399863_zh-TW

liliconcom

使用 JMP 和可行解決方案演算法來探索迴歸模型中的交互作用 (2021-US-45MP-841)

等級：中級

 

約書亞‧蘭伯特，辛辛那提大學助理教授

 

在建構迴歸模型的過程中，科學家有時需要評估一個或多個感興趣變數的影響。 使用加性迴歸模型，假設所有可能的亞組（例如性別、種族、年齡）的效果（例如治療）是相等的。 使用桌上型電腦檢查所有可能的互動效果要么太耗時，要么不可能。 新的 JMP 插件實現了一種演算法，即可行解演算法 (FSA)，該演算法旨在透過識別二向和三向交互作用添加到多變量回歸模型中，探索大數據集中特定於子組的影響。 本演講對 FSA 進行了簡短介紹，解釋了我如何將 R 包移至 JSL，並提供了有關如何使用 FSA JMP 插件來探索您自己的回歸模型中的交互的教程。

 

 

自動產生的成績單...

 

揚聲器	成績單
約書亞·W·蘭伯特	你好。
羅賓·戈弗雷	嗨，我是羅賓·我喬許。
	是的。
羅賓·戈弗雷	新的。
約書亞·W·蘭伯特	是的，很高興見到你，很抱歉我剛打開這裡的 PowerPoint。
羅賓·戈弗雷	好的。
	你們有共同主持人嗎？
約書亞·W·蘭伯特	不。
羅賓·戈弗雷	好吧，我們就按照這裡的清單進行記錄，這樣您就可以口頭上給我一個口頭確認，表明您知道您正在被錄音。
	是的。
羅賓·戈弗雷	手機網路通知被靜音。
約書亞·W·蘭伯特	是的。
羅賓·戈弗雷	是的，我想我就像 Windows 工作列和所有這些，當然就像你的電子郵件在中間消失一樣。
約書亞·W·蘭伯特	我不認為我已經把所有東西都關掉了，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嗯。
	讓我們看看這裡。
	只要關閉你的電子郵件和其他東西就可以了。
	好的。
約書亞·W·蘭伯特	得到了炸玉米餅。
羅賓·戈弗雷	好吧，太好了，我要躲在這裡。
	為了做到這一點，每次我這樣做，我必須，我必須喜歡好吧，我做了什麼。
約書亞·W·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，以及您有什麼問題想問或。
羅賓·戈弗雷	不，不，所以你只需像我通常做的那樣進行演示即可。
	是的，你知道你打開了幻燈片和所有內容。
	如果您想先講話，然後拿出幻燈片，那沒問題；如果您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，因為你真的很接近。
	我什至無法看到你的整張臉，但我可以看到。
約書亞·W·蘭伯特	才知道我忘了。
羅賓·戈弗雷	是的，只是一點點。
	或稍微降低你的相機。
	那挺好的。
	那很好，是的，我們可以看到更多你的肩膀和其他東西，好吧。
	所以我要繼續靜音，給我幾秒鐘，然後你就可以了。
	準備好後就開始吧。
	偉大的。
約書亞·W·蘭伯特	大家好。 我叫喬許·蘭伯特。 我是辛辛那提大學的助理教授，成為 JMP 用戶已有大約 10 年了。
	我很高興與您分享我一直在使用我構建的插件來探索回歸模型中的交互所做的一些工作，該插件使用我開發的稱為可行解演算法的演算法。
	所以
	今天我們要講的一些內容。 因此，我將從一個小例子開始，這將激發我們的討論，以及我一直在努力的問題概述。
	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 套件中，然後將其轉移到 JMP 插件以及我執行此操作的過程。 然後我會談談未來的一些努力以及我在這個過程中學到的一些東西。
	因此，讓我們用一個小例子來激發我們今天的討論。 我將稱他為資料科學家湯姆。 所以來認識一下湯姆吧。 他是一名資料科學家，Tom 從事許多典型的資料科學活動，特別是 Tom 在 JMP 中建立多變量迴歸模型。
	他主要處理具有許多變數的表格數據，湯姆意識到這些多變量迴歸模型缺乏複雜性，特別是它們缺乏交互項和二次項。
	湯姆……這讓湯姆很沮喪，湯姆不想直接進入機器學習領域。
	因此，他希望有一種方法可以在迴歸模型中探索交互效應。
	他想要測試一些交互，但他必須將這些交互手工製作到 JMP 中的擬合模型平台中。
	你知道，運行所有這些將花費大量時間。 因此，舉例來說，如果 Tom 的資料集中有 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。 這也太多了吧
	所以 Tom 想知道，是否有一種演算法和資料驅動的方法來探索迴歸模型中的交互效應，而不需要手工製作它們，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。 所以我們面臨的問題是，我們有一個數量和複雜性的問題。
	所以體積和複雜性
	將會繼續以非常快的速度成長。 我們一直擁有越來越多的數據，而且這些數據的複雜性也不斷增加。
	互動的問題在於有太多的互動需要檢查。
	通常，資料科學家、統計學家、科學家必須透過一組已知的交互作用進行分析以檢查
	然後繼續檢查它們。 這在很多方面都是一個問題......有很多原因，
	您可能不太清楚哪些互動可能存在或可能不存在，並且您希望能夠在數據中探索它們
	不必使用模型，例如隨機森林，甚至主成分分析來進行某種資料縮減，在那裡做一些更複雜的事情。 您確實希望能夠在建立迴歸模型的過程中完成一些事情。
	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，這些事情通常很難解釋，我們想添加......在我們進行預測時保持回歸模型的可解釋性。探索互動。
	所以通常是我們的回歸工作流程
	因此，統計學家花費了大量時間來建立一個簡約的（我稱之為）基本模型，其中包含必要的變量，並且沒有添加交互效應。
	這個基本模型，統計學家將在這個基本模型上花費很多……很多時間，很多資源，關心，花時間思考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本模型的問題在於，他們假設效果……他們估計的效果在所有可能的子群體（如性別、種族、年齡）中都是一致的，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，而機器學習模型在建模這種複雜性方面做得非常好。 所以這個問題其實可以概括為以下方式。
	有沒有一種方法可以讓我們既不能一直採用傳統的多變量迴歸模型，又不能一直採用機器學習模型，
	但在中間找到一個很好的最佳點，在那裡我們能夠獲得回歸模型的良好可解釋性，並添加一兩個交互
	我們在大數據中發現了這些，這樣我們就可以為我們的模型和複雜性添加有趣的細微差別，這再次增加了預測性能以及良好的上下文感知。
	因此，如果有辦法做到這一點，我們真正想做的是開發一種工具，讓統計學家、資料科學家和研究人員在建立基礎模型後能夠探索交互作用。
	首先進行基本模型，然後通常會進行複雜性探索。
	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。 我們希望基於傳統的統計模型線性邏輯迴歸，
	我們希望它們保持可解釋性。 如果可能的話，我們希望檢查更少的模型，並且我們更喜歡可行的模型而不是最優的模型。 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
	我們希望有多種解決方案，而不僅僅是一種好的、我們稱之為可行的解決方案。
	我們也希望它是靈活的。 它可以適應線性迴歸、邏輯迴歸、Cox 比例迴歸。 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使用。
	再次，它將是傳統統計方法和機器學習的混合。 將要得出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。
	那現在我們來談談這個潛在的解決方案，可行解演算法。
	這個演算法...可行解演算法有時稱為 FSA，或者我喜歡這樣稱呼它，
	第一次在這篇論文中討論過……確實第一次在我 2018 年寫的論文中詳細討論。
	和
	我將在這裡總結該演算法的作用。
	因此，此演算法的目標是識別 m 階交互（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
	在某種程度上可能被認為是半最佳的。
	為此，我們將遵循以下步驟。 所以我們要做的第一件事就是從 m 階的隨機交互開始，所以對於我們的例子，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數的所有交換以及所有其他變數的相互作用。 舉例來說，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 和我們的標準開始，這是隨機起始位置的 R 平方，是.5。
	假設該演算法的工作方式是考慮將其中一個變數 X3 或 X5 交換為任何其他變數。 那我們的選擇是
	X3 X1、X3 X2、X3 X4、X5 X1、X5 X2 和 X5 X4。 所以請注意，在所有可能的情況中，我稱之為交換，其中至少有一個起始位置變量，好嗎？
	然後，我們要做的就是所有這些，我們將擬合這些模型，並找出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，我們顯然不想去一個更糟糕的地方，我們想去一個更好的地方，一個更高的R平方，所以我們會從所有可能的選擇中找出最好去的地方。
	在此範例中，最好的位置是第三個交換區，即 X3 X4。 因此，我們要做的就是繼續第三步，然後從第二步開始進行最佳交換。
	在這種情況下，我們將移動到 X3、X4，然後返回第二位並重複，直到無法做出任何改進。
	所以我們會重複這個過程，移動到不同的地方，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…我們最終得到可行解決方案的地方調用它。
	我們將重複步驟一到步驟四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演算法，並不能保證為您提供最佳解決方案，儘管有時它可以為您提供最佳解決方案。
	那我們來談談使用該演算法的一些副產品，即可行解演算法。 一篇論文概述了這些內容
	我的一位同事 Elliott 在 2021 年寫道，她在文中描述，正如我之前所說，不能保證可行的解決方案對於所選標準是最佳的。
	也就是說，所有的最優解都是可行的，但並非所有可行的解都是最優的。 所以可行的解決方案是一種半最優解決方案，它們給你一個好的標準，可行的標準，但不一定是最優的。
	不過，這些可行的解決方案標準通常非常接近最佳解決方案標準，因此它們往往相當不錯。 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，所以如果你執行這個演算法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。 這取決於您正在使用的數據，以及該數據集的協方差方差，所以它有點
	不確定你會得到多少解決方案。
	這就是為什麼我們通常鼓勵用戶多次重複可行解決方案演算法，因為這會增加您獲得最佳解決方案以及可行解決方案的機會，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（如果有人有興趣，歡迎您與我聯繫）我應該進行多少次隨機排序，以確保我有合理的機率獲得最佳排序。 我們有一個
	關於這一點的理論論文也是如此。
	但從本質上講，這種方式的運作方式是其中一些互動更具吸引力。 他們…測試版空間比其他空間更吸引他們，所以有時你最終會得到的是，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
	透過可行...可行的解決方案演算法通常可以比最佳解決方案更頻繁地引導您到達該位置，而這僅與資料的關聯方式等有關。
	那麼讓我們來談談 R 包，然後我如何將其移至 JMP 插件中。
	所以
	R 軟體包稱為 rFSA，我知道我們可能有些人已經廣泛使用過 R，有些人則沒有。 和
	所以 R 是一種非常好的程式語言，它經常在統計程式中教授，所以這是我在寫論文時立即去的第一個地方
	你知道，編寫這個演算法並真正為社群提供一個工具，以便能夠識別和探索他們自己的資料集中的互動。
	所以rFSA包實現了我剛才談到的這個可行的解決方案演算法
	用於大數據集中的交互，該軟體包支援許多不同標準的最佳化，例如 R 平方、調整 R 平方、AIC
	交互作用、P值等等。 它還支援不同的建模策略，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。
	它還會提供多種解決方案，因為它會按照您指定的次數重複演算法。
	那麼為什麼...我想談談我將這個軟體包移至 JMP 的動機，並且我將談論為什麼、何時以及如何執行此操作。
	所以第一個問題是，為什麼要這樣做？ 首先，做起來很有趣。 我喜歡用不同的程式語言編寫。 我沒有太多使用 JMP 腳本語言編寫的經驗，這是 JMP 的版本
	統計程式語言，所以我想學習它，我認為移動這個我花了四年大部分時間的 R 套件會很有趣，並嘗試將其移至 JMP，因為
	我真的很喜歡JMP。 我覺得JMP很棒。 對於我和我的數據來說，這真是一個很棒的工具
	分析管道。 我通常在 JMP 中開始我的所有專案並探索數據，繪製數據，查看事物，然後這讓我對這些數據有很多良好的直覺。 而且我發現我的很多
	我的同事，特別是我的一位顧問，他主要在 JMP 工作，他總是向我索取 JMP 中的 FSA 軟體包。
	所以我想，你知道，為什麼不把它給他呢？ 他當然應得的，所以我認為這會是一個很好的工具，希望其他人也能這樣做
	充分利用它。 這讓我想到了為什麼要這樣做的另一個觀點，我收到了很多關於 rFSA 的很好的回饋。
	具體來說，我一直在追蹤有多少人下載了我的 R 軟體包，自 2019 年我們發布以來，已有超過 16,000 人下載了它。
	我收到了來自世界各地的無數電子郵件，我希望 JMP 中的人們也能獲得同樣的東西，我希望透過這個插件，人們能夠找到真正很酷的交互，從而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，我什麼時候要做這件事？ 這不完全是有人付錢讓我做的事情。 你知道，JMP 並沒有付錢給我來做這件事。
	我目前的職位，雖然我認為他們會覺得很有趣，但他們可能並不熱衷於我花大量額外的時間來做這件事。
	但幸運的是，我確實在自己的職位上建立了一件事，那就是周五有一些空閒時間。 我試著讓週五下午或週五早上變得有趣，
	與我的工作有關的有趣的事。 我稱之為“有趣的星期五空閒時間”，這就是我在過去幾個月裡決定做的事情，就是利用我的“有趣的星期五空閒時間”來構建一個 JMP 插件。
	你可能會問，好吧，我該怎麼做？ 你知道，我不知道 JMP 腳本語言。 我該怎麼做呢？ 所以
	第一件事是，你知道，我要學習它。 因此，有很多關於如何學習 JSL 的非常好的資源。
	因此，實際的 JMP 軟體本身就具有 JMP JSL 程式碼支援。 只要去幫忙，你就可以...直接進入
	那裡的腳本索引。 網路上的東西數不勝數
	關於如何理解 JMP 腳本語言以及從哪裡開始。 然後是community.jmp.com，
	這對於入門來說真的很棒，您可以在其中提出問題或查看人們提出的其他問題，並借用他們公開發布的程式碼，以便能夠...讓人們能夠享受。 我在這裡這樣做了很多次，真的很棒。
	因此，我將更深入地介紹其中的每一個，如果您有興趣移動 R 套件或編寫自己的演算法或編寫自己的 JSL 程式碼，
	您將會知道從哪裡開始。 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。
	那麼如何學習JSL呢？ 嗯，你可以再...
	您可以透過 JMP 擁有的許多 JSL 資源來學習它。 他們有一個 864 頁的腳本指南，連結在這裡，
	你可以穀歌，或者在這結束後你也許能夠得到這些幻燈片，並且能夠得到這些連結。 JMP 中有一個腳本索引，您可以先查看說明，然後編寫索引腳本。 我為你們準備好了，非常容易使用和上手。
	您可以聯絡 JMP。 所以我做的第一件事就是聯絡 JMP。 她的名字叫露絲·胡梅爾（Ruth Hummel），我說，嘿，我想做這個，我從哪裡開始？
	她對我的想法給予了支持和鼓勵。 她認為這很棒，然後她給我聯繫了一位 JSL 代碼專家，
	他的名字叫馬克貝利。 馬克在整個過程中表現得非常出色。 馬克只幫助我提供有關腳本語言的一般支持，檢查我的程式碼，幫助我編寫其中的一部分，
	開始其中的一部分。 在過去的幾個月裡，我們透過電子郵件來回了大約 22 次。 和
	JMP 為我提供的資源，就願意幫助我完成專案的直接員工而言
	是巨大的。 我的意思是，我不能要求更好的事情了。 我的意思是，當我之前嘗試為任何其他平台創建東西時，我從未獲得過這種類型的支援。 感謝 JMP
	提供這一點，這是其存在的主要原因；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，你可以藉用程式碼，你可以在那裡獲得認證
	JMP 腳本語言。 您可以在社群中搜尋您想要的任何內容，您可以...它就像 Google，但僅適用於 JMP。
	您可以搜尋任何您想要的內容，因此您可以輸入 JSL 和 JSL 進行任何您想做的事情，並且可能有人已經發布了相關內容。 如果沒有，您可以將其新增至討論區。
	然後是藉用程式碼，這是馬克傳遞給我的事情之一，嘿，借用程式碼。 社群網站上有很多程式碼，
	人們分享它是有原因的。 所以我...右邊其實是我為我開發的加載項借用的東西。 我希望用戶知道他們在哪裡
	就運行演算法以及需要多長時間或已經發生了多少進展而言。
	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進度條並將其直接添加到我的加載項中，所以是的。
	這個人，Craige Hales，是 JMP 的退休員工，寫了這段程式碼，我借用了它。 謝謝，克雷格；謝謝馬克推薦借用代碼。 它節省了我很多時間，所以我真的很感激它，它使插件變得更好。
	現在我們最後來談談插件。 我已經和你討論為什麼需要這個插件了，對吧。 其他人已經從 R 包中得到了使用，以及為什麼我認為 JMP 用戶將從中受益，我已經與您討論了我是如何做到的。
	現在我想實際向您展示它是如何運作的，這希望是整個事情中最有趣的部分。 因此，我在幾個月內利用我的周五快樂空閒時間將整個包（R 包）移至 JMP，所以周五隻有幾個小時。 以及 JMP 插件
	目前僅適用於線性和邏輯迴歸模型。 我希望稍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，
	您知道，它沒有所有其他內建 JMP 模組所具有的大量花哨功能。 例如，當您將分類變數放入反應變數時，性格類型不會自動切換到邏輯迴歸。
	我還沒有抽出時間來解決這個問題。 還有很多其他事情我還沒有解決，我希望隨著人們使用它並且喜歡它並向我提供反饋，我希望透過這個包進行改進。
	所以它確實缺少一些功能。 加載項管理員的一個很酷的事情是，您只需取得 JSL 程式碼，就會有一個加載項...一個加載項管理器、JMP 加載項，
	它允許您從 JSL 程式碼建立自己的插件，因此實際上只需點擊幾次按鈕，您就可以將 JSL 程式碼轉換為可以與整個 JMP 社群共享的插件。
	我已將其發佈在community.jmp.com 網站上，以便每個人都能夠訪問該插件，我即將向您展示該插件
	並存取我也將使用的資料集。 但這適用於您擁有的任何資料集，而不僅僅是我的範例。
	因此，我將為您提供一個有關此插件的快速實時教程，稱為...插件，我只是將其稱為探索交互，並且
	這一切都將透過我之前談到的可行解決方案演算法來完成。 此範例是線性模型
	我將修復兩個變量，這將是我的基本模型。 我的基本模型將有一個連續反應變數和兩個我希望能夠調整的協變數。
	然後，我想做的是考慮將二階交互作用添加到我的資料集中的 10 個變數中的任何一個之間的模型中。
	我想做五次隨機啟動，我想確定我的標準，這是目前內建的唯一標準
	JMP插件，就是我們想要最小化交互作用的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具有
	非常小的P值。 因此，它將根據互動的 P 值來搜尋空間，並找到具有最佳互動的空間。 所以我們的結果將會有許多 P 值較小的交互作用。 和
	通常在你完成這類程式後我會推薦可行的解決方案演算法，
	接下來是繪製數據，查看模型中的這些交互，並在上下文中批判性地思考它們，因為歸根結底，我們正在探索這裡的數據。
	這無論如何都不是推論。 我們只是使用數據訊號來指導該數據中可能存在哪些交互作用。
	同樣，資料和加載項發佈在社群網站上。
	好吧，所以我要停下來，盡快擺脫這一切，然後我要拉起
	我有 JMP 資料集。 希望你們能看到這一點。
	正如您所看到的，這只是一個非常快速的概述，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。 這……這不是真實數據，只是 JMP 中隨機產生的數據。
	這裡有 20 個觀察值。 我有 10 個連續變數、解釋變數。
	我有一個連續響應變量，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...查看邏輯迴歸結果，您也可以使用資料進行邏輯迴歸範例。
	因此，一旦獲得該插件，請訪問該網站，下載該插件，只需雙擊它，它就會直接安裝到 JMP。 這真的很容易。
	然後您可以轉到此處，然後轉到加載項，...打開資料集後，您可以轉到加載項來探索互動。
	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 JMP 中的任何其他模組一樣。
	所以我要選擇我的響應變量，它是 Y，然後我要修復，所以這就是我建立基本模型的地方。 這些是我添加到模型中的所有線性主效應。 所以在這一點中，我有兩個變量，
	X1 和 X2，我要在這裡添加。 現在您需要做的事情之一是指定建模類型，所以我的中有兩種類型
	您可以選擇的加載項。 一種是標準最小平方法建模類型，一種是邏輯迴歸建模類型。
	正如我之前所說，這不會根據您在此處輸入的內容自動選擇，因此您完全可以輸入一個分類響應變量，並且它不會切換。 你必須自己切換。 這是那些花哨的花哨的東西之一，希望我稍後會講到。
	擺脫它。 把這個放回這裡。
	好的，這就是我們的設置，因此這將擬合模型 y 等於 beta 0 加 beta 1 X 1 加 beta 2 X 2。 現在我要在下面輸入我願意的變量
	……或者，我想尋找之間的交互作用，因此我將選擇所有 X1 到 X10。 我要把這些加上去。
	然後我告訴它，好吧，我想運行該演算法多少次？ 所以為了節省時間，我打算做五次，
	以及要考慮的互動順序，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
	演算法……或者我設定的方式是，如果你願意的話，你可以達到那麼高。 實際上我並沒有設定限制，但只要知道你走得越高，運行它所需的時間就越多。
	所以我要點選「確定」。 這需要一點時間。
	所以你可以看到我借用的程式碼。
	你可以看到它出現在這裡，它告訴我我已經完成了 20%，40%。
	所以這些都是解決方案。 所以每次檢查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，這不是這些功能之一......我希望有一個選擇框，你可以在其中選擇交互，然後點擊
	建立模型，它會為您完成所有這些工作，就像 JMP 已經為許多不同的事情所做的那樣，但我還沒有做到這一點。 這只是告訴您解決方案是什麼。
	所以它為您提供了它所做的事情的總結。 所以它隨機啟動了五次。 它告訴你什麼是反應變數、固定變數、
	它找到的交互變量，好吧，還有 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，我們在這裡可以看到的是
	（如果我點擊這個，它會告訴我）只有兩種解決方案，所以…X2 X3 是一種交互，X10 X7 是另一種交互。
	所以現在，我能做的，我現在不打算這樣做，是我可以去建立這個模型並重現這些結果並查看結果，好吧，這是一個很好的統計數據
	演算法...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嗎？ 我的不同標準是什麼
	情節是什麼樣的？ 我的診斷圖是什麼樣的？ 那些類型的事情。 然後我可以開始提出問題，例如這種交互作用在參數估計方面是否有意義等等？
	它是探索性的，所以它會給你一個潛在的解決方案，但你必須透過盡職調查來跟進，並實際考慮你得到的結果
	並向該領域的背景專家提出問題。 這通常就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，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、性別或其他什麼方面都不一致。 他們通常會和我們談論這個，你知道，想一想。 整個想法是，這將有望影響未來的研究，我們可以推動研究以更廣泛的方式尋找這些交互作用的影響。
	動力充足的方式。
	好的，我現在要回到我的 PowerPoint。 這就是本教程。 您可以看到它非常容易使用。 這是一個非常小的例子。 你可以加大力度，
	只是知道，你擁有的資料集越大，我剛才所做的整個過程所需的時間就越長。 不會有10秒長；這將是，
	您知道，可能需要 5-10 分鐘長，具體取決於您的資料集有多大。 我已經完成了...使用了演算法，使用了add in 來處理包含100 個變數的資料集，
	解釋變量，並且花費了大約七分鐘的時間來運行它進行大約五到十次隨機啟動。
	R 套件中的速度比 JMP 插件中的速度更快，但這是因為，您知道，這是我在這方面的第一次嘗試，希望透過迭代，速度會變得更快更好。
	那我們來談談未來的改進。 所以我想讓用戶能夠優化或者
	根據他們想要的任何標準找到可行的解決方案。 所以如果他們想找到基於優化R平方或優化AIC或優化誤分類率的可行解決方案，
	你知道，在邏輯迴歸模型中，我想讓他們能夠做到這一點。 這其實不是一件難事，我只要進去做就好了。
	根據變數選擇自動儲存或選擇建模個性。 這很簡單。 你輸入一個
	二元邏輯變量，你知道，它會自動為你選擇邏輯迴歸。 我認為這可能不是超級難，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，我有信心做到這一點。
	我想提高一些速度。 我可以做很多事情來提高速度。
	所以，我希望能夠做到這一點。 如果有一個召回按鈕就好了。 我現在沒有那個了 JMP 中我最喜歡的功能之一就是能夠點擊呼叫按鈕。
	然後我希望能夠簡化從 FSA 獲得的結果到建立模型的過程。 所以
	你已經可以做到這一點，就像當你在 JMP 或 Lasso 或任何這些東西中進行前向選擇時，你只需單擊“創建模型”，它就會非常輕鬆地帶來所有變數。
	我希望能夠使用這種可行的解決方案演算法來做到這一點，只需獲取這些類型的結果，然後單擊“創建模型”，它就會自動為您完成所有操作
	這樣您就可以探索它們，並且再次希望您能夠充分理解所發現的這些交互作用。
	我想表達一些致謝。 首先是馬克貝利。 沒有你我不可能做到這一點。 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，並且只是作為一名將軍，你知道，
	該專案的支援人員並提供良好的回饋。 安妮和拉里，我很欣賞
	你們在與 JMP 以及我們過去的關係有關的所有事情上提供的幫助，並鼓勵我參加這次探索高峰會。 這真的很棒，我很高興能在 JMP 社群中認識更多人
	通過它，所以謝謝你。 您可以透過多種方式與我聯繫。 你可以透過我的大學電子郵件給我發送電子郵件，如果你喜歡這樣做事，你也可以在 Twitter 上聯絡我。
	我還計劃將此 JMP 插件發佈到 github 以及社區網站上，因此請隨時檢查這些位置以了解該插件的未來更新。
	所以，是的，謝謝您的邀請，我很高興在規定的時間內回答您的問題，謝謝。

爆發數據探索統計和建模