안녕하세요. 좋은 아침, 모든 사람.
이것 ~이다 사이작 라미 그리고 나 가지다 나의 동료, Zhe Diao.
원래, 우리 ~이다 ㅏ 사업 해석학 졸업하다 재학생
~에서 코네티컷 대학교-스탬포드 캠퍼스.
작은 ~에 대한 우리의 노출 에게 JMP.
우리 가지다 널리 사용된 JMP
~에 우리 P 수정 모델 강의 ~에 우리의 첫 학기 .
우리 펠트 그것은 ㅏ 매우 쉬운 그리고 매우 강한 도구,
그리고 거기 ~이다 ㅏ 많은 우리 ~할 수 있다 하다 ~에서 그것.
우리 ~이다 아직 탐험하다 그만큼 많은 특징 ~의 그만큼 JMP.
오늘, 우리 ~이다 여기 에게 여름에 했던 작업을 소개합니다.
그것은 심장이다 실패 예측 사용 현대의 상영 플랫폼.
우리 ~이다 부름 그것 향상 왜냐하면 우리 사용 여러 개의 JMP 플랫폼
에게 영향력 예측.
오는 에게 그만큼 의제 오늘, 그래서 이것 ~이다 단지 한 개요 미끄러지 다
~에서 어느 너 ~일 것이다 얻다 그만큼 요점 ~의 무엇 우리 ~이다 행위,
우리 이야기 ~에 대한 팔로우 ~에 의해 그만큼 삼 슬라이드,
어느 우리 어디 우리 말하다 ~에 대한 전처리
그리고 일부 에다, 어느 우리 가지다 완료, 그리고 그만큼 모델링.
오는 에게 그만큼 소개,
우리 알다 저것 심혈관 질환
~이다 그만큼 숫자 하나 일으키는 ~의 그만큼 죽음 전 세계적으로
주장 한 추정된 ~의 70.9 수십억의 삶 ~에 2019.
그것 계정 ~을 위한 약 32 % ~의 사망자 세계적인 모든 년도.
~ 안에 우리의 문제, 그래서 우리 가지다 찍은 모여 데이터 세트,
그리고 우리 개발 ㅏ 분류 모델 ~을 위한 분류 그만큼 마음 질병.
우리 또한 영향력 이것 예측 사용 그만큼 모델 상영,
모달 비교 그리고 부착 특징 ~에 그만큼 JMP 16.
그만큼 모델 산출 ~ 할 것이다 돕다 ~에 이해 그만큼 중요성 ~의 요인
저것 ~이다 주요한 에게 마음 질병 그리고 그만큼 개연성.
우리 또한 찾다 그만큼 개연성 ~의 개발 중 그만큼 마음 질병,
아래에 있지 않는 한 씨 확실하다 정황.
요약 우리의 목적 ~이다 에게 짓다 그만큼 최상의 모델 그리고 찾다 그만큼 요인
저것 ~이다 주요한 에게 그만큼 마음 실패 사용 그만큼 JMP 16 플랫폼.
오는 에게 ㅏ 방법론 그리고 작은 ~에 대한 우리의 데이터 세트,
그만큼 데이터 세트 포함 약 918 참가자들 ~에서 다른 국가.
거기 ~이다 11 요인 관련된 에게 마음 실패,
그런 ~처럼 나이, 섹스, 피 압력, 그리고 피 포도당.
우리가 어떻게 갔는지 에게 우리의 예측
~이다 우리 처음으로 수행 그만큼 전처리 ~의 그만큼 데이터
~에 의해 탐험하다 만약에 거기 ~이다 어느 없어진 값 또는 어느 특이치.
더 나아가, 우리는 수행 그만큼 EDA 분석 에게 이해하다 그만큼 중요성
그리고 그만큼 관계 ~의 그만큼 각 특징 ~에 관계 에게 그만큼 마음 실패.
에게 짓다 그만큼 모델,
우리 통합 그만큼 JMP를 따라 16 능력 ~에 우리의 방법론.
그만큼 우선 ~이다 그만큼 모델 상영.
어느 ~이다 한 효율적인 플랫폼, ㅏ 동시에 장착,
비교 그리고 탐험, 선택
그리고 그 다음에 전개 그만큼 최상의 예측 모델.
그만큼 다음 온다 그만큼 모델 비교, 어느 한 쉬운 플랫폼
에게 비교하다 그리고 선택하다 그만큼 최상의- 실행할 수 있는 예측 모델.
다음 대시보드가 나온다 ~이다 한 효율적인 방법
에게 더 나은 우리를 대표하다 EDA 간결하게.
우리 ~할 수 있다 달리다 어느 시간 ~처럼 그만큼 새로운 데이터 ~이다 사용 가능.
나는 오는 에게 우리의 결과.
이것 ~이다 단지 개요 ~의 그만큼 결과 어느 우리 가졌다.
사용 그만큼 모델 상영,
우리 식별 저것 그만큼 부스트 나무 ~이다 우리의 최상의 모델.
우리 선택하다 그리고 우리 가지다 또한 ~ 아니다 단지 ~에 정확성.
우리 집중하다 ~에 어느 ~이다 데 그만큼 최소 하나 비율,
왜냐하면 우리 하다 ~ 아니다 원하다 우리의 모델 에게 가지다 높은 거짓 긍정,
왜냐하면 우리 ~하지 않다 원하다 그만큼 마음 비율,
좋다 마음 실패 예측하다 환자 ~ 아니다 에게 일하다 ~처럼 ~ 아니다 감지되었습니다.
기반으로 이것, 우리 가지다 선택된 그만큼 부스트 나무 ~처럼 우리의 최상의 모델.
오는 에게 그만큼 열 기여,
그래서 언제 우리 이다, 언제 우리가 시험을 마친 에게 식별하다
무엇 ~이다 그만큼 중요한 요인 저것 ~이다 일으키는 그만큼 마음 실패 예측.
사용할 때 그만큼 부스트 나무,
우리 식별 저것 협심증 운동,
그래서 어느 ~이다 만약에 ㅏ 사람 가지다
그만큼 안에- 사용 통증 ~로 인한 에게 운동
그리고 또한 금식 Bs, 혈당 수치,
휴식 ECG, ST_slope, 흉통 유형
11개 중 소수의 매개변수,
의 약 75%에 기여하고 있습니다. 심부전.
다음은 더 심층적인 분석입니다. Zhe Diao 의지 BE 취득 케어.
좋아, 후 상영 ~을 통해 그만큼 기초적인 정보 ~의 그만큼 데이터,
그런 ~처럼 표적 특징, 예측 변수, 데이터 유형,
우리의 분석 일하다 ~ 할 것이다 시작 ~와 함께 데이터 청소.
우리 필요 에게 거래 ~와 함께 없어진 값 그리고 모두 레이어 처음으로 얻다 ㅏ 깨끗한 데이터.
JMP 제공한다 ㅏ 다양성 ~의 방법 에게 탐구하다 그리고 거래 ~와 함께 그들을.
을 위한 그만큼 없어진 값, JMP는 표시하다 그만큼 세부
~에 그만큼 요약 테이블 드물다 표시하다 그들을 ~에 셀 구성 또는 나무 지도.
오늘, 우리 보여주다 그만큼 통계적 테이블 여기,
어느 ~이다 또한 ㅏ 방법 에게 얻다 정보 우리 원하다.
우리 ~할 수 있다 보다 저것 거기 ~이다 아니요 없어진 값 ~에 우리의 데이터.
하지만 언제 너 더 나아가 탐구하다 그만큼 데이터 분포, 너 ~ 할 것이다 찾다 저것
일부 지표 사용 그만큼 숫자 영 에게 바꾸다 그만큼 없어진 값.
우리 대하다 그만큼 데이터 영 ~와 함께 삭제 그리고 그만큼 미디어 교체 왜냐하면
그만큼 값 ~의 그만큼 선두 지시자 할 수 없다 BE 영.
을 위한 그만큼 국외자,
박스 플롯 그리고 탐구하다 이상값 모듈 ~이다 흔한 행동 양식.
오늘, 우리 사용 그만큼 아웃라이어 아나 용해 기능,
그리고 있다 ㅏ 다변량 기준 치수,
어느 반영하다 그만큼 거리 ~의 ㅏ 다차원 공간
~ 안으로 이것 마할라노비스 거리 그래프.
우리 가지다 유지하다 이것 특이치 이것에서 분석 왜냐하면 우리 고려하다 저것
이것은 흔한 현상 ~에 의료 시험 결과.
후에 완료 이것들 단계,
우리 얻다 그만큼 깨끗한 데이터, 그리고 그 다음에 우리 입력하다 그만큼 데이터 탐구 단계.
~ 안에 이것 단계, 우리 세워짐 일부 천하게 사용된
그만큼 차트 에게 보여주다 일부 정보 함유 양 데이터.
JMP 제공한다 우리를 많은 선택 ~에 이 부분
그런 ~처럼 나무 지도, 반지 차트, 술집 차트 및 영.
에서 이것들 그래프, 우리 알다 저것 그만큼 비율 ~의 남성
고통 ~에서 마음 실패 ~이다 두 배 저것 ~이다 여성.
80 % ~의 환자 ~와 함께 마음 실패 가지다 당뇨병
그리고 77 명 가지다 아니요 증상 ~의 가슴 통증,
어느 밝히다 그만큼 인지할 수 없음 ~의 그만큼 질병.
후에 우리 그리다 이것 유용한 결론,
우리 오다 에게 그만큼 모델링 단계 에게 더 나아가 탐구하다 그만큼 관계 ~ 사이 데이터.
언제 너 ~이다 행위 데이터 분석,
너 5월 대개 생각하다 무엇 모델 나 원하다 에게 짓다,
또는 무엇 모델 수행하다 최상의.
모델 상영 기능 ~에 JMP 도움 우리를
해결하다 이것 문제 안에 매우 직관적 방법.
너 단지 필요 에게 견인 그만큼 표적 변하기 쉬운
그리고 그만큼 예측 변수 에게 그만큼 동 위치.
JMP는 돕다 너 달리다 또한 적절한 모델.
~ 안에 이것 분석, JMP 쓰기 아홉 모델 자동으로,
포함 회귀 모델, 부스티드 트리, 신경망 네 투워크 그리고 그래서 에.
너 ~할 수 있다 얻다 ㅏ 상세한 그리고 분명한 산출.
만약에 너 오직 케어 ~에 대한 그만큼 결과,
그만큼 요약 테이블 ~할 수 있다 돕다 너 선택하다 그만큼 최상의 모델,
~이든 너 고려하다 잔여 또는 장착 도.
만약에 너 원하다 에게 알다 그만큼 세부 사항,
그만큼 매개변수 그리고 그만큼 결과 ~의 각 모델,
너 단지 필요 에게 딸깍 하는 소리 그만큼 모델 너 원하다 에게 보다 ~에 세부 부분,
그리고 너 ~할 수 있다 이해하다 그만큼 성능 ~의 그만큼 모델 ~에서 모두 상들.
여기 우리 요격 ㅏ 매개변수, 컴퓨터 행렬 그리고 프로파일러.
~ 안에 프로파일 러, 너 ~할 수 있다 입력하다 새로운 데이터
에게 관찰하다 그만큼 변화 기차 ~의 각 변하기 쉬운 그리고 얻다 그만큼 예측하다 그만큼 결과.
우리 보다 저것 그만큼 영향 ~의 나이 ~이다 ~ 아니다 중요한,
어느 5월 BE 반박 에게 우리 조합.
어디 성별, 당뇨병 그리고 ST_ 경사 ~이다 그만큼 기본 영향 요인.
게다가, ~에 이것들 결과,
우리 지불하다 주목 에게 그만큼 오분류 비율,
특히 ~이다 ㅏ 거짓 부정적인 값,
왜냐하면 그것 수단 저것 그만큼 인내심 있는 가지다 마음 실패,
그리고 우리 예측하다 저것 그 하다 아니다,
어느 5월 선두 에게 매우 심각한 결과.
그만큼 최상의 성능 모델 우리 선택 이것 분석 ~이다 추정된 에게 감소하다
어느 가지다 그만큼 최저 그만큼 오분류 비율 그리고 그만큼 제일 높은 감도.
그 다음에 우리 ~할 수 있다 구하다 모두 그만큼 예측 공식
그리고 그만큼 결과 ~을 위한 사용 ~에 그만큼 모델 비교.
모델 비교 제공 더 간결한 그리고 직관적 체재
에게 보여주다 모델 성능 지표,
어느 ~이다 편리한 ~을 위한 우리를 에게 만들다 그만큼 결정적인 선택.
지금, 나 가져가다 ~을 통해 에게 그만큼 마지막 부분 ~의 우리의 프레젠테이션, 어느 ~이다 그만큼 계기반.
사용 그만큼 계기반 특징,
우리 만들어진 ㅏ 공익사업 어디 우리 추가 여러 개의 중요한 특징,
어느 우리 논의 전에, 그리고 어느 ~이다 비판적으로 영향을 미치는 그만큼 마음 비율.
여기 우리 ~할 수 있다 상호 작용하다 ~에 의해 제공 그만큼 입력
좋다 나 ~할 수 있다 선택하다 남성 또는 여성,
그리고 우리 ~할 수 있다 심지어 선택하다 그만큼 가슴 통증 유형.
또한, 뭐야 그만큼 ST_s 도약 무늬, 그리고 또한, 뭐야 그만큼 과잉 ~에 게놈?
기반으로 이것, 나 ~할 수 있다 상호 작용하다 ~와 함께 그만큼 공익사업,
그리고 또한 기반을 둔 ~에 저것, 그것 ~ 할 것이다 표시하다 그만큼 개연성 ~의 그만큼 마음 비율,
어느 ~이다 ㅏ 예쁜 유용한 특징.
저것 온다 에게 그만큼 마지막 부분.
~ 안에 결론, 나 단지 원하다 에게 요약하다.
우리 사용 그만큼 현대의 화면 플랫폼, 그리고 ~을 통해 어느 우리 탐구하다
최고의 예측 모델링 ~을 위한 그만큼 마음 실패 예측.
우리 또한 영향력 무엇이든 그만큼 일하다 우리 사용해보십시오 그만큼 JMP 16 계기반.
어느 우리 개발하다 ㅏ 공익사업 에게 개발하다 한 인터렉티브 플랫폼
저것 출력 그만큼 개연성 ~의 그만큼 마음 실패 기반을 둔 ~에 그만큼 입력 그리고 매개변수.
그건 모두 우리 가지다 ~을 위한 오늘.
감사하다 너.
