Entwickler-Tutorial: Verwendung der generalisierten Regression von JMP Pro zum besseren Verständnis von BeobachtungsdatenBeobachtungsdaten eignen sich für die Analyse großer Datenmengen, Daten, die wahrscheinlich keine Orthogonalität aufweisen, und Situationen, in denen wir eher an Vorhersagen als an Interpretationen interessiert sind.Auf der Generalized Regression-Plattform können Regressionsmodelle sowohl für geplante Experimente als auch für Beobachtungsdaten erstellt werden.Einige Dinge, die Sie beachten sollten:
1) Die bestrafte Regression ist für Beobachtungsdaten vielversprechend.
2) Effektvererbung ist wahrscheinlich nicht notwendig.
3) Verwenden Sie einen Holdout-Satz, wenn Sie über genügend Daten verfügen, andernfalls den AICc.
Erfahren Sie, wie Sie:
- Verstehen Sie die Hintergrundprinzipien im Zusammenhang mit der Schätzung 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
- Verstehen Sie Techniken der bestraften Regression (Ridge, Lasso, Elastic Net, Adaptive Lasso, Double Lasso, Dantzig Selector)
- Erfahren Sie, wie Effektvererbung in JMP Pro gehandhabt wird
- Wählen Sie die Rastersteuerungsoptionen
- Verwenden Sie erzwungene Begriffe, vorzeitiges Anhalten und fehlende Informationen
Ressourcen
Prädiktive Modellierung und maschinelles LernenBetreff: Entwickler-Tutorial: Verwendung der generalisierten Regression von JMP Pro zum besseren Verständnis von Beobachtungsdaten@H2OSUP Ich freue mich sehr, dass Sie die Präsentation nützlich fanden! Sie haben Recht – wenn in einem Ihrer Prädiktoren ein Wert fehlt, ignoriert genreg standardmäßig die gesamte Datenzeile.
Es gibt jedoch eine Möglichkeit, dies zu umgehen, indem Sie in „Modell anpassen“ die Option „Information fehlt“ verwenden. Sie finden es im Menü mit dem roten Dreieck im Modellspezifikationsdialog „Modell anpassen“ (Abbildung unten). Die Kurzgeschichte besteht darin, dass diese Option die mittlere Imputation für die fehlenden Werte verwendet und Ihrem Modell einen Indikator für fehlende Werte hinzufügt. Aber für weitere Einzelheiten schrieb John Sall ein Blogbeitrag über die Option „Informativ fehlt“.
Betreff: Entwickler-Tutorial: Verwendung der generalisierten Regression von 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 bei einer Eingabe eine Zelle fehlt, schließt GENREG dann die gesamte Zeile in der Analyse aus? Ich frage mich, ob GENREG die Zeile für Modelle einschließen würde, die Eingaben enthalten, die für eine Zeile nicht fehlen, wenn andere Eingaben fehlende Werte aufweisen. Danke, Mike.
