399863_zh-TW

liliconcom

探索回歸模型與 JMP 和可行解算法的相互作用 (2021-US-45MP-841)

級別：中級

 

Joshua Lambert，辛辛那提大學助理教授

 

在構建回歸模型的過程中，科學家有時需要評估一個或多個感興趣的變量的影響。 使用加性回歸模型，假設效應（例如治療）在所有可能的亞組（例如性別、種族、年齡）中是相等的。 使用台式計算機檢查所有可能的交互效果要么太耗時，要么不可能。 新的 JMP 插件實現了一種算法，即可行解決方案算法 (FSA)，該算法旨在通過識別雙向和三向交互作用來探索大型數據集中的子組特定效應，以添加到多變量回歸模型中。 本演講簡要介紹了 FSA，解釋了我如何將 R 包移至 JSL，並提供有關如何使用 FSA JMP 插件探索您自己的回歸模型中的交互的教程。

 

 

自動生成的成績單...

 

揚聲器	成績單
約書亞·蘭伯特	你好。
羅賓·戈弗雷	嗨，我是羅賓，喬希。
	是的。
羅賓·戈弗雷	新。
約書亞·蘭伯特	是的，很高興見到你，太抱歉了，我只是在這裡打開 PowerPoint。
羅賓·戈弗雷	好的。
	你有任何联合主持人嗎？
約書亞·蘭伯特	不。
羅賓·戈弗雷	好的，我將在此處列出列表，因此我們正在記錄此內容，以便您口頭向我確認您知道自己正在被記錄。
	是的。
羅賓·戈弗雷	手機互聯網通知被靜音。
約書亞·蘭伯特	是的。
羅賓·戈弗雷	是的，我想我就像 Windows 任務欄和所有這些，而且肯定就像你的電子郵件在中間消失一樣。
約書亞·蘭伯特	我不認為我已經關閉了所有東西，他們以前從來沒有這樣做過。
羅賓·戈弗雷	我認為它在任務欄中。
	讓我們看看這裡。
	只要關閉你的電子郵件和東西它會沒事的。
	好的。
約書亞·蘭伯特	得到了炸玉米餅。
羅賓·戈弗雷	好吧，太好了，我要把自己藏在這裡。
	要做到這一點，每次我這樣做，我都必須，我必須喜歡好吧，我做了什麼。
約書亞·蘭伯特	那麼。
	就演示而言，我想你們會從我開始的時候開始。
	是的，還有你要問的問題。
羅賓·戈弗雷	不，不，所以你只需像往常一樣做你的演講。
	對，而且你知道你會調出你的幻燈片和所有東西。
	如果你想先發言然後拿出你的幻燈片，如果你需要重新開始或類似的事情，請告訴我，我們可以做到這一點沒什麼大不了的。
	好吧，你是一個小剪輯，就像你是相機一樣，有什麼辦法可以備份一點點，因為你真的很近。
	我什至不能看到你的整個臉，我可以看到。
約書亞·蘭伯特	知道我忘記了。
羅賓·戈弗雷	是的，只是一點點。
	或者也許只是降低一點你的相機。
	那挺好的。
	很好，是的，我們可以看到更多你的肩膀和其他東西。
	所以我要繼續靜音，所以給我幾秒鐘，然後你就可以了。
	準備好了就開始吧。
	偉大的。
約書亞·蘭伯特	大家好。 我叫喬什·蘭伯特。 我是辛辛那提大學的助理教授，使用 JMP 已有大約 10 年時間。
	我很高興與您分享我一直在使用我構建的插件探索回歸模型中的交互的一些工作，該插件使用我開發的稱為可行解算法的算法。
	所以
	我們今天要講的一些內容。 所以我將從一個小例子開始，這將激發我們的討論，以及我一直在做的工作，對問題的概述。
	一個潛在的解決方案。
	然後討論我如何將解決方案實施到 R 包中，然後將其轉移到 JMP 插件以及我執行此操作的過程。 然後我會談談一些未來的努力和我在這個過程中學到的一些東西。
	所以讓我們用一個小例子來激發我們今天的討論。 我將稱這個湯姆為數據科學家。 所以見見湯姆。 他是一名數據科學家，Tom 從事許多典型的數據科學活動，特別是 Tom 在 JMP 中構建多變量回歸模型。
	他主要處理具有很多變量的表格數據，Tom 意識到這些多變量回歸模型缺乏複雜性，特別是它們缺乏交互項和二次項。
	湯姆……這讓湯姆很沮喪，而且湯姆不想直接進入機器學習領域。
	所以他希望他有一種方法可以在他的回歸模型中探索交互作用。
	他有他想要測試的交互，但他必須將它們手工製作到 JMP 的擬合模型平台中。
	您知道，必須運行所有這些將花費大量時間。 因此，例如，如果 Tom 在他的數據集中有 200 個變量並且他需要查找所有雙向交互，則需要檢查 19,900 個雙向交互。 這太多了。
	所以 Tom 想知道，有沒有一種算法和數據驅動的方法來探索回歸模型中的交互效果，而無需手工製作它們，也不需要檢查所有這些可能的組合？
	因此，讓我們以更嚴格的數學和統計方式來概述這個問題。 所以我們的問題是，我們有一個數量和復雜性的問題。
	所以體積和復雜性
	將繼續以非常快的速度增長。 我們一直有越來越多的數據可供我們使用，而這些數據的複雜性也在不斷增加。
	交互的問題在於要檢查的交互太多。
	通常，數據科學家、統計學家、科學家將不得不使用一組已知的交互進行分析以檢查
	然後繼續檢查它們。 這是一個問題，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，並且您希望能夠在您的數據中探索它們
	無需使用模型，例如隨機森林甚至主成分分析來進行某種數據簡化，在那裡做一些更複雜的事情。 您真的希望能夠在構建回歸模型的過程中做一些事情。
	因此，隨機森林和主成分以及其他機器學習類型的任務的另一個問題是，這些東西通常難以解釋，我們想添加......探索互動。
	所以通常我們在回歸中的工作流程
	所以統計學家花了很多時間建立一個簡約的，我稱之為，具有必要變量和不添加交互效應的基礎模型。
	這個基本模型，統計學家會在這個基本模型上花費很多......很多時間，很多資源，關心，花時間考慮它們是否可以解釋以及它們是否具有良好的上下文意義。
	這些不包括複雜性的基礎模型的問題在於，他們假設這些影響......他們估計的影響在所有可能的子組中都是一致的，例如性別、種族、年齡，而這通常不是真的。
	這種缺乏複雜性
	與機器學習模型相比，它確實阻止了人們使用它，而機器學習模型在對這種複雜性進行建模方面做得非常好。 所以這個問題真的可以總結為以下方式。
	有沒有辦法讓我們不能一直在傳統的多變量回歸模型上，而不是在機器學習模型上，
	但是在中間找到一個很好的甜蜜點，在那裡我們能夠利用我們的回歸模型的良好可解釋性，增加一兩個交互
	我們在大數據中發現的，因此我們可以為我們的模型和復雜性添加有趣的細微差別，再次增加預測性能以及良好的上下文感。
	因此，如果有辦法做到這一點，我們真正想做的是為統計學家、數據科學家和調查人員開發一種工具，讓他們能夠在建立基本模型後探索相互作用。
	基本模型首先發生，然後復雜性探索通常會發生。
	因此，如果我們要開發這樣的工具，我們會有一些限制和偏好。 我們希望有基於傳統統計模型的線性邏輯回歸，
	我們希望它們保持可解釋性。 如果可能，我們希望檢查更少的模型，並且我們更喜歡可行而不是最優。 稍後我會更深入地了解這意味著什麼，但本質上，它的真正含義是
	我們希望有大量的解決方案，而不僅僅是一個好的解決方案，我們稱之為可行的解決方案。
	我們還希望它具有靈活性。 它可以適用於線性回歸、邏輯回歸、Cox 比例回歸。 我們可以將它用於泊松回歸，任何類型的回歸，這個框架或工具都可以用於。
	再一次，它將是傳統統計方法和機器學習之間的混合體。 即將出現的結果不一定是推論性的，但它們將是探索性的，它們將激勵和影響我們未來花時間做的事情。
	那麼現在讓我們來談談這個潛在的解決方案，可行的解決方案算法。
	算法...可行解算法有時稱為FSA，或者我喜歡這樣稱呼它，
	最初在這篇論文中討論過……真的是在我 2018 年寫的這篇論文中首先詳細討論的。
	和
	我將在這裡總結算法的作用。
	因此，該算法的目標是識別 m 階交互（因此，如果 m 為 2，則為雙向交互；如果 m 為 3，則為三向交互），
	有一個可行的標準，所以這個標準不一定是最好的標準，但它是一個
	標準是
	也許在某種程度上被認為是半最優的。
	為此，我們將按照以下步驟操作。 所以我們要做的第一件事是從 m 階隨機交互開始，所以對於我們的例子，讓我們假設這是一個雙向交互，所以 m 是 2。
	我們將考慮其中一個變量的所有交換以及所有其他變量的交互。 例如，假設我們隨機啟動它。
	我們有五個變量，所以這只是一個小例子，只是為了激發這裡的步驟，但假設我們有五個變量，我們隨機從 X3、X5 和我們的標准開始，即隨機起點的 R 平方，是 0.5。
	讓我們說算法的工作方式是它會考慮將一個變量 X3 或 X5 交換為任何其他變量。 那麼我們的選擇是
	X3 X1、X3 X2、X3 X4、X5 X1、X5 X2 和 X5 X4。 所以請注意，在所有可能的情況下，我稱之為交換，其中至少有一個起始位置變量，好嗎？
	然後，我們要做的是所有這些，我們將擬合這些模型，我們將弄清楚這些模型的標準是什麼。 所以我們在這裡可以看到的是
	對於 X3 X5 型號，我們有 0.5； X3 X1，標準是 0.4。
	有了 R 平方，我們顯然不想去更糟糕的地方，我們想要去更好的地方，更高的 R 平方，所以我們會找出所有可能的選擇，去哪裡最好.
	在這個例子中，最好去的地方是第三個交換區，也就是 X3 X4。 所以我們要做的是進入第三步，從第二步開始進行最好的交換。
	在這種情況下，我們將移動到 X3、X4 位置，然後返回到第二個位置並重複，直到無法進行任何改進。
	所以我們會重複這個過程，移動到地方，從那裡開始，考慮所有的交換，直到最終我們無法做出改進。
	我們將在……那個地方調用它，我們最終會找到一個可行的解決方案。
	我們將重複第一步到第四步來尋找其他可行的解決方案。 我們可以一遍又一遍地這樣做，這個過程，這個可行的解決方案算法，並不能保證給你最優解，儘管它有時可以給你最優解。
	那麼我們來說說使用這個算法的一些副產品，可行解算法。 這些都在一篇論文中概述
	我的一位同事 Elliott 在 2021 年寫道，在那裡她描述了可行的解決方案並不能保證，正如我之前所說的，對於選定的標準來說是最佳的。
	也就是說所有的最優解都是可行的，但並不是所有的可行解都是最優的。 所以可行的解決方案是一種半最優的解決方案，它們給你一個很好的標準，可行的標準，但不一定是最優的。
	但是，這些可行的解決方案標准通常非常接近最佳解決方案標準，因此它們往往非常好。 他們只是可能不如最好的。
	很多...如果你重複這個過程，這...這四個步驟，你可能會得到很多可行的解決方案，所以如果你做這個算法10次，你可能會得到四個可行的解決方案。
	您可能會得到 10 個可行的解決方案。 這取決於您使用的數據，以及該數據集的協方差方差，所以它有點
	不確定您將獲得多少解決方案。
	這就是為什麼我們通常鼓勵用戶多次重複可行解算法，因為這將增加您獲得最優解和可行解的機會，並確保您已經
	充分搜索了空間。 我們還有另一篇論文描述了（如果有人感興趣，歡迎聯繫我）我應該做多少隨機排序以確保我有合理的概率獲得最佳排序。 我們有一個
	關於這一點的理論論文也是如此。
	但是，本質上，這種方式的運作方式是其中一些交互更具吸引力。 他們......測試空間比其他空間更吸引他們，所以你最終得到的一些時間是，即使
	交互不是最佳交互，它有時可以引導……數據通常可以引導它
	通過可行的...可行的解決方案算法通常可以比最佳解決方案更頻繁地將您帶到那個地方，這與數據如何相關等等有關。
	所以讓我們談談 R 包，然後我如何將它移到 JMP 插件中。
	所以
	R 包稱為 rFSA，我知道我們可能有些人已經非常廣泛地使用了 R，有些人還沒有。 和
	所以 R 是一種非常好的編程語言，它經常在統計程序中教授，所以它是我在寫論文時立即去的第一個地方
	你知道，寫下這個算法，並真正為社區提供一個工具，以便能夠在他們自己的數據集中識別和探索交互。
	所以rFSA包實現了我剛剛談到的這個可行解算法
	用於大型數據集中的交互，並且此包支持許多不同標準的優化，例如 R 平方、調整後的 R 平方、AIC
	相互作用、P 值等。 它還支持不同的建模策略，例如線性模型和廣義線性模型，並且可以輕鬆適應其他類型的建模，例如 Cox 比例風險模型。
	它還提供了多種解決方案，因為它會根據您指定的次數重複該算法。
	那麼為什麼...我想談談我將這個軟件包轉移到 JMP 的動機，我將談談我將這樣做的原因、時間和方式。
	所以第一個問題是，為什麼要這樣做？ 第一件事是做起來很有趣。 我喜歡用不同的編程語言寫作。 我沒有很多用 JMP 腳本語言編寫的經驗，這是 JMP 的版本
	統計編程語言，所以我想學習它，我認為將這個我花了四年大部分時間的 R 包移動到 JMP 上會很有趣，因為
	我真的很喜歡 JMP。 我認為 JMP 很棒。 這對我和我的數據來說是一個非常棒的工具
	分析管道。 我通常在 JMP 中開始我的所有項目並探索數據，繪製數據，查看事物，然後這讓我對這些數據有很多很好的直覺。 我發現我的很多
	同事，特別是我的一位顧問，他主要在 JMP 工作，他總是向我詢問 JMP 中的 FSA 包。
	所以我想，你知道，為什麼不把它給他呢？ 他當然配得上它，所以我決定這將是一個很好的工具，希望其他人會
	從中得到一些利用。 這讓我想到了另一個關於為什麼要這樣做的觀點，我收到了很多關於 rFSA 的很好的反饋。
	具體來說，我一直在跟踪有多少人下載了我的 R 包，自從我們在 2019 年發布它以來，已經有超過 16,000 人下載了它。
	我收到了無數來自世界各地的人的電子郵件，我希望 JMP 中的人們可以訪問同樣的內容，我希望通過這個插件，人們能夠找到真正酷的交互，改變他們的解釋方式數據以及他們如何理解它。
	然後你可能會問，好吧，我什麼時候才能做到這一點？ 這不完全是有人付錢給我做的事情。 你知道，JMP 不會付錢給我做這件事。
	我目前的職位，雖然我認為他們會覺得這很有趣，但他們不太可能對我花費大量額外時間這樣做。
	但幸運的是，我在我的職位上所做的一件事是周五的一些空閒時間。 我試著讓周五下午或週五早上開放，只是為了好玩，
	與我的工作有關的有趣的事情。 我稱之為“Fun Friday Free Time”，這就是我在過去幾個月裡決定做的事情，即利用我的“Fun Friday Free Time”來構建一個 JMP 插件。
	你可能會問，好吧，我將如何做到這一點？ 你知道，我不知道 JMP 腳本語言。 我打算怎麼做？ 所以
	第一件事是，你知道，我要學習它。 所以有很多關於如何學習 JSL 的非常好的資源。
	因此，在實際的 JMP 軟件本身中有 JMP JSL 代碼支持。 去幫忙，你可以對...直接進入
	那裡的腳本索引。 網上的東西數不勝數
	關於如何理解 JMP 腳本語言以及從哪裡開始。 然後是 community.jmp.com，
	這對於入門來說非常有用，您可以在其中提出問題或查看人們提出的其他問題，並藉用他們公開發布的代碼以便能夠......讓人們能夠享受。 我在這裡做了很多次，真的很棒。
	因此，我將更深入地介紹其中的每一個，如果您對移動 R 包或編寫自己的算法或編寫自己的 JSL 代碼感興趣，
	你會知道從哪裡開始。 然後，當我完成此操作後，我將進入我的加載項，特別是它的作用以及如何使用它。
	那麼你如何學習JSL？ 嗯，你可以再...
	您可以通過他們擁有的許多 JMP 的 JSL 資源來學習它。 所以他們有一個 864 頁的腳本指南，鏈接在這裡，
	你可以穀歌，或者你可以在這結束後獲得這些幻燈片，並能夠獲得這些鏈接。 JMP 中有一個腳本索引，您可以直接去幫助然後編寫索引。 我把這裡給你們，真的很容易使用和上手。
	您可以聯繫 JMP。 所以我做的第一件事就是與 JMP 取得了聯繫。 她的名字是 Ruth Hummel，我說，嘿，我想做這個，我從哪裡開始？
	她給了我關於這個想法的支持和鼓勵。 她認為這很棒，然後她將我與一位 JSL 代碼專家聯繫起來，
	他的名字是馬克·貝利。 在整個過程中，馬克非常出色。 Mark 幫助我提供腳本語言的一般支持，審查我的代碼，幫助我編寫部分代碼，
	開始其中的一部分。 在過去的幾個月裡，我們通過電子郵件來回了大約 22 次。 和
	JMP 為我提供的資源，包括願意幫助我完成項目的直接員工
	是巨大的。 我的意思是，我不能要求更好的了。 我的意思是，當我之前嘗試為任何其他平台創建一些東西時，我從未得到過這種類型的支持。 非常感謝 JMP
	提供這個，他們是這個存在的主要原因；這是因為他們提供了極好的資源。
	所以community.jmp.com，你可以在那裡提問，你可以得到答案，你可以藉代碼，你可以在那裡獲得認證
	JMP 腳本語言。 您可以在社區中搜索您想要的任何內容，您可以……就像 Google 一樣，但它僅適用於 JMP。
	你可以搜索任何你想要的東西，所以你可以輸入 JSL 和 JSL 任何你想做的事情，而且可能有人已經發布了相關內容。 如果沒有，您可以將其添加到討論區。
	然後是藉用代碼，這是馬克傳遞給我的東西之一，嘿，借用代碼。 社區網站上有很多代碼，
	人們分享它是有原因的。 所以我......這裡的右邊實際上是我為我開發的加載項借用的東西。 我想讓用戶知道他們在哪裡
	在運行算法以及需要多長時間或已經發生多少進展方面。
	所以我不想在 JMP 中編寫自己的進度條，所以我只是藉用了社區板上的一個並將其直接添加到我的加載項中，所以是的。
	這個人，Craige Hales，他是 JMP 的一名退休人員，寫了這段代碼，我借用了它。 謝謝，克雷格；謝謝，馬克推薦借用代碼。 它為我節省了很多時間，所以我真的很感激它，它使加載項變得更好。
	所以現在讓我們最後談談加載項。 所以我已經和你討論了為什麼需要這個加載項，對吧。 其他人已經開始使用 R 包，以及為什麼我認為 JMP 用戶會從中受益，我已經與您討論過我是如何做到的。
	現在我想向你展示它是如何工作的，希望這是整個事情中最有趣的部分。 所以我在幾個月內在我擁有的有趣的星期五空閒時間將整個包，R 包轉移到 JMP，所以周五隻有幾個小時。 和 JMP 插件
	目前僅適用於線性和邏輯回歸模型。 我希望以後能夠將其擴展到其他模型，但現在，適用於線性和邏輯回歸模型。 另一件事是加載項，
	你知道，它沒有所有其他內置 JMP 模塊所具有的很多花哨的花里胡哨。 例如，當您將分類變量放入響應變量時，性格類型不會自動切換到邏輯回歸。
	我還沒有解決這個問題。 還有很多其他的事情我還沒有解決，我希望隨著人們使用它，或者喜歡它並就它給我反饋，我希望通過這個包來改進。
	所以它確實缺乏一些功能。 插件管理器很酷的一點是，你可以直接獲取 JSL 代碼，然後有一個插件……插件管理器，JMP 插件，
	它允許您從 JSL 代碼創建自己的加載項，因此實際上只需單擊幾下按鈕，您就可以獲取 JSL 代碼並將其轉換為可以與整個 JMP 社區共享的加載項。
	我已將其發佈在 community.jmp.com 網站上，供所有人訪問並訪問我準備向您展示的加載項
	並訪問我將要使用的數據集。 但這將適用於您擁有的任何數據集，而不僅僅是我的示例。
	所以我要給你一個關於這個插件的實時教程，叫做...插件，我只是把它叫做探索交互，和
	這一切都將通過我之前談到的可行解算法來完成。 這個例子是一個線性模型
	我要修復兩個變量，所以這將是我的基本模型。 我的基本模型將有一個連續響應變量和兩個我希望能夠調整的協變量。
	然後，我想做的是考慮將二階交互添加到我的數據集中的 10 個變量中的任何一個之間的模型中。
	我想做五個隨機開始，我想確定我的標準，這是目前唯一的標準
	JMP 插件，就是我們要最小化交互的 P 值。 所以我們檢查的每一個交互
	產生一個 P 值，我想要做的是我希望我的解決方案是那些
	非常小的 P 值。 所以它會根據交互的 P 值搜索空間，並找到最好的。 所以我們的結果將有很多交互作用，它們的 P 值很小。 和
	通常我會在你做這種類型的程序後推薦什麼，可行的解決方案算法，
	您是否通過繪製數據來跟進它，查看模型中的這些交互，並在上下文意義上批判性地思考它們，因為在一天結束時，我們正在探索這裡的數據。
	這在任何方面都不是推論性的。 我們只是使用數據的信號來指導這些數據中可能存在哪些交互。
	同樣，數據和加載項發佈在社區網站上。
	好吧，所以我要停下來，快點離開這裡，然後我要拉起
	我擁有的 JMP 數據集。 希望大家能看到這個。
	正如你所看到的，只是一個非常快速的概覽，這實際上是我生成的一堆隨機數據。 這根本沒有真正的結構。 有……這不是真實數據，只是 JMP 中隨機生成的數據。
	這裡有 20 個觀察值。 我有 10 個連續變量，解釋變量。
	我有一個連續的響應變量，我還將響應變量分類為大於零或小於零。
	因此，如果您希望能夠查看...查看邏輯回歸結果，您也可以使用數據進行邏輯回歸示例。
	因此，一旦您獲得加載項，請訪問網站，下載加載項，只需雙擊它，它就會直接安裝到 JMP。 這真的很容易。
	然後你就可以去這裡，所以你去加載項，去......一旦你打開了你的數據集，你就去加載項來探索交互。
	這會在這裡彈出。 所以我們有幾件事。 因此，我們將在左側看到所有變量，就像您在 JMP 中使用任何其他模塊一樣。
	所以我要選擇我的響應變量，它將是 Y，然後我要修復，所以這就是我構建我的基本模型的地方。 所以這些都是我添加到模型中的線性主效應。 所以在這個中，我有兩個變量，
	X1 和 X2，我將在這裡添加。 現在你需要做的一件事就是指定建模類型，所以我的有兩種類型
	您可以選擇的插件。 一種是標準最小二乘建模類型，一種是邏輯回歸模型。
	這不會像我之前所說的那樣根據您在此處輸入的內容自動選擇，因此您可以完全輸入分類響應變量，並且不會切換。 你必須自己切換。 這是那些花哨的花里胡哨之一，希望我稍後會講到。
	擺脫那個。 把這個放回這裡。
	好的，這是我們的設置，所以這將擬合模型 y 等於 beta 0 加上 beta 1 X 1 加上 beta 2 X 2。 現在在這裡我要放入我願意的變量
	...或者，我想尋找之間的交互，所以我將選擇所有 X1 到 X10。 我要把這些加進去。
	然後我告訴它好吧，我想運行多少次算法？ 所以為了時間的緣故，我將在這裡做五次，
	以及要考慮的交互順序，所以我只會做兩個。
	我建議保持三個或以下，通常很難解釋四向交互，五向交互，但是
	算法……或者我設置的方式是，如果你願意，你可以去那麼高。 我實際上並沒有設置限制，但只要知道你在這裡越往上走，你運行它所需的時間就越多。
	所以我要打好。 這將需要一秒鐘。
	所以你可以看到我借用的代碼。
	你可以看到它出現在這裡，它告訴我我已經完成了 20%，40%。
	所以這些是解決方案。 所以每次檢查進行時，都會找到一個可行的解決方案，然後最後彈出的是一個數據表，所以
	你知道，再一次，這不是這些功能之一......我想要一個選擇框，你可以在那裡選擇交互然後點擊
	創建模型，它會為您完成所有這些，就像 JMP 已經為很多不同的事情所做的那樣，但我還沒有到那裡。 這只是告訴您解決方案是什麼。
	因此，它為您提供了它所做工作的總結。 所以它做了五次隨機啟動。 它告訴你什麼是響應變量，固定變量，
	它找到的交互變量，好吧，R 平方，該模型的調整 R 平方，均方根誤差，然後是交互 P 值。 好的，所以我們在這裡可以看到的是
	（如果我點擊它，它會告訴我）只有兩個解決方案，所以... X2 X3 是一種交互，而 X10 X7 是另一種。
	所以現在，我能做什麼，我現在不打算這樣做，我可以去建立這個模型並重現這些結果並查看結果以查看，好的，這是一個很好的統計數據嗎？
	算法……或者我在這裡找到的良好的統計交互？ 你知道，我的槓桿圖是什麼樣的？ 我所有的不同標準是什麼
	情節是什麼樣的？ 我的診斷圖是什麼樣的？ 那種東西。 然後我可以開始提問，比如這種交互在參數估計方面是否有意義？
	這是探索性的，所以它會給你一個潛在的解決方案，但你必須通過盡職調查來跟進並實際考慮你得到的結果
	並向上下文相關的人提問……該領域的上下文專家。 這通常是我們在健康科學中使用它的方式。 我們將其與健康數據一起使用，我們產生交互作用，然後我們去找醫生說這是否有意義，這種效果，
	你知道，在年齡、性別或其他任何方面都不會保持一致。 他們通常會和我們談論這個，你知道的，想想看。 整個想法是，這有望影響未來的研究，我們可以在這些研究中推動研究以更深入的方式尋找這些相互作用的影響。
	動力充足的方式。
	好的，所以我現在要回到我的 PowerPoint 中。 這就是本教程。 你可以看到它很容易使用。 那是一個很小的例子。 你可以增加這個，
	只是知道，你知道，你擁有的數據集越大，我剛剛做的整個過程需要的時間就越長。 它不會是 10 秒長；這將是，
	您知道，可能需要 5-10 分鐘，具體取決於您的數據集有多大。 我已經完成了......使用了算法，使用了插件來做具有 100 個變量的數據集，
	解釋變量，運行它大約需要 7 分鐘的時間來執行大約 5 或 10 次隨機啟動。
	R 包中的事情比 JMP 插件中的要快，但那是因為，你知道，再一次，這是我第一次嘗試，希望通過迭代會變得更快更好。
	所以讓我們談談未來的改進。 所以我想讓用戶能夠優化或
	根據他們想要的任何標準找到可行的解決方案。 所以如果他們想基於優化R平方或者優化AIC或者優化誤分類率找到可行的解決方案，
	你知道，在邏輯回歸模型中，我想讓他們能夠做到這一點。 而且這真的不難做，我只需要進去做。
	根據變量選擇自動保存或選擇建模個性。 這很簡單。 你放入一個
	二元邏輯變量，你知道的，它會自動為你選擇邏輯回歸。 我認為這可能並不難，我可能很快就能做到。 在經歷了將我的 R 包轉移過來的過程後，我有信心這樣做。
	我想提高一些速度。 我可以做很多事情來提高這個速度。
	所以，我希望能夠做到這一點。 一個召回按鈕會很好。 我現在沒有那個。 JMP 中我最喜歡的功能之一就是能夠單擊該召回按鈕。
	然後我希望能夠簡化從 FSA 獲得的結果到構建模型的過程。 所以
	您已經可以做到這一點，就像在 JMP 或 Lasso 或任何這些東西中進行前向選擇時一樣，您只需單擊“製作模型”，它就可以輕鬆地將所有變量都帶過來。
	我希望能夠使用這種可行的解決方案算法來做到這一點，只需獲取這些類型的結果，然後單擊製作模型，它就會自動為您完成所有工作
	以便您可以探索它們，並且再次希望您能夠很好地理解您發現的那些交互。
	所以我想通過一些致謝。 所以首先是馬克·貝利。 沒有你我做不到。 非常感謝您對 JSL 代碼的支持。 謝謝露絲
	只是為了讓我與馬克取得聯繫，以及作為一名將軍，你知道，
	該項目的支持人員，並提供良好的反饋。 安妮和拉里，我只是欣賞
	您在與 JMP 和我們過去的關係有關的所有事情上提供的幫助，並鼓勵我參加這個探索峰會。 真的很棒，我很高興在 JMP 社區認識更多人
	通過它，所以謝謝你。 您可以通過多種方式與我取得聯繫。 你可以在我的大學郵箱裡給我發郵件，如果你喜歡做事的方式，你可以在 Twitter 上聯繫我。
	而且我還計劃在 github 以及社區網站上發布此 JMP 插件，因此請隨時檢查這些地方中的任何一個以獲取插件的未來更新。
	所以是的，謝謝你邀請我，我很高興在我們分配的時間內回答你的問題，謝謝。

爆發數據探索統計和建模