Vorhersagemodellierung auf verrauschten DatenHallo,
Hat jemand einen guten Datensatz, um den Vorteil von JMP Pro gegenüber JMP bei verrauschten Daten zu veranschaulichen?
Idealerweise sollten wir eine oder mehrere Variablen haben, die die „Wahrheit“ darstellen, und eine andere Variable, die „Wahrheit + Rauschen“ darstellt, und in der Lage sein, zu zeigen, dass JMP gut genug ist, um „Wahrheit“ zu modellieren, während JMP Pro benötigt wird, um „Wahrheit + Rauschen“ zu modellieren. .
Hinweis: Ich interessiere mich entweder für Rauschen auf Y (s) oder Xs.
Danke für die Hilfe.
Emmanuel
Emmanuel
Betreff: Vorhersagemodellierung auf verrauschten DatenHallo @Emmanuel_Romeu ,
Ich sehe, dass Sie keine Antwort erhalten haben. Ich habe eine Weile gebraucht, um zu verstehen, was Sie hier fragen. Ich glaube, ich habe es jetzt verstanden.
Ich denke, was Sie meinen, ist ein Modellierungsproblem mit einem simulierten Y und Versionen dieses Y mit unterschiedlichem Rauschen. Sie würden erwarten, dass mit zunehmendem Rauschen der Leistungsunterschied zwischen JMP- und JMP Pro-Modellen zunimmt. Das heißt, Sie würden erwarten, dass Modelle in JMP bei stärkerem Rauschen überpassen würden. Wohingegen die JMP Pro-Validierung Sie vor Überanpassung schützen sollte.
Ich habe kein solches Beispiel. Es sollte nicht so schwer für Sie sein, eine zu erstellen.
Ich bin mir nicht sicher, wie überzeugend der Unterschied sein wird. Meiner Erfahrung nach kaufen die Leute JMP Pro nicht, weil Sie zeigen, dass sie einen R^2 von 0,9 statt 0,8 erzielen können.
Prost!
Phil
Betreff: Vorhersagemodellierung auf verrauschten DatenHallo Phil,
Ja das ist mein Ziel. Ich habe zufälliges Rauschen zu :Dissolution in "Tablet Production" hinzugefügt und Model Screening verwendet, leider ist das Ergebnis enttäuschend (niedriges r², ungeeignetes Modell). Ich erwäge die Verwendung von PLS, das vielleicht besser funktioniert, um verrauschte Daten (Rauschen bei mehreren korrelierten Antworten) zu verwalten, aber das wird mir nicht helfen, JMP Pro zu verkaufen.
Emmanuel
Betreff: Vorhersagemodellierung auf verrauschten DatenIch denke, der Tablet-Datensatz ist wahrscheinlich zu klein, um eine effektive Validierung zu ermöglichen.
Haben Sie sich diese Fallstudie angesehen:
https://community.jmp.com/t5/Technical-Reference-Library/High-Throughput-Screening/ta-p/385091
Ich hatte noch keine Zeit, das gründlich zu testen. Aber nach kurzer Untersuchung schien es, dass selbst bei relativ kleinen Datenproben (ca. 150 Zeilen) die Methoden des maschinellen Lernens mit Validierung in JMP Pro die Standardmodelle übertreffen.
Betreff: Vorhersagemodellierung auf verrauschten DatenHallo Emmanuel,
Als Kunde habe ich immer festgestellt, dass einer der Vorteile von JMP Pro weniger darin besteht, perfekte Modelle zu erstellen, als vielmehr darin, mit den Validierungstools mehr Vertrauen in die Modelle zu haben. Vielleicht könnten Sie in JMP zeigen, wie leicht Sie Modelle überanpassen können, um ein falsches Erfolgserlebnis zu bekommen, und dann zeigen, wie Sie mit JMP Pro und all den Validierungstools leichter überangepasste Modelle und solche, die sich möglicherweise nicht gut verallgemeinern lassen, identifizieren können? Ich nehme an, es ist das Gegenteil von dem, was Sie wollten, aber in einigen Fällen könnte das Zeigen eines niedrigeren R2 mit Pro ein Verkaufsargument sein, wenn Sie ein besseres Gefühl für die Unsicherheit bekommen und wie gut die Modelle bei Validierungs- und Testdaten abschneiden. Natürlich sollten all die zusätzlichen Modellierungswerkzeuge es Ihnen ermöglichen, bessere Modelle zu bauen, aber ich denke, am wichtigsten ist, dass Sie mehr Vertrauen in diese Modelle haben.
Joseph
Betreff: Vorhersagemodellierung auf verrauschten DatenDanke, Josef. Es ist großartig, die „Stimme des Kunden“ zu bekommen. Das habe ich potenziellen Kunden von JMP Pro immer gesagt: Mehr Vertrauen in Ihre Modelle durch Validierung.
