Entwickler-Tutorial: Verwenden der generalisierten Regression von JMP Pro zum besseren Verständnis von BeobachtungsdatenBeobachtungsdaten eignen sich für Analysen, die für große Datensätze nützlich sind, Daten, die wahrscheinlich keine Orthogonalität aufweisen, und Situationen, in denen wir eher an Vorhersagen als an Interpretationen interessiert sind.Die Generalized Regression-Plattform ist der Ort, um Regressionsmodelle sowohl für entworfene Experimente als auch für Beobachtungsdaten zu erstellen.Einige Dinge, die Sie beachten sollten:
1) Die bestrafte Regression ist für Beobachtungsdaten vielversprechend.
2) Effektvererbung ist wahrscheinlich nicht notwendig.
3) Verwenden Sie ein Holdout-Set, wenn Sie genügend Daten haben, ansonsten das AICc.
Sehen Sie, wie Sie:
- Verstehen Sie die Hintergrundprinzipien in Bezug auf Schätzungen und die zu berücksichtigenden Anforderungen:
- Wie weit die Schätzungen von der Wahrheit entfernt sind (Bias)
- Wie variabel die Schätzungen sind (Varianz)
- Wie Bias- und Varianzprinzipien kombiniert durch den mittleren quadratischen Fehler eines Schätzers gemessen werden können
- Bestrafte Regressionstechniken verstehen (Ridge, Lasso, Elastic Net, Adaptive Lasso, Double Lasso, Dantzig Selector)
- Sehen Sie, wie die Effektvererbung in JMP Pro gehandhabt wird
- Wählen Sie die Optionen für die Rastersteuerung
- Verwenden Sie erzwungene Bedingungen, vorzeitiges Stoppen und fehlende Informationen
Ressourcen
Prädiktive Modellierung und maschinelles LernenBetreff: Entwickler-Tutorial: Verwenden der generalisierten Regression von JMP Pro zum besseren Verständnis von Beobachtungsdaten@H2OSUP es freut mich sehr, dass Sie die Präsentation als nützlich empfunden haben! Sie haben Recht – wenn in einem Ihrer Prädiktoren ein Wert fehlt, ignoriert genreg standardmäßig die gesamte Datenzeile.
Es gibt jedoch einen Weg, dies zu umgehen, indem Sie die Option "Informativ fehlt" in Modell anpassen verwenden. Sie finden es im roten Dreieckmenü im Dialogfeld Modellspezifikation anpassen (Abbildung unten). Die kurze Geschichte ist, dass diese Option eine mittlere Imputation für die fehlenden Werte verwendet und Ihrem Modell einen Indikator für das Fehlen hinzufügt. Aber für mehr Details schrieb John Sall ein Blogbeitrag über die Option Informatives Fehlen.
Betreff: Entwickler-Tutorial: Verwenden der generalisierten Regression in JMP Pro zum besseren Verständnis von Beobachtungsdaten@clay_barker vielen Dank für die Präsentation des Tutorials im letzten Herbst. Ich fand Ihre Präsentationen sehr nützlich und gut gemacht. Ich habe eine Frage dazu, wie GENREG mit fehlenden Zellen in einem Datensatz umgeht. Wenn eine Zelle für eine Eingabe fehlt, schließt GENREG dann die gesamte Zeile in der Analyse aus? Ich frage mich, ob GENREG die Zeile für Modelle enthalten würde, die Eingaben enthalten, die für eine Zeile nicht fehlen, wenn andere Eingaben fehlende Werte aufweisen. Danke, Mike.
