Tutorial per sviluppatori: utilizzo della regressione generalizzata di JMP Pro per comprendere meglio i dati osservativiI dati osservativi si prestano ad analisi utili per insiemi di dati di grandi dimensioni, dati che probabilmente non mostrano ortogonalità e situazioni in cui siamo interessati alla previsione piuttosto che all'interpretazione.La piattaforma di regressione generalizzata è il luogo in cui creare modelli di regressione sia per gli esperimenti progettati che per i dati osservativi.Alcune cose da tenere a mente:
1) La regressione penalizzata mostra una grande promessa per i dati osservativi.
2) Effetto L'ereditarietà probabilmente non è necessaria.
3) Utilizza un set di controllo se disponi di dati sufficienti, altrimenti il file AICc.
Scopri come:
- Comprendere i principi di base relativi alla stima e le esigenze da considerare:
- Quanto lontano dalla verità tendono ad essere le stime (Bias)
- Quanto sono variabili le stime (Varianza)
- Il modo in cui i principi di bias e varianza combinati possono essere misurati dall'errore quadratico medio di uno stimatore
- Comprendere le tecniche di regressione penalizzata (Ridge, Lasso, Elastic Net, Adaptive Lasso, Double Lasso, Dantzig Selector)
- Scopri come viene gestita l'ereditarietà degli effetti in JMP Pro
- Scegli le opzioni di controllo della griglia
- Utilizzare termini forzati, interruzione anticipata e informativa mancante
Risorse
Modellazione predittiva e machine learningRi: Tutorial per sviluppatori: utilizzo della regressione generalizzata di JMP Pro per comprendere meglio i dati osservativi@H2OSUP sono davvero felice che tu abbia trovato utile la presentazione! Hai ragione: se hai un valore mancante in uno dei tuoi predittori, il comportamento predefinito prevede che kindg ignori l'intera riga di dati.
Esiste però un modo per aggirare questo problema, utilizzando l'opzione "Informative mancanti" in Adatta modello. Puoi trovarlo nel menu del triangolo rosso nella finestra di dialogo delle specifiche del modello Adatta modello (screenshot sotto). In breve, questa opzione utilizza l'imputazione media per i valori mancanti e aggiunge un indicatore di mancanza al modello. Ma per maggiori dettagli, ha scritto John Sall un post sul blog sull'opzione Informativa mancante.
Ri: Tutorial per sviluppatori: utilizzo della regressione generalizzata di JMP Pro per comprendere meglio i dati osservativi@clay_barker grazie per aver presentato il tutorial lo scorso autunno. Ho trovato le tue presentazioni molto utili e ben fatte. Ho una domanda su come GENREG gestisce le celle mancanti in un set di dati. Se manca una cella per un input, GENREG escluderà l'intera riga nell'analisi? Mi chiedo se GENREG includerebbe la riga per i modelli contenenti input che non mancano per una riga se altri input hanno valori mancanti. Grazie, Mike.
