 모델의 상호 작용을 탐색하는 것과 관련하여 제가 수행한 몇 가지 작업을 여러분과 공유하게 되어 기쁩니다.
	그래서
	오늘 우리가 이야기할 내용 중 일부입니다. 그래서 저는 우리의 논의에 동기를 부여할 뿐만 아니라 제가 작업해 온 문제의 개요를 설명하는 작은 예부터 시작하겠습니다.
	잠재적인 해결책.
	그런 다음 솔루션을 R 패키지로 구현한 다음 이를 JMP 추가 기능으로 이동한 방법과 이를 수행하는 프로세스에 대해 논의합니다. 그리고 앞으로의 노력과 그 과정에서 배운 몇 가지에 대해 이야기하겠습니다.
	그럼 작은 예를 들어 오늘 우리의 토론에 동기를 부여해 보겠습니다. 저는 이 사람을 데이터 과학자 톰이라고 부르겠습니다. 그럼 톰을 만나보세요. 그는 데이터 과학자이고 Tom은 일반적인 데이터 과학 활동을 많이 수행합니다. 특히 Tom은 JMP에서 다변수 회귀 모델을 구축합니다.
	그는 주로 변수가 많은 표 형식 데이터를 다루고 있으며 Tom은 이러한 다변수 회귀 모델에 복잡성이 부족하고 특히 상호 작용 항과 2차 항이 부족하다는 것을 깨달았습니다.
	그리고 Tom은...그것이 Tom을 좌절시켰고 Tom은 기계 학습을 바로 시작하고 싶어하지 않았습니다.
	그래서 그는 회귀 모델에서 상호 작용 효과를 탐색할 수 있는 방법이 있기를 바랐습니다.
	테스트하고 싶은 상호 작용이 있지만 이를 JMP의 적합 모형 플랫폼에 직접 작성해야 합니다.
	그리고 이 모든 것을 실행하려면 시간이 많이 걸릴 것입니다. 예를 들어 Tom의 데이터 세트에 200개의 변수가 있고 모든 양방향 상호 작용을 찾아야 하는 경우 확인해야 할 양방향 상호 작용은 19,900개입니다. 그것은 너무 많은 것입니다.
	그래서 Tom은 모든 가능한 조합을 일일이 확인할 필요 없이 회귀 모델의 상호 작용 효과를 탐색할 수 있는 알고리즘 및 데이터 기반 방법이 있는지 궁금합니다.
	그럼 좀 더 수학적이고 통계적으로 엄격한 방식으로 이 문제를 살펴보겠습니다. 그래서 우리가 가지고 있는 문제는 양과 복잡성의 문제가 있다는 것입니다.
	따라서 볼륨과 복잡성
	정말 빠른 속도로 계속해서 성장할 거예요. 우리는 항상 더 많은 데이터를 사용할 수 있으며 이러한 데이터의 복잡성도 증가하고 있습니다.
	상호 작용의 문제는 확인해야 할 상호 작용이 너무 많다는 것입니다.
	일반적으로 데이터 과학자, 통계학자, 과학자는 확인하기 위해 알려진 일련의 상호 작용을 사용하여 분석에 들어가야 합니다.
	그런 다음 계속해서 확인하세요. 이것은 여러 가지 이유 때문에 문제가 됩니다.
	즉, 어떤 상호 작용이 존재하거나 존재하지 않을 수 있는지에 대해 좋은 생각이 없을 수 있으며 데이터에서 해당 상호 작용을 탐색할 수 있기를 원합니다.
	일종의 데이터 축소를 수행하기 위해 랜덤 포레스트나 주성분 분석과 같은 모델로 이동할 필요 없이 더 복잡한 작업을 수행할 수 있습니다. 회귀 모델을 구축하면서 여러 가지 작업을 수행할 수 있기를 정말로 원할 것입니다.
	따라서 랜덤 포레스트와 주요 구성 요소 및 기타 기계 학습 유형의 작업에 대한 또 다른 문제는 이러한 것들이 종종 해석하기 어렵다는 것입니다. 그리고 우리는 회귀 모델의 해석 가능성을 유지하는 동안... 상호작용을 탐구합니다.
	따라서 일반적으로 회귀 작업 흐름은
	그래서 통계학자는 상호작용 효과가 추가되지 않고 필요한 변수를 갖춘 간결한 기본 모델(제가 부르겠습니다)을 구축하는 데 많은 시간을 소비합니다.
	이 기본 모델인 통계학자는 이 기본 모델, 많은 리소스, 관리에 많은 시간을 할애하고 해석 가능한지 여부와 상황에 맞는 이해가 가능한지 생각하는 데 시간을 보냅니다.
	복잡성을 포함하지 않는 이러한 기본 모델의 문제점은 효과가...추정하는 효과가 성별, 인종, 연령과 같은 가능한 모든 하위 그룹에서 일관적이라고 가정한다는 것입니다. 진실.
	이 복잡성 부족
	이러한 복잡성을 모델링하는 데 매우 효과적인 기계 학습 모델과 비교할 때 사람들이 이를 사용하는 것을 실제로 방해합니다. 따라서 문제는 실제로 다음과 같이 요약될 수 있습니다.
	전통적인 다변수 회귀 모델에는 미치지 못하고 머신러닝 모델에는 미치지 못하는 방법이 있을까요?
	하지만 중간에서 한두 가지 상호 작용을 추가하는 회귀 모델의 좋은 해석성을 얻을 수 있는 좋은 지점을 찾으세요.
	우리는 이 빅데이터에서 발견한 것을 모델과 복잡성에 흥미로운 뉘앙스를 추가할 수 있었고, 이는 다시 좋은 맥락적 감각뿐만 아니라 예측 성능도 추가했습니다.
	따라서 그렇게 할 수 있는 방법이 있다면 통계학자, 데이터 과학자, 조사자가 기본 모델을 구축한 후 상호 작용을 탐색할 수 있는 도구를 개발하고 싶습니다.
	기본 모델이 먼저 발생하고 일반적으로 복잡성 탐색이 두 번째로 발생합니다.
	따라서 이와 같은 도구를 개발하려면 몇 가지 제약과 선호 사항이 있습니다. 우리는 전통적인 통계 모델인 선형 로지스틱 회귀를 기반으로 다음과 같은 기능을 원합니다.
	우리는 그것들이 해석 가능한 상태로 남아 있기를 바랍니다. 가능하다면 더 적은 수의 모델을 확인하고 싶고 최적보다는 실행 가능한 모델을 선호합니다. 나중에 이것이 무엇을 의미하는지 좀 더 자세히 설명하겠지만, 본질적으로 이것이 의미하는 바는 다음과 같습니다.
	우리는 훌륭하고 실현 가능하다고 부르는 단 하나의 솔루션이 아닌 수많은 솔루션이 있기를 바랍니다.
	그리고 우리는 그것이 유연하기를 바랍니다. 선형 회귀, 로지스틱 회귀, Cox 비례 회귀를 사용할 수 있도록 조정할 수 있습니다. 우리는 이를 포아송 회귀, 모든 유형의 회귀에 사용할 수 있으며 이 프레임워크 또는 도구를 사용할 수 있습니다.
	그리고 다시 전통적인 통계 방법과 기계 학습 간의 하이브리드가 될 것입니다. 앞으로 나올 결과는 반드시 추론적일 필요는 없지만 탐색적일 것이며 우리가 미래에 시간을 할애할 일에 동기를 부여하고 영향을 미칠 것입니다.
	이제 이 잠재적인 솔루션인 실현 가능한 솔루션 알고리즘에 대해 이야기해 보겠습니다.
	알고리즘...때때로 FSA라고 불리는 실현 가능한 솔루션 알고리즘, 또는 제가 부르고 싶은 것입니다.
	이 문서에서 처음 논의되었습니다. 실제로 제가 2018년에 쓴 이 문서에서 자세히 처음 논의했습니다.
	그리고
	여기서는 알고리즘이 수행하는 작업을 요약하겠습니다.
	따라서 알고리즘의 목표는 m차 상호작용을 식별하는 것입니다(m이 2이면 양방향 상호작용이 되고, m이 3이면 3방향 상호작용이 됩니다).
	실행 가능한 기준이 있으므로 이것이 반드시 최선의 기준은 아니지만
	그 기준은
	어쩌면 어떤 면에서는 반최적이라고 여겨질 수도 있습니다.
	이를 위해 우리는 다음 단계를 따릅니다. 따라서 우리가 할 첫 번째 일은 m차의 무작위 상호작용으로 시작하는 것입니다. 따라서 우리의 경우 양방향 상호작용이라고 가정해 보겠습니다. 따라서 m은 2입니다.
	우리는 변수 중 하나의 모든 교환과 다른 모든 변수의 상호 작용을 고려할 것입니다. 예를 들어 무작위로 시작한다고 가정해 보겠습니다.
	5개의 변수가 있으므로 이것은 여기 단계에 동기를 부여하기 위한 작은 예일 뿐입니다. 그러나 5개의 변수가 있고 X3, X5에서 무작위로 시작하고 기준은 무작위 시작 위치에 대한 R 제곱입니다. , 는 .5입니다.
	그리고 알고리즘이 작동하는 방식은 변수 X3 또는 X5 중 하나를 다른 변수와 교환하는 것을 고려한다고 가정해 보겠습니다. 그렇다면 우리의 선택은 다음과 같습니다.
	X3 X1, X3 X2, X3 X4, X5 X1, X5 X2 및 X5 X4. 그래서 가능한 모든 것 중에서 스왑에는 적어도 하나의 시작 위치 변수가 있다는 점에 주목하세요.
	그런 다음 우리가 할 일은 이 모든 것 중에서 해당 모델을 적합시키고 해당 모델의 기준이 무엇인지 알아내는 것입니다. 그래서 우리가 여기서 볼 수 있는 것은
	X3 X5 모델의 경우 .5가 있습니다. X3 X1, 기준은 .4입니다.
	그리고 R 제곱을 사용하면 우리는 분명히 더 나쁜 곳으로 가고 싶지 않고 더 나은 곳으로 가고 싶습니다. 더 높은 R 제곱을 사용하면 가능한 모든 선택 중에서 가장 좋은 곳이 무엇인지 알아낼 수 있습니다. .
	이 예에서 가장 좋은 곳은 스왑 번호 3인 X3 X4입니다. 그래서 우리가 할 일은 3단계로 넘어가서 2단계에서 가장 좋은 교환을 하는 것입니다.
	이 경우 X3, X4 위치로 이동한 다음 두 번째 위치로 돌아가서 개선이 이루어지지 않을 때까지 반복합니다.
	그래서 우리는 장소로 이동하고 거기에서 시작하여 모든 교체를 고려하면서 결국 개선할 수 없을 때까지 이 프로세스를 반복했습니다.
	그리고 우리는 그것을 실현 가능한 해결책이라고 부를 것입니다.
	그리고 다른 가능한 솔루션을 찾기 위해 1단계부터 4단계까지 반복할 것입니다. 우리는 이 작업을 반복해서 수행할 수 있으며, 이 실행 가능한 솔루션 알고리즘이 최적의 솔루션을 제공한다고 보장하지는 않습니다. 하지만 때로는 최적의 솔루션을 제공할 수도 있습니다.
	이제 이 알고리즘을 사용함으로써 얻을 수 있는 몇 가지 부산물, 즉 실현 가능한 솔루션 알고리즘에 대해 이야기해 보겠습니다. 그리고 이러한 내용은 다음과 같은 논문에 요약되어 있습니다.
	내 동료인 Elliott는 2021년에 쓴 글에서 앞서 말했듯이 실행 가능한 솔루션이 선택한 기준에 최적이라고 보장되지는 않는다고 설명했습니다.
	즉, 모든 최적의 솔루션이 가능하지만 모든 가능한 솔루션이 최적인 것은 아닙니다. 따라서 실행 가능한 솔루션은 일종의 준최적 솔루션입니다. 이는 좋은 기준, 실행 가능한 기준을 제공하지만 반드시 최적의 기준은 아닙니다.
	그러나 이러한 실현 가능한 솔루션 기준은 일반적으로 최적의 솔루션 기준에 매우 가깝기 때문에 꽤 좋은 경향이 있습니다. 그들은 단지 최고의 것만큼 좋지 않을 수도 있습니다.
	많은... 프로세스를 반복하면 이...이 네 단계를 통해 잠재적으로 많은 실현 가능한 솔루션을 얻을 수 있으므로 이 알고리즘을 10번 수행하면 실현 가능한 솔루션 4개를 얻을 수 있습니다.
	10개의 가능한 솔루션을 얻을 수 있습니다. 이는 사용 중인 데이터와 해당 데이터 세트의 공분산의 분산에 따라 달라지므로 약간의 차이가 있습니다.
	얼마나 많은 솔루션을 얻게 될지 결정되지 않은 상태입니다.
	이것이 바로 우리가 일반적으로 사용자에게 실행 가능한 솔루션 알고리즘을 여러 번 반복하도록 권장하는 이유입니다. 그렇게 하면 실행 가능한 솔루션뿐만 아니라 최적의 솔루션을 얻을 확률도 높아질 것이기 때문입니다.
	공간을 적절하게 검색했습니다. 그리고 우리는 최적의 정렬을 얻을 수 있는 합리적인 확률을 갖기 위해 얼마나 많은 무작위 정렬을 수행해야 하는지에 대해 설명하는 또 다른 논문을 가지고 있습니다. 우리는
	그것에 관한 이론적인 논문도 마찬가지입니다.
	그러나 본질적으로 이것이 작동하는 방식은 이러한 상호 작용 중 일부가 더 매력적이라는 것입니다. 그들은...베타 공간은 다른 공간보다 그들을 더 많이 끌어당깁니다.
	상호작용은 최적이 아니며, 때로는 이를 이끌 수도 있습니다. 데이터가 종종 이를 이끌 수도 있습니다.
	실행 가능한...실행 가능한 솔루션 알고리즘을 통해 최적의 위치보다 더 자주 해당 위치로 이동할 수 있으며 이는 데이터의 상관 관계 등과 관련이 있습니다.
	이제 R 패키지에 대해 이야기하고 이를 JMP 추가 기능으로 어떻게 옮겼는지 살펴보겠습니다.
	그래서
	R 패키지는 rFSA라고 하며, R을 상당히 광범위하게 사용해 본 사람도 있고 그렇지 않은 사람도 있을 수 있다는 것을 알고 있습니다. 그리고
	그래서 R은 정말 좋은 프로그래밍 언어이고 통계 프로그램에서 자주 가르치기 때문에 제가 논문을 작성할 때 즉시 가장 먼저 갔던 곳이었습니다.
	아시다시피 이 알고리즘을 작성하고 커뮤니티에 자체 데이터 세트에서 상호 작용을 식별하고 탐색할 수 있는 도구를 실제로 제공하는 것입니다.
	따라서 rFSA 패키지는 제가 방금 이야기한 실현 가능한 솔루션 알고리즘을 구현합니다.
	대규모 데이터 세트의 상호 작용을 위해 이 패키지는 R 제곱, 조정된 R 제곱, AIC와 같은 다양한 기준의 최적화를 지원합니다.
	상호 작용, P 값 등. 또한 선형 모델 및 일반화된 선형 모델과 같은 다양한 모델링 전략을 지원하며 Cox 비례 위험 모델과 같은 다른 유형의 모델링에 맞게 쉽게 조정할 수 있습니다.
	또한 지정한 만큼 알고리즘을 반복하므로 여러 솔루션을 제공합니다.
	그렇다면 왜...저는 이 패키지를 JMP로 옮기게 된 동기에 대해 조금 이야기하고 싶습니다. 그리고 이 작업을 수행하려는 이유, 시기, 방법에 대해서도 이야기하겠습니다.
	첫 번째 질문은 '왜 이런 일을 하는가?'입니다. 첫 번째는 하는 일이 재미있다는 것입니다. 나는 다양한 프로그래밍 언어로 글을 쓰는 것을 좋아합니다. 저는 JMP 버전의 JMP 스크립트 언어로 글을 써본 경험이 많지 않았습니다.
	그래서 저는 그것을 배우고 싶었고 제가 4년의 대부분을 투자한 이 R 패키지를 JMP로 옮기는 것이 재미있을 것이라고 생각했습니다.
	저는 JMP를 정말 좋아합니다. 저는 JMP가 훌륭하다고 생각합니다. 나와 내 데이터를 위한 정말 훌륭한 도구입니다.
	분석 파이프라인. 저는 보통 JMP에서 모든 프로젝트를 시작하고 데이터를 탐색하고, 데이터를 구성하고, 사물을 살펴보면서 해당 데이터에 대해 많은 좋은 직관을 얻을 수 있습니다. 그리고 나는 내 많은 것이
	동료, 특히 제 조언자 중 한 명인 그는 주로 JMP에서 일하며 항상 저에게 JMP의 FSA 패키지를 요청했습니다.
	그래서 저는 '그에게 그것을 주면 어떨까?'라고 생각했습니다. 그는 확실히 그럴 자격이 있기 때문에 나는 그것이 좋은 도구가 될 것이라고 결정했고 바라건대 다른 사람들도 그렇게 하기를 바랍니다.
	좀 활용해 보세요. 그리고 이것이 왜 이 일을 해야 하는지에 대한 또 다른 요점으로 이어지며 rFSA에 대해 많은 좋은 피드백을 받았습니다.
	구체적으로, 나는 내 R 패키지를 다운로드한 사람이 몇 명인지 추적해 왔으며 2019년에 출시한 이후 다운로드한 사람이 16,000명이 넘었습니다.
	저는 전 세계 사람들로부터 셀 수 없이 많은 이메일을 받았고 JMP를 사용하는 사람들도 같은 내용에 액세스할 수 있기를 바랍니다. 그리고 이 추가 기능을 통해 사람들이 해석 방식을 바꾸는 정말 멋진 상호 작용을 찾을 수 있기를 바랍니다. 데이터와 그들이 그것을 이해하는 방법.
	그러면 내가 언제 이 일을 할 예정이었는지 물을 수도 있습니다. 이것은 누군가가 나에게 돈을 지불해서 하는 일이 아닙니다. 알다시피, JMP는 나에게 그 일을 하라고 돈을 주지 않습니다.
	내 현재 입장은 그들이 흥미로울 것이라고 생각하지만, 내가 이 일을 하는 데 많은 추가 시간을 소비하는 것에 대해 정확히 열광하지는 않을 것입니다.
	하지만 운 좋게도 제가 맡은 역할 중 하나는 금요일에 약간의 자유 시간을 갖는 것입니다. 나는 금요일 오후나 금요일 아침을 즐거운 시간에만 열어두려고 노력합니다.
	내 일과 관련된 재미있는 일들. 저는 이것을 즐거운 금요일 자유 시간(Fun Friday Free Time)이라고 부릅니다. 저는 지난 몇 달 동안 즐거운 금요일 자유 시간을 활용하여 JMP 추가 기능을 만드는 데 사용하기로 결정했습니다.
	당신은 이렇게 물을 수도 있습니다. 내가 이 일을 어떻게 할 것인가? 저는 JMP 스크립트 언어를 몰랐습니다. 나는 이 일을 어떻게 하려고 했는가? 그래서
	첫 번째는 내가 그것을 배우려고 했다는 것입니다. JSL을 배우는 방법에 관한 정말 훌륭한 리소스가 많이 있습니다.
	따라서 실제 JMP 소프트웨어 자체 내에 JMP JSL 코드 지원이 있습니다. 그냥 가서 도와주세요. 바로... 바로 들어갈 수 있습니다.
	거기에 있는 스크립팅 인덱스입니다. 온라인에는 수많은 것들이 있습니다
	JMP 스크립팅 언어를 이해하는 방법과 시작하는 방법에 대해 알아보세요. 그리고 Community.jmp.com이 있습니다.
	이것은 시작하기에 정말 좋습니다. 질문을 하거나 사람들이 묻는 다른 질문을 볼 수 있고 사람들이 즐길 수 있도록 공개적으로 게시한 코드를 빌릴 수 있습니다. 저는 여기서 그런 일을 여러 번 했는데 정말 좋았어요.
	따라서 저는 이들 각각을 좀 더 깊이 있게 살펴볼 것입니다. 따라서 R 패키지를 옮기거나 자신만의 알고리즘을 작성하거나 자신만의 JSL 코드를 작성하는 데 관심이 있다면,
	어디서부터 시작해야 할지 알 수 있을 것입니다. 그런 다음 이 작업을 마치면 추가 기능으로 이동하여 구체적으로 어떤 기능과 사용 방법을 설명하겠습니다.
	그렇다면 JSL을 어떻게 배우나요? 음, 다시 할 수 있어요...
	JMP가 보유하고 있는 다양한 JSL 리소스를 통해 이를 배울 수 있습니다. 864페이지 분량의 스크립팅 가이드가 여기에 링크되어 있습니다.
	Google을 사용하거나 이 슬라이드가 끝난 후 이 슬라이드를 얻을 수 있고 이러한 링크를 얻을 수 있을 것입니다. JMP에는 스크립팅 인덱스가 있는데, 도움말로 가서 인덱스를 스크립팅하면 됩니다. 나는 여러분을 위해 여기에 넣었습니다. 정말 사용하기 쉽고 시작하기 쉽습니다.
	JMP에 문의하실 수 있습니다. 그래서 제가 가장 먼저 한 일은 JMP에 연락을 취하는 것이었습니다. 그녀의 이름은 Ruth Hummel이고 저는 '이 일을 하고 싶은데 어디서부터 시작해야 할까요?'라고 말했습니다.
	그녀는 나에게 그 아이디어에 대해 지지와 격려를 주었다. 그녀는 그것이 훌륭하다고 생각했고 저를 JSL 코드 전문가와 연결해주었습니다.
	그 사람 이름은 마크 베일리야. 그리고 마크는 이 모든 과정에서 정말 대단했습니다. Mark는 스크립팅 언어에 대한 일반적인 지원, 내 코드 검토, 코드 일부 작성을 도왔습니다.
	그것의 일부를 시작하십시오. 그리고 우리는 지난 몇 달 동안 이메일을 통해 약 22번 정도 왔다 갔다 했습니다. 그리고
	내 프로젝트에 기꺼이 도움을 주려는 직속 직원까지 JMP에서 제공한 리소스
	엄청났어요. 내 말은, 더 나은 것을 요구할 수 없었다는 것입니다. 내 말은, 이전에 다른 플랫폼을 위한 무언가를 만들려고 할 때 이런 유형의 지원을 받은 적이 없다는 것입니다. JMP에 감사드립니다.
	이것을 제공하는 것이 이것이 존재하는 주된 이유입니다. 훌륭한 자원을 제공했기 때문입니다.
	즉, Community.jmp.com에서 질문하고, 답변을 얻고, 코드를 빌릴 수 있고, 인증을 받을 수 있습니다.
	JMP 스크립팅 언어. 커뮤니티에서 원하는 것은 무엇이든 검색할 수 있습니다. Google과 같지만 JMP 전용입니다.
	원하는 것은 무엇이든 검색할 수 있으므로 JSL과 JSL을 입력하여 원하는 작업을 수행할 수 있습니다. 아마 이미 이에 대해 게시한 사람이 있을 것입니다. 없는 경우 토론 게시판에 추가할 수 있습니다.
	그리고 차용 코드가 있는데, 이것은 Mark가 나에게 전달한 것 중 하나인 차용 코드였습니다. 커뮤니티 웹사이트에는 많은 코드가 있습니다.
	사람들이 그것을 공유한 데에는 이유가 있습니다. 그래서 여기 오른쪽에 있는 것은 실제로 제가 개발한 추가 기능을 위해 빌린 것입니다. 사용자가 자신이 어디에 있는지 알고 싶었습니다.
	알고리즘을 실행하는 데 시간이 얼마나 걸릴지 또는 이미 진행된 정도가 얼마나 되는지에 관한 것입니다.
	그래서 저는 JMP에 진행률 표시줄을 직접 작성하고 싶지 않았기 때문에 커뮤니티 보드에 있는 진행률 표시줄을 빌려서 추가 기능에 바로 추가했습니다.
	JMP에서 퇴직한 직원인 Craige Hales라는 사람이 이 코드를 작성했고 제가 빌려왔습니다. 고마워요, 크레이지. 코드 대여를 추천해주신 Mark님, 감사합니다. 시간이 많이 절약되었기 때문에 정말 감사하고 추가 기능이 훨씬 더 좋아졌습니다.
	이제 마지막으로 추가 기능에 대해 이야기해 보겠습니다. 그래서 저는 이 추가 기능이 왜 필요한지에 대해 이야기했습니다. 다른 사람들은 R 패키지를 활용했으며 JMP 사용자가 이 패키지를 통해 이점을 얻을 것이라고 생각하는 이유와 제가 어떻게 했는지에 대해 이야기했습니다.
	이제 실제로 어떻게 작동하는지 보여드리고 싶습니다. 이 부분이 이 모든 것에서 가장 재미있는 부분이기를 바랍니다. 그래서 저는 몇 달 후 즐거운 금요일 자유 시간에 이 전체 패키지인 R 패키지를 JMP로 옮겼습니다. 금요일에는 단 몇 시간밖에 걸리지 않습니다. 그리고 JMP 추가 기능
	현재는 선형 및 로지스틱 회귀 모델에서만 작동합니다. 나중에 다른 모델로 확장할 수 있기를 바라지만 현재로서는 선형 및 로지스틱 회귀 모델에서 작동합니다. 또 다른 점은 추가 기능이
	아시다시피 내장된 다른 모든 JMP 모듈에는 화려한 추가 기능이 많지 않습니다. 예를 들어, 범주형 변수를 반응 변수에 넣으면 성격 유형이 자동으로 로지스틱 회귀 분석으로 전환되지 않습니다.
	나는 그것에 대해 다루지 않았습니다. 제가 아직 해결하지 못한 다른 많은 것들이 있습니다. 사람들이 이 패키지를 사용하고 좋아하고 이에 대한 피드백을 제공할 때 이 패키지를 통해 개선하고 싶습니다.
	그래서 일부 기능이 부족합니다. 추가 기능 관리자의 멋진 점은 JSL 코드만 가져오면 추가 기능이 있다는 것입니다. 추가 기능 관리자, JMP 추가 기능,
	JSL 코드에서 자신만의 추가 기능을 만들 수 있으므로 버튼을 몇 번만 클릭하면 JSL 코드를 추가 기능으로 전환하여 JMP 커뮤니티 전체와 공유할 수 있습니다.
	그리고 저는 이것을 Community.jmp.com 웹사이트에 게시했습니다. 모든 사람이 나가서 여러분에게 보여드릴 준비가 된 추가 기능에 액세스할 수 있도록 말이죠.
	그리고 제가 사용할 데이터 세트에도 액세스할 수 있습니다. 하지만 이는 제 예뿐만 아니라 여러분이 가지고 있는 모든 데이터 세트에 적용됩니다.
	그래서 저는 이 추가 기능에 대한 매우 빠른 라이브 튜토리얼을 제공할 것입니다. 추가 기능이라고 불리는데, 방금 상호 작용 탐색이라고 불렀습니다.
	이 모든 작업은 제가 앞서 이야기한 실현 가능한 솔루션 알고리즘을 통해 수행될 것입니다. 예제는 선형 모델입니다.
	여기서는 두 개의 변수를 수정하여 이것이 내 기본 모델이 될 것입니다. 내 기본 모델에는 연속형 반응 변수와 조정할 수 있는 두 개의 공변량이 있습니다.
	그런 다음 제가 하고 싶은 것은 데이터 세트에 있는 10개 변수 사이의 해당 모델에 추가할 2차 상호작용을 고려하는 것입니다.
	그리고 5번의 무작위 시작을 수행하고 기준을 확인하고 싶습니다. 현재 이 기준은
	JMP 추가 기능은 상호 작용의 P 값을 최소화하려는 것입니다. 그래서 우리가 확인하는 각 상호작용은
	P 값을 생성하고 싶은 것은 내 솔루션이 다음을 갖는 솔루션이기를 바라는 것입니다.
	매우 작은 P 값. 따라서 상호 작용의 P 값을 기반으로 공간을 검색하고 가장 좋은 값을 가진 항목으로 이동합니다. 따라서 우리의 결과에는 작은 P 값을 갖는 많은 상호 작용이 있을 것입니다. 그리고
	일반적으로 이러한 유형의 절차를 수행한 후에 제가 권장하는 것은 실현 가능한 솔루션 알고리즘입니다.
	데이터를 플로팅하고, 모델의 상호 작용을 살펴보고, 상황에 맞는 비판적으로 생각하는 작업을 수행하는 것입니다. 하루가 끝나면 여기에서 데이터를 탐색하게 되기 때문입니다.
	이것은 어떤 식으로든 추론이 아닙니다. 우리는 데이터의 신호를 사용하여 이 데이터에 어떤 상호 작용이 존재할 수 있는지 지시하고 있습니다.
	그리고 다시 데이터와 추가 기능이 커뮤니티 웹 사이트에 게시됩니다.
	알았어, 이제 그만하고 빨리 이 상황에서 빠져나와서 차를 세울 거야
	내가 가지고 있는 JMP 데이터 세트입니다. 여러분이 이것을 볼 수 있기를 바랍니다.
	보시다시피, 정말 간략한 개요입니다. 이것은 실제로 제가 생성한 임의의 데이터 묶음입니다. 여기에는 실제 구조가 전혀 없습니다. 그런데...이것은 실제 데이터가 아니고 JMP에서 무작위로 생성된 데이터입니다.
	여기에는 20개의 관측치가 있습니다. 저는 10개의 연속 변수와 설명 변수를 가지고 있습니다.
	연속형 응답 변수가 있고 응답 변수를 0보다 크거나 0보다 작은 것으로 분류했습니다.
	따라서 로지스틱 회귀 결과를 보고 싶다면 데이터를 사용하여 로지스틱 회귀 예제를 수행할 수도 있습니다.
	따라서 추가 기능을 받은 후 웹사이트로 이동하여 추가 기능을 다운로드하고 두 번 클릭하면 JMP에 직접 설치됩니다. 정말 쉽습니다.
	그런 다음 여기로 이동하여 추가 기능으로 이동합니다. 데이터 세트가 열리면 추가 기능으로 이동하여 상호 작용을 탐색할 수 있습니다.
	그러면 여기에 이런 내용이 뜹니다. 그래서 우리에게는 몇 가지가 있습니다. JMP의 다른 모듈에서와 마찬가지로 여기 왼쪽에 모든 변수가 표시됩니다.
	그래서 저는 응답 변수인 Y를 선택하고 수정하겠습니다. 여기서 기본 모델을 구성합니다. 이것이 제가 모델에 추가하는 모든 선형 주효과입니다. 여기에는 두 개의 변수가 있습니다.
	여기에 추가할 X1과 X2입니다. 이제 해야 할 일 중 하나는 모델링 유형을 지정하는 것입니다. 따라서 내 페이지에는 두 가지 유형이 있습니다.
	추가 기능을 선택할 수 있습니다. 하나는 표준 최소 제곱 모델링 유형이고 다른 하나는 로지스틱 회귀 유형입니다.
	그리고 이것은 앞서 말했듯이 여기에 입력한 내용을 기반으로 자동으로 선택되지 않으므로 범주형 응답 변수를 완전히 입력해도 전환되지 않습니다. 직접 전환해야합니다. 그것은 멋진 종소리 중 하나이고 바라건대 나중에 설명하겠습니다.
	그것을 제거하십시오. 이것을 다시 여기에 넣으세요.
	좋아요, 이것이 우리의 설정이고 이것이 모델 y가 베타 0 더하기 베타 1 X 1 더하기 베타 2 X 2와 같다는 피팅이 될 것입니다. 이제 아래에는 제가 원하는 변수를 입력할 곳이 있습니다.
	...또는 사이의 상호 작용을 찾고 싶으므로 X1부터 X10까지 모두 선택하겠습니다. 나는 그것들을 위에 추가할 것입니다.
	그런 다음 알고리즘을 실행하고 싶다고 몇 번이나 말합니까? 그래서 여기서는 시간 관계상 5번을 하겠습니다.
	고려해야 할 상호 작용의 순서는 두 가지뿐입니다.
	저는 3자 이하로 머무르는 것을 권장합니다. 일반적으로 4자 상호 작용, 5자 상호 작용인 상호 작용을 해석하기가 훨씬 더 어려워집니다.
	알고리즘...또는 제가 설정한 방식은 원하면 그 높이까지 올라갈 수 있다는 것입니다. 실제로 제한을 두지는 않았지만 여기서 더 높이 올라갈수록 이것을 실행하는 데 더 많은 시간이 걸릴 것이라는 점만 알아두세요.
	그래서 저는 OK를 누르겠습니다. 이 작업에는 몇 초 정도 걸립니다.
	그러면 제가 빌린 코드를 보실 수 있습니다.
	여기에 나온 것을 볼 수 있으며 작업이 20%, 40% 완료되었음을 알려줍니다.
	이것이 해결책입니다. 따라서 검사가 진행될 때마다 실행 가능한 솔루션이 발견되고 마지막에 나타나는 것은 데이터 테이블입니다.
	아시다시피, 이것은 그런 기능 중 하나가 아닙니다... 상호 작용을 선택한 다음
	모델을 생성하면 JMP가 이미 다양한 작업을 수행하는 것처럼 모든 작업을 수행할 수 있지만 아직까지는 도달하지 못했습니다. 이것은 해결책이 무엇인지 알려줍니다.
	그래서 그것은 여러분에게 그것이 무엇을 했는지에 대한 요약을 제공합니다. 그래서 다섯 번 무작위로 시작했습니다. 이는 반응 변수, 고정 변수,
	찾은 상호작용 변수, R 제곱, 해당 모델에 대해 조정된 R 제곱, 평균 제곱근 오차, 상호작용 P 값입니다. 좋아요, 여기서 우리가 볼 수 있는 것은
	(이것을 클릭하면 표시됩니다.) 해결 방법은 두 개뿐입니다. X2 X3은 하나의 상호 작용이고 X10 X7은 또 다른 상호 작용이었습니다.
	이제 제가 할 수 있는 것은, 지금은 그렇게 하지 않을 것입니다. 가서 이 모델을 구축하고 이 결과를 재현하고 결과를 조사하여 확인하는 것입니다. 좋습니다. 이것이 좋은 통계 자료인가요?
	알고리즘...또는 여기서 찾은 좋은 통계적 상호작용이 있나요? 내 레버리지 도표는 어떤 모습인가요? 나의 다른 기준은 모두 무엇입니까
	플롯은 어떻게 생겼나요? 진단 플롯은 어떤 모습인가요? 그런 종류의 것들. 그런 다음 질문을 시작할 수 있습니다. 이 상호 작용이 매개 변수 추정치 등의 측면에서 의미가 있습니까?
	탐색적이므로 잠재적인 해결책을 제공할 수 있지만 실사를 통해 이를 추적하고 실제로 얻은 결과에 대해 생각해야 합니다.
	그리고 이 분야의 맥락 전문가들에게 질문을 해보세요. 이것이 일반적으로 우리가 보건 과학에서 이것을 사용하는 방법입니다. 우리는 이것을 건강 데이터와 함께 사용하여 상호 작용을 생성한 다음 의사에게 가서 이것이 효과가 있는지,
	알다시피, 연령이나 성별 등을 불문하고 일관성이 없을 것입니다. 그리고 그들은 보통 우리에게 그것에 대해 이야기할 것입니다. 생각해 보세요. 전체적인 아이디어는 이것이 향후 연구에 영향을 미칠 수 있기를 바라는 것입니다.
	힘이 좋은 방법.
	좋아요, 이제 PowerPoint로 돌아가겠습니다. 이상으로 이번 튜토리얼이었습니다. 사용하기가 매우 쉽다는 것을 알 수 있습니다. 그것은 정말 작은 예였습니다. 이것을 늘릴 수 있습니다.
	아시다시피, 보유하고 있는 데이터 세트가 클수록 제가 방금 수행한 전체 프로세스가 더 오래 걸릴 것입니다. 10초 길이는 아닙니다. 곧 될거야,
	데이터 세트의 크기에 따라 5~10분 정도 걸릴 수도 있습니다. 저는...알고리즘을 사용하고, 추가 기능을 사용하여 100개의 변수가 있는 데이터 세트를 수행했습니다.
	설명 변수가 포함되어 있으며 약 5~10번의 무작위 시작을 실행하는 데 약 7분 정도의 시간이 걸렸습니다.
	JMP 추가 기능보다 R 패키지의 속도가 더 빠르지만, 이는 다시 말씀드리지만 이것이 제가 처음 시도한 것이기 때문이며, 반복을 통해 훨씬 더 빠르고 더 좋아질 수 있기를 바랍니다.
	그럼 앞으로의 개선에 대해 이야기해보겠습니다. 그래서 저는 사용자가 최적화하거나
	그들이 원하는 기준에 따라 실행 가능한 솔루션을 찾으세요. 따라서 R 제곱 최적화, AIC 최적화 또는 오분류율 최적화를 기반으로 실행 가능한 솔루션을 찾고 싶다면,
	로지스틱 회귀 모델에서 저는 그들이 그렇게 할 수 있도록 하고 싶습니다. 그리고 그것은 실제로 그렇게 어려운 일이 아닙니다. 그냥 들어가서 해야만 합니다.
	변수 선택에 따라 모델링 성격을 자동으로 저장하거나 선택합니다. 그것은 간단합니다. 당신은
	이진 로지스틱 변수는 자동으로 로지스틱 회귀를 선택합니다. 제 생각엔 그게 엄청나게 어려운 일은 아닌 것 같고 꽤 빨리 할 수 있을 것 같아요. R 패키지를 옮기는 과정을 거쳤기 때문에 자신감이 생겼습니다.
	속도를 좀 향상시키고 싶습니다. 이 속도를 향상시키기 위해 제가 할 수 있는 일이 많이 있습니다.
	그래서 저는 그렇게 할 수 있었으면 좋겠습니다. 리콜 버튼이 있으면 좋을 것 같습니다. 지금은 그런 게 없어요. 제가 JMP에서 가장 좋아하는 기능 중 하나는 호출 버튼을 클릭할 수 있다는 점입니다.
	그런 다음 FSA에서 얻은 결과를 바탕으로 모델을 구축하는 과정을 간소화하고 싶습니다. 그래서
	JMP나 Lasso 등에서 전방 선택을 수행할 때와 같이 이미 그렇게 할 수 있습니다. 모델 만들기를 클릭하기만 하면 모든 변수를 매우 쉽게 가져올 수 있습니다.
	저는 이 실현 가능한 솔루션 알고리즘을 사용하여 해당 작업을 수행하고 싶습니다. 해당 유형의 결과를 얻고 모델 만들기를 클릭하기만 하면 자동으로 모든 작업이 수행됩니다.
	이를 통해 탐색할 수 있고, 다시 한 번 바라건대 여러분이 발견한 상호 작용을 잘 이해할 수 있을 것입니다.
	그래서 제가 겪고 싶은 몇 가지 감사의 말을 전합니다. 첫 번째는 마크 베일리입니다. 당신이 없었다면 나는 그것을 할 수 없었을 것입니다. JSL 코드에 대한 지원에 진심으로 감사드립니다. 루스에게 감사드립니다
	제가 마크와 연락할 수 있게 해줬을 뿐 아니라 장군이 되어서요.
	이 프로젝트를 지원하고 좋은 피드백을 제공하는 사람입니다. 앤과 래리, 정말 고마워요
	JMP와 과거 관계에 관련된 모든 일에 도움을 주시고 이번 Discovery Summit을 개최하도록 격려해 주셔서 감사합니다. 정말 즐거웠고 JMP 커뮤니티에서 더 많은 사람들을 만날 수 있어서 기쁩니다.
	그것을 통해, 그래서 그것에 대해 감사합니다. 다양한 방법으로 저에게 연락하실 수 있습니다. 내 대학 이메일로 저에게 이메일을 보내실 수 있고, 그것이 당신이 원하는 방식이라면 트위터로 저에게 연락하실 수 있습니다.
	또한 이 JMP 추가 기능을 github과 커뮤니티 웹사이트에 게시할 계획이므로 나중에 추가 기능 업데이트가 있는지 두 곳 중 한 곳을 자유롭게 확인하시기 바랍니다.
	네, 저를 초대해 주셔서 감사합니다. 할당된 시간 동안 귀하의 질문에 답변하게 되어 기쁩니다. 감사합니다.

브레이크아웃데이터 탐색통계 및 모델링