开发人员教程：使用 JMP Pro 广义回归更好地理解观测数据观察数据有助于分析对大型数据集、可能不表现正交性的数据以及我们对预测而不是解释感兴趣的情况。广义回归平台是为设计的实验和观察数据构建回归模型的地方。要记住的一些事情：
1）惩罚回归对观察数据显示出很大的希望。
2) 效果遗传可能不是必需的。
3) 如果您有足够的数据，请使用保留集，否则使用 AICc。
看看如何：
- 了解与估算相关的背景原则以及需要考虑的因素：
- 估计值与真相相差多远（偏差）
- 估计值的可变性（方差）
- 如何通过估计量的均方误差来衡量偏差和方差原则的结合
- 了解惩罚回归技术（Ridge、Lasso、Elastic Net、Adaptive Lasso、Double Lasso、Dantzig Selector）
- 了解如何在 JMP Pro 中处理效应遗传
- 选择网格控制选项
- 使用强制术语、提前停止和信息缺失
资源
预测建模和机器学习回复：开发人员教程：使用 JMP Pro 广义回归更好地理解观测数据@H2OSUP很高兴您发现演示文稿很有用！ 你是对的 - 如果你的一个预测变量中有一个缺失值，默认行为是让流派忽略整行数据。
不过，有一种方法可以解决这个问题，使用拟合模型中的“信息缺失”选项。 您可以在“拟合模型”模型规范对话框（下面的屏幕截图）的红色小三角菜单中找到它。 简而言之，此选项对缺失值使用均值插补，并为您的模型添加缺失指标。 但要了解更多细节，John Sall 写道一篇博文关于信息缺失选项。
回复：开发人员教程：使用 JMP Pro 广义回归更好地理解观测数据@clay_barker感谢您在去年秋天提供教程。 我发现您的演示文稿非常有用并且做得很好。 我有一个关于 GENREG 如何处理数据集中缺失单元格的问题。 如果输入缺少一个单元格，GENREG 是否会在分析中排除整行？ 我想知道如果其他输入有缺失值，GENREG 是否会包含包含输入的模型的行，这些输入对于一行没有缺失。 谢谢，迈克。
