Tutoriel développeur : utiliser la régression généralisée de JMP Pro pour mieux comprendre les données d'observationLes données d'observation se prêtent à une analyse utile pour les grands ensembles de données, les données qui ne présentent probablement pas d'orthogonalité et les situations où nous nous intéressons à la prédiction plutôt qu'à l'interprétation.La plate-forme de régression généralisée est l'endroit idéal pour créer des modèles de régression pour les expériences conçues et les données d'observation.Quelques éléments à garder à l'esprit :
1) La régression pénalisée est très prometteuse pour les données d'observation.
2) Effet L'hérédité n'est probablement pas nécessaire.
3) Utilisez un set holdout si vous avez suffisamment de données, sinon l'AICc.
Voir comment :
- Comprendre les principes de base liés à l'estimation et les besoins à considérer :
- À quelle distance de la vérité les estimations ont-elles tendance à être (biais)
- Dans quelle mesure les estimations sont-elles variables (Variance)
- Comment les principes de biais et de variance combinés peuvent être mesurés par l'erreur quadratique moyenne d'un estimateur
- Comprendre les techniques de régression pénalisée (Ridge, Lasso, Elastic Net, Adaptive Lasso, Double Lasso, Dantzig Selector)
- Découvrez comment l'hérédité des effets est gérée dans JMP Pro
- Choisissez les options de contrôle de grille
- Utilisez des termes forcés, un arrêt anticipé et des informations manquantes
Ressources
Modélisation prédictive et apprentissage automatiqueRe : Tutoriel développeur : Utilisation de la régression généralisée JMP Pro pour mieux comprendre les données d'observation@H2OSUP Je suis tellement content que vous ayez trouvé la présentation utile! Vous avez raison - si vous avez une valeur manquante dans l'un de vos prédicteurs, le comportement par défaut est que genreg ignore toute cette ligne de données.
Il existe cependant un moyen de contourner ce problème en utilisant l'option "Informative Missing" dans Fit Model. Vous pouvez le trouver dans le menu triangle rouge dans la boîte de dialogue de spécification du modèle Fit Model (capture d'écran ci-dessous). La petite histoire est que cette option utilise une imputation moyenne pour les valeurs manquantes et ajoute un indicateur d'absence à votre modèle. Mais pour plus de détails, John Sall a écrit un article de blog à propos de l'option Information manquante.
Objet : Tutoriel pour les développeurs : Utilisation de la régression généralisée de JMP Pro pour mieux comprendre les données d'observation@clay_barker merci d'avoir présenté le tuto l'automne dernier. J'ai trouvé vos présentations très utiles et bien faites. J'ai une question sur la façon dont GENREG gère les cellules manquantes dans un ensemble de données. S'il manque une cellule pour une entrée, GENREG exclura-t-il la ligne entière de l'analyse ? Je me demande si GENREG inclurait la ligne pour les modèles contenant des entrées qui ne manquent pas pour une ligne si d'autres entrées ont des valeurs manquantes. Merci, Mike.
