開發人員教程：使用 JMP Pro 廣義回歸更好地理解觀測數據觀察數據有助於分析對大型數據集、可能不表現正交性的數據以及我們對預測而不是解釋感興趣的情況。廣義回歸平台是為設計的實驗和觀察數據構建回歸模型的地方。要記住的一些事情：
1）懲罰回歸對觀察數據顯示出很大的希望。
2) 效果遺傳可能不是必需的。
3) 如果您有足夠的數據，請使用保留集，否則使用 AICc。
看看如何：
- 了解與估算相關的背景原則以及需要考慮的因素：
- 估計值與真相相差多遠（偏差）
- 估計值的可變性（方差）
- 如何通過估計量的均方誤差來衡量偏差和方差原則的結合
- 了解懲罰回歸技術（Ridge、Lasso、Elastic Net、Adaptive Lasso、Double Lasso、Dantzig Selector）
- 了解如何在 JMP Pro 中處理效應遺傳
- 選擇網格控制選項
- 使用強制術語、提前停止和信息缺失
資源
預測建模和機器學習回复：開發人員教程：使用 JMP Pro 廣義回歸更好地理解觀測數據@H2OSUP很高興您發現演示文稿很有用！ 您是對的 - 如果您的預測變量中有一個缺失值，則默認行為是讓流派忽略整行數據。
不過，有一種方法可以解決這個問題，使用“擬合模型”中的“信息缺失”選項。 您可以在“擬合模型”模型規範對話框（下面的屏幕截圖）的紅色小三角菜單中找到它。 簡而言之，此選項對缺失值使用均值插補，並為您的模型添加缺失指標。 但要了解更多細節，John Sall 寫道一篇博文關於信息缺失選項。
回复：開發人員教程：使用 JMP Pro 廣義回歸更好地理解觀測數據@clay_barker感謝您在去年秋天提供教程。 我發現您的演示文稿非常有用並且做得很好。 我有一個關於 GENREG 如何處理數據集中缺失單元格的問題。 如果輸入缺少一個單元格，GENREG 是否會在分析中排除整行？ 我想知道如果其他輸入有缺失值，GENREG 是否會包含包含輸入的模型的行，這些輸入對於一行沒有缺失。 謝謝，邁克。
