Modélisation prédictive sur données bruitéesBonjour,
quelqu'un a-t-il un bon ensemble de données pour illustrer les avantages de JMP Pro par rapport à JMP sur les données bruyantes ?
Idéalement, nous devrions avoir une ou plusieurs variables représentant la "vérité" et une autre variable représentant "la vérité + le bruit" et pouvoir montrer que JMP est assez bon pour modéliser la "vérité" alors que JMP Pro est nécessaire pour modéliser "la vérité + le bruit" .
note : Je suis intéressé par le bruit sur Y(s) ou Xs.
Merci pour l'aide.
Emmanuel
Emmanuel
Re : Modélisation prédictive sur des données bruitéessalut @Emmanuel_Romeu ,
Je vois que vous n'avez pas eu de réponse. J'ai mis du temps à comprendre ce que vous demandez ici. Je pense que je comprends maintenant.
Je pense que vous voulez dire un problème de modélisation avec un Y simulé et des versions de ce Y avec différentes quantités de bruit. Vous vous attendriez à ce que la quantité de bruit augmente, il y aurait une différence croissante dans les performances des modèles JMP par rapport aux modèles JMP Pro. Autrement dit, vous vous attendriez à ce qu'avec un bruit plus important, les modèles de JMP soient surajustés. Alors que la validation JMP Pro devrait vous protéger du surapprentissage.
Je n'ai pas d'exemple comme celui-ci. Il ne devrait pas être si difficile pour vous d'en créer un.
Je ne sais pas à quel point la différence sera convaincante. D'après mon expérience, les gens n'achètent pas JMP Pro parce que vous montrez qu'ils peuvent obtenir un R^2 de 0,9 au lieu de 0,8.
Acclamations!
Phil
Re : Modélisation prédictive sur des données bruitéesBonjour Phil,
Oui c'est mon objectif. J'ai ajouté du bruit aléatoire à :Dissolution dans "Production de tablettes" et utilisé le dépistage du modèle, malheureusement le résultat est décevant (faible r², modèle inapproprié). J'envisage d'utiliser PLS qui fonctionnera peut-être mieux pour gérer les données bruyantes (bruit sur plusieurs réponses corrélées) mais cela ne m'aidera pas à vendre JMP Pro.
Emmanuel
Re : Modélisation prédictive sur des données bruitéesJe pense que l'ensemble de données Tablet est probablement trop petit pour que la validation soit efficace.
Avez-vous regardé cette étude de cas :
https://community.jmp.com/t5/Technical-Reference-Library/High-Throughput-Screening/ta-p/385091
Je n'ai pas eu le temps de tester rigoureusement cela. Mais après une exploration rapide, il semble que même pour des échantillons de données relativement petits (~ 150 lignes), les méthodes d'apprentissage automatique avec validation dans JMP Pro surpassent les modèles standard.
Re : Modélisation prédictive sur des données bruitéesBonjour Emmanuel,
En tant que client, j'ai toujours trouvé que l'un des avantages de JMP Pro était moins de créer des modèles parfaits que d'avoir une confiance accrue dans les modèles avec les outils de validation. Peut-être pourriez-vous montrer dans JMP avec quelle facilité vous pouvez surajuster des modèles pour obtenir un faux sentiment d'accomplissement, puis montrer comment avec JMP Pro et tous les outils de validation, vous pouvez identifier plus facilement les modèles de surajustement et ceux qui pourraient ne pas bien se généraliser ? Je suppose que c'est un peu le contraire de ce que vous vouliez, mais dans certains cas, montrer un R2 inférieur avec Pro pourrait être un argument de vente si vous obtenez une meilleure idée de l'incertitude et de la performance des modèles sur les données de validation et de test. Bien sûr, tous les outils de modélisation supplémentaires devraient vous permettre de créer de meilleurs modèles, mais je pense que le plus important est que vous ayez plus confiance en ces modèles.
Joseph
Re : Modélisation prédictive sur des données bruitéesMerci Joseph. C'est formidable d'avoir la "voix du client". C'est ce que j'ai toujours dit aux clients potentiels de JMP Pro : plus de confiance dans vos modèles avec validation.
