Tutoriel du 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 de grands ensembles de données, des données qui ne présentent probablement pas d'orthogonalité et des situations dans lesquelles nous nous intéressons à la prédiction plutôt qu'à l'interprétation.La plateforme de régression généralisée est l'endroit idéal pour créer des modèles de régression pour les expériences conçues et les données d'observation.Certaines choses 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 ensemble d'exclusions si vous disposez de suffisamment de données, sinon l'AICc.
Découvrez comment :
- Comprendre les principes de base liés à l’estimation et les besoins à prendre en compte :
- Dans quelle mesure les estimations ont tendance à être éloignées de la vérité (biais)
- Dans quelle mesure les estimations sont-elles variables (Variance)
- Comment les principes combinés de biais et de variance 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
- Utiliser des termes forcés, un arrêt anticipé et des informations manquantes
Ressources
Modélisation prédictive et apprentissage automatiqueRe : Tutoriel du développeur : Utiliser la régression généralisée de JMP Pro pour mieux comprendre les données d'observation@H2OSUP je suis tellement heureux 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 triangulaire rouge de la boîte de dialogue de spécification du modèle Ajuster le modèle (capture d'écran ci-dessous). Pour faire court, cette option utilise l'imputation moyenne pour les valeurs manquantes et ajoute un indicateur de manque à votre modèle. Mais pour plus de détails, John Sall écrit un article de blog à propos de l'option Informative Missing.
Re : Tutoriel du développeur : Utiliser la régression généralisée de JMP Pro pour mieux comprendre les données d'observation@clay_barker merci pour la présentation du tutoriel 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.
