噪声数据的预测建模你好，
有没有人有一个好的数据集来说明 JMP Pro 与 JMP 在噪声数据上的优势？
理想情况下，我们应该有一个表示“真相”的变量和另一个表示“真相 + 噪音”的变量，并且能够证明 JMP 足以对“真相”进行建模，而需要 JMP Pro 来对“真相 + 噪音”进行建模.
注意：我对 Y(s) 或 Xs 上的噪声感兴趣。
谢谢您的帮助。
伊曼纽尔
伊曼纽尔
回复：噪声数据的预测建模正如菲尔所说，拥有“VOC”很棒，谢谢
回复：噪声数据的预测建模我喜欢这个数据集。 我将尝试在响应中添加噪音，看看 ML 技术与传统方法发生了什么。
我没有意识到平板电脑对于这种方法来说太小了，谢谢你告诉我。
回复：噪声数据的预测建模谢谢，约瑟夫。 能得到“客户的声音”真是太好了。 这就是我一直对 JMP Pro 的潜在客户说的：通过验证对您的模型更有信心。
回复：噪声数据的预测建模你好伊曼纽尔，
作为客户，我始终发现 JMP Pro 的好处之一不在于构建完美模型，而在于使用验证工具增加对模型的信心。 也许您可以在 JMP 中展示您如何轻松地过度拟合模型以获得错误的成就感，然后展示如何使用 JMP Pro 和所有验证工具更轻松地识别过度拟合模型和可能无法很好泛化的模型？ 我想这与您想要的相反，但在某些情况下，如果您对不确定性以及模型在验证和测试数据上的表现有更好的认识，那么使用 Pro 显示较低的 R2 可能是一个卖点。 当然，所有额外的建模工具都应该允许您构建更好的模型，但我认为最重要的是您对这些模型更有信心。
约瑟夫
回复：噪声数据的预测建模我认为 Tablet 数据集可能太小而无法进行有效验证。
你看过这个案例研究吗：
https://community.jmp.com/t5/Technical-Reference-Library/High-Throughput-Screening/ta-p/385091
我没有时间对此进行严格测试。 但从快速探索来看，即使是相对较小的数据样本（约 150 行），在 JMP Pro 中进行验证的机器学习方法也优于标准模型。
回复：噪声数据的预测建模你好菲尔，
是的，这是我的目标。 我在“片剂生产”中的 :Dissolution 中添加了随机噪声并使用了模型筛选，不幸的是结果令人失望（低 r²，不合适的模型）。 我正在考虑使用 PLS，它可能会更好地管理噪声数据（多个相关响应的噪声），但这无助于我销售 JMP Pro。
伊曼纽尔
回复：噪声数据的预测建模你好@Emmanuel_Romeu ,
我看到你没有得到回应。 我花了一段时间才明白你在这里问什么。 我想我现在明白了。
我认为您的意思是模拟 Y 的建模问题，以及具有不同噪声量的 Y 版本。 您会期望随着噪声量的增加，JMP 与 JMP Pro 模型的性能差异会越来越大。 也就是说，您会期望 JMP 中的模型在噪声更大的情况下会过拟合。 而 JMP Pro 验证应该保护您免受过度拟合。
我没有这样的例子。 创建一个对您来说应该不难。
不过，我不确定这种差异会有多大。 根据我的经验，人们不会购买 JMP Pro，因为您表明他们可以获得 0.9 而不是 0.8 的 R^2。
干杯!
菲尔
