ノイズの多いデータの予測モデリングこんにちは、
ノイズの多いデータに対する JMP Pro と JMP の利点を説明するための適切なデータセットを持っている人はいますか?
理想的には、「真実」を表す変数と「真実 + ノイズ」を表す別の変数が必要であり、「真実」をモデル化するには JMP Pro が必要であり、「真実 + ノイズ」をモデル化するには JMP Pro が必要であることを示すことができます。 .
注：Y（s）またはXのノイズに興味があります。
助けてくれてありがとう。
エマニュエル
エマニュエル
Re: ノイズの多いデータの予測モデリングフィルが言ったように、「VOC」があるのは素晴らしいことです、ありがとう
Re: ノイズの多いデータの予測モデリング私はこのデータセットが好きです。 応答にノイズを追加して、ML 手法と従来の手法で何が起こるかを見てみましょう。
このアプローチにはタブレットが小さすぎることに気づきませんでした。教えてくれてありがとう。
Re: ノイズの多いデータの予測モデリングありがとう、ジョセフ。 「お客様の声」をいただけると有難いです。 これは、私がJMP Proの将来の顧客に常に言ってきたことです: 検証によってモデルに自信が持てるようになります.
Re: ノイズの多いデータの予測モデリングエマニュエルさん、こんにちは。
顧客として、JMP Pro のメリットの 1 つは、完璧なモデルを構築することよりも、検証ツールを使用してモデルの信頼性を高めることにあると常に感じていました。 おそらく、JMP でモデルを過適合させて間違った達成感を得る方法を示し、JMP Pro とすべての検証ツールを使用して、過適合モデルと適切に一般化できない可能性のあるモデルをより簡単に特定できる方法を示すことができますか? それはあなたが望んでいたものとは逆のようなものだと思いますが、場合によっては、Pro でより低い R2 を示すことは、不確実性の感覚が改善され、モデルが検証およびテスト データでどれだけうまく機能するかを理解している場合にセールス ポイントになる可能性があります。 もちろん、すべての追加のモデリング ツールを使用すると、より優れたモデルを構築できるはずですが、最も重要なことは、これらのモデルに自信を持てるようになることです。
ジョセフ
Re: ノイズの多いデータの予測モデリング検証を有効にするには、Tablet のデータ セットが小さすぎる可能性が高いと思います。
このケース スタディを見たことがありますか。
https://community.jmp.com/t5/Technical-Reference-Library/High-Throughput-Screening/ta-p/385091
これを厳密にテストする時間はありませんでした。 しかし、簡単に調べてみると、データの比較的小さなサンプル (最大 150 行) であっても、JMP Pro の検証による機械学習方法は標準モデルよりも優れているように見えました。
Re: ノイズの多いデータの予測モデリングこんにちはフィル、
はい、これが私の目標です。 :Dissolution in "Tablet Production" にランダム ノイズを追加し、モデル スクリーニングを使用しましたが、残念ながら結果は期待外れです (低い r²、不適切なモデル)。 ノイズの多いデータ (複数の相関応答のノイズ) を管理するには PLS を使用することを検討していますが、それは JMP Pro の販売には役立ちません。
エマニュエル
Re: ノイズの多いデータの予測モデリングやあ@Emmanuel_Romeu 、
返信がないことがわかりました。 あなたがここで何を求めているのか理解するのに少し時間がかかりました。 今なら分かると思います。
あなたが意味するのは、シミュレートされた Y と、この Y のさまざまな量のノイズを含むバージョンのモデリングの問題だと思います。 ノイズの量が増えると、JMP モデルと JMP Pro モデルのパフォーマンスの差が大きくなると予想されます。 つまり、ノイズが大きくなると、JMP のモデルが過剰適合することが予想されます。 一方、JMP Pro の検証により、オーバーフィッティングを防ぐことができます。
このような例はありません。 作成するのはそれほど難しいことではありません。
ただし、その違いがどれほど説得力があるかはわかりません。 私の経験では、0.8 ではなく 0.9 の R^2 を得ることができることを示すために、人々は JMP Pro を購入しません。
乾杯！
フィル
