开发人员教程：使用 JMP Pro 广义回归更好地理解观测数据观测数据有助于对大型数据集、可能不表现出正交性的数据以及我们对预测而不是解释感兴趣的情况有用的分析。广义回归平台是为设计的实验和观测数据构建回归模型的地方。需要记住的一些事情：
1）惩罚回归对观测数据显示出巨大的前景。
2）效应遗传可能不是必需的。
3）如果有足够的数据，请使用保留集，否则使用 AICc。
请参阅如何：
- 了解与估算相关的背景原则以及需要考虑的因素：
- 估计与事实的差距有多大（偏差）
- 估计值的变化程度（方差）
- 如何通过估计器的均方误差来测量偏差和方差原理的结合
- 了解惩罚回归技术（岭、套索、弹性网络、自适应套索、双套索、Danzig 选择器）
- 了解 JMP Pro 中如何处理效应遗传
- 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很高兴您发现该演示文稿很有用！ 您是对的 - 如果您的预测变量之一缺少值，则 Genreg 的默认行为是忽略整行数据。
不过，有一种方法可以解决这个问题，即使用“拟合模型”中的“信息缺失”选项。 您可以在“拟合模型”模型规范对话框的红色小三角菜单中找到它（下面的屏幕截图）。 简而言之，此选项对缺失值使用平均插补，并向模型添加缺失指标。 但为了了解更多细节，约翰·索尔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感谢您去年秋天介绍本教程。 我发现您的演示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缺少值，GENREG 是否会包含包含行中不缺少输入的模型的行。 谢谢，迈克。
