噪聲數據的預測建模你好，
有沒有人有一個好的數據集來說明 JMP Pro 與 JMP 在噪聲數據上的優勢？
理想情況下，我們應該有一個表示“真相”的變量和另一個表示“真相 + 噪音”的變量，並且能夠證明 JMP 足以對“真相”進行建模，而 JMP Pro 則需要對“真相 + 噪音”進行建模.
注意：我對 Y(s) 或 Xs 上的噪聲感興趣。
謝謝您的幫助。
伊曼紐爾
伊曼紐爾
回复：噪聲數據的預測建模你好@Emmanuel_Romeu ,
我看到你沒有得到回應。 我花了一段時間才明白你在這裡問什麼。 我想我現在明白了。
我認為您的意思是模擬 Y 的建模問題，以及具有不同噪聲量的 Y 版本。 您會期望隨著噪聲量的增加，JMP 與 JMP Pro 模型的性能差異會越來越大。 也就是說，您會期望 JMP 中的模型在噪聲更大的情況下會過擬合。 而 JMP Pro 驗證應該可以防止過度擬合。
我沒有這樣的例子。 創建一個對您來說應該不難。
不過，我不確定這種差異會有多大。 根據我的經驗，人們不會購買 JMP Pro，因為您表明他們可以獲得 0.9 而不是 0.8 的 R^2。
乾杯!
菲爾
回复：噪聲數據的預測建模你好菲爾，
是的，這是我的目標。 我在“平板電腦生產”中添加了隨機噪聲：Dissolution 並使用了模型篩選，不幸的是結果令人失望（低 r²，不合適的模型）。 我正在考慮使用 PLS，它可能會更好地管理噪聲數據（多個相關響應的噪聲），但這無助於我銷售 JMP Pro。
伊曼紐爾
回复：噪聲數據的預測建模我認為平板電腦數據集可能太小而無法有效驗證。
你看過這個案例研究嗎：
https://community.jmp.com/t5/Technical-Reference-Library/High-Throughput-Screening/ta-p/385091
我沒有時間對此進行嚴格測試。 但從快速探索來看，即使是相對較小的數據樣本（約 150 行），在 JMP Pro 中進行驗證的機器學習方法也優於標準模型。
回复：噪聲數據的預測建模你好伊曼紐爾，
作為客戶，我始終發現 JMP Pro 的好處之一不在於構建完美模型，而在於使用驗證工具增加對模型的信心。 也許您可以在 JMP 中展示您如何輕鬆地過度擬合模型以獲得錯誤的成就感，然後展示如何使用 JMP Pro 和所有驗證工具更輕鬆地識別過度擬合模型和可能無法很好泛化的模型？ 我想這與您想要的相反，但在某些情況下，如果您對不確定性以及模型在驗證和測試數據上的表現有更好的認識，那麼使用 Pro 顯示較低的 R2 可能是一個賣點。 當然，所有額外的建模工具都應該允許您構建更好的模型，但我認為最重要的是您對這些模型更有信心。
約瑟夫
回复：噪聲數據的預測建模謝謝，約瑟夫。 能得到“客戶的聲音”真是太好了。 這就是我一直對 JMP Pro 的潛在客戶說的：通過驗證對您的模型更有信心。
