Modelado predictivo sobre datos ruidososHola,
¿Alguien tiene un buen conjunto de datos para ilustrar el beneficio de JMP Pro frente a JMP en datos ruidosos?
Idealmente, deberíamos tener una(s) variable(s) que represente la "verdad" y otra variable que represente "verdad + ruido" y poder mostrar que JMP es lo suficientemente bueno para modelar "verdad", mientras que se necesita JMP Pro para modelar "verdad + ruido" .
nota: estoy interesado en el ruido en Y(s) o Xs.
Gracias por la ayuda.
emmanuel
emmanuel
Re: Modelado predictivo en datos ruidososComo dijo Phil, es genial tener "VOC", gracias.
Re: Modelado predictivo en datos ruidososMe gusta este conjunto de datos. Intentaré agregar ruido en la respuesta y ver qué sucede con las técnicas de ML frente al método tradicional.
No me di cuenta de que la tableta es demasiado pequeña para este enfoque, gracias por avisarme.
Re: Modelado predictivo en datos ruidososGracias, José. Es genial obtener la "voz del cliente". Eso es lo que siempre les he dicho a los posibles clientes de JMP Pro: más confianza en sus modelos con validación.
Re: Modelado predictivo en datos ruidososHola Emmanuel,
Como cliente, siempre encontré que uno de los beneficios de JMP Pro es que se trata menos de construir modelos perfectos y más de tener una mayor confianza en los modelos con las herramientas de validación. ¿Quizás podría mostrar en JMP con qué facilidad puede sobreajustar los modelos para obtener una falsa sensación de logro y luego mostrar cómo con JMP Pro y todas las herramientas de validación podría identificar más fácilmente los modelos sobreajustados y los que podrían no generalizarse bien? Supongo que es más o menos lo contrario de lo que quería, pero en algunos casos, mostrar un R2 más bajo con Pro podría ser un punto de venta si obtiene una mejor sensación de incertidumbre y qué tan bien se desempeñan los modelos en los datos de validación y prueba. Por supuesto, todas las herramientas de modelado adicionales deberían permitirle construir mejores modelos, pero creo que lo más importante es que tiene más confianza en esos modelos.
Joseph
Re: Modelado predictivo en datos ruidososCreo que el conjunto de datos de la tableta probablemente sea demasiado pequeño para que la validación sea efectiva.
¿Has mirado este estudio de caso?
https://community.jmp.com/t5/Technical-Reference-Library/High-Throughput-Screening/ta-p/385091
No he tenido tiempo de probar esto rigurosamente. Pero a partir de una exploración rápida, parecía que incluso para muestras relativamente pequeñas de los datos (~150 filas), los métodos de aprendizaje automático con validación en JMP Pro superan a los modelos estándar.
Re: Modelado predictivo en datos ruidososHola Phil,
Sí, este es mi objetivo. Agregué ruido aleatorio a: Disolución en "Producción de tabletas" y usé la detección de modelos, desafortunadamente el resultado es decepcionante (r² bajo, modelo inadecuado). Estoy considerando usar PLS que tal vez funcione mejor para administrar datos ruidosos (ruido en múltiples respuestas correlacionadas), pero eso no me ayudará a vender JMP Pro.
emmanuel
Re: Modelado predictivo en datos ruidososHola @Emmanuel_Romeu ,
Veo que no has obtenido respuesta. Me tomó un tiempo entender lo que estás preguntando aquí. Creo que ahora entiendo.
Creo que lo que quieres decir es un problema de modelado con una Y simulada y versiones de esta Y con diferentes cantidades de ruido. Es de esperar que a medida que aumenta la cantidad de ruido, haya una diferencia cada vez mayor en el rendimiento de los modelos JMP y JMP Pro. Es decir, cabría esperar que, con un mayor ruido, los modelos en JMP se ajustaran demasiado. Mientras que la validación JMP Pro debería protegerlo del sobreajuste.
No tengo un ejemplo como este. No debería ser tan difícil para ti crear uno.
Sin embargo, no estoy seguro de cuán convincente será la diferencia. En mi experiencia, las personas no compran JMP Pro porque demuestras que pueden obtener un R^2 de 0,9 en lugar de 0,8.
¡Salud!
phil
