Bonjour. Bien matin, tout le monde.
Ce est Saijac Lami et je ont mon coéquipier, Zhé Diao.
Essentiellement, nous sont un entreprise analytique diplômé étudiants
depuis Campus de l'Université du Connecticut-Stamford.
Petit à propos notre exposition pour JMP.
Nous ont largement utilisé JMP
dans notre p modèle de rediction cours dans notre premier semestre .
Nous feutre c'est un très facile et très puissant outil,
et là est un parcelle nous peut faire depuis il.
Nous sont toujours explorant le beaucoup caractéristiques de le JMP.
Aujourd'hui, nous sont ici pour présenter notre travail dont nous avons fait pendant l'été
c'est un coeur échec prédiction en utilisant moderne dépistage plateforme.
Nous sont appel il amélioré parce que nous utiliser plusieurs Plates-formes JMP
pour effet de levier prédictions.
À venir pour le ordre du jour aujourd'hui, donc ce est juste un aperçu glisser
depuis qui toi serait obtenir le essentiel de quoi nous sont action,
nous a parlé à propos suivi par le trois diapositives,
qui nous où nous parler à propos pré-traitement
et quelques AED, qui nous ont fait, et le la modélisation.
À venir pour le introduction,
nous savoir ce maladie cardiovasculaire
est le nombre un provoquant de le décès à l'échelle mondiale,
affirmant un estimé de 70,9 milliards de vies dans 2019.
Il comptes pour autour 32 % de décès mondial chaque année.
Dans notre problème, donc nous ont pris un rassemblement données ensemble,
et nous développé un classification modèle pour classement le cœur maladie.
Nous aussi effet de levier ce prédictions en utilisant le modèle dépistage,
modal comparaison et pièce jointe fonctionnalité dans le JMP 16.
Le modèle sortir sera aider dans compréhension le importance de facteurs
ce sont premier pour cœur maladie et le probabilité.
Nous aussi trouver le probabilité de développement le cœur maladie,
à moins qu'il ne soit sous c certains conditions.
Résumé notre objectif est pour construire le meilleur modèle et trouver le facteurs
ce sont premier pour le cœur échec en utilisant le JMP 16 plateforme.
À venir pour un méthodologie et petit à propos notre données ensemble,
le données ensemble inclus autour 918 participants depuis différent des pays.
Là sont 11 facteurs associé pour cœur échec,
tel comme âge, sexe, sang pression, et sang glucose.
Comment nous sommes allés pour notre prédictions
est nous effectuer d'abord le pré-traitement de le données
par explorant si là sont n'importe quel manquant valeurs ou n'importe quel valeurs aberrantes.
En détail, nous avons effectué le AED analyse pour comprendre le importance
et le relation de le chaque fonctionnalité dans relation pour le cœur échec.
Pour construire le modèle,
nous incorporé le suivant JMP 16 capacités dans notre méthodologie.
Le première chose est le Modèle Dépistage.
Qui est un efficace plateforme, un simultanément raccord,
comparant et explorant, sélection
et alors déploiement le meilleur prédictif modèle.
Le suivant vient le Modèle Comparaison, qui un facile plateforme
pour comparer et sélectionner le meilleur- effectuer prédictif modèle.
Suivant vient le tableau de bord est un efficace chemin
pour mieux représenter notre AED de manière concise.
Nous peut courir n'importe quel temps comme le nouveau données est disponible.
Je suis à venir pour notre résultats.
Ce est juste aperçu de le résultats qui nous avait.
En utilisant le modèle dépistage,
nous identifié ce le Boosté Arbre est notre meilleur modèle.
Nous choisir et nous ont aussi pas juste sur précision.
Nous se concentrer sur qui est ayant le moins un taux,
parce que nous faire pas vouloir notre modèle pour ont haut FAUX positifs,
parce que nous ne le faites pas vouloir le cœur taux,
comme cœur échec prédire les patients pas pour travail comme pas détecté.
Basé sur ce, nous ont choisi le Boosté Arbre comme notre meilleur modèle.
À venir pour le colonne contributions,
donc quand nous sont, lorsque nous essayé pour identité
quoi sont le important facteurs ce sont provoquant le cœur échec prédiction.
Lors de l'utilisation le Boosté Arbre,
nous identifié ce Angine d'effort,
donc qui est si un personne a
le dans- utiliser douleur exigible pour exercer
et aussi Jeûne Bs, taux de glycémie,
ECG de repos, pente ST_, type de douleur thoracique
sont quelques paramètres sur 11,
contribuent à environ 75 % de l'insuffisance cardiaque.
Vient ensuite une analyse plus approfondie, Zhe Diao va être prise se soucier.
Bon, après dépistage à travers le basique information de le données,
tel comme cible fonctionnalité, prédictif variables, données les types,
notre analyse travail sera commencer avec données nettoyage.
Nous besoin pour accord avec manquant valeurs et tous couches premier à obtenir un faire le ménage données.
JMP fournit un variété de façons pour explorer et accord avec eux.
Pour le manquant valeur, JMP peut afficher le détails
dans le résumé tableau sont rarement afficher eux dans cellule parcelle ou arbre carte.
Aujourd'hui, nous montrer le statistique tableau ici,
qui est aussi un chemin pour obtenir l'information nous vouloir.
Nous peut voir ce là est Non manquant valeur dans notre données.
Mais quand toi plus loin explorer le données distribution, toi sera trouver ce
quelques indicateurs utiliser le nombre zéro pour remplacer le manquant valeur.
Nous traiter le données zéro avec effacement et le médias remplaçants parce que
le valeur de le mener indicateur ne peut pas être zéro.
Pour le Aberrant,
boîte à moustaches et explorer Module des valeurs aberrantes sont commun méthodes.
Aujourd'hui, nous utiliser le Valeur aberrante Ana fonction de lyse,
et il y a un multivarié module,
qui refléter le distance de un multidimensionnel espace
dans ce Mahalanobis Distance Graphique.
Nous ont retenir ce Valeurs aberrantes dans ce analyse parce que nous considérer ce
c'est un commun phénomène dans médical test résultats.
Après achever ces pas,
nous obtenir le faire le ménage données, et alors nous entrer le données exploration organiser.
Dans ce marcher, nous construit quelques communément utilisé
le graphiques pour montrer quelques information contenu montant données.
JMP fournit nous beaucoup les choix dans cette partie
tel comme arbre carte, anneau graphique, bar graphique et zéro.
Depuis ces graphiques, nous savoir ce le proportion de homme
souffrance depuis cœur échec est deux fois ce sont femme.
80 % de les patients avec cœur échec ont diabète
et 77 personnes ont Non symptômes de poitrine douleur,
qui révèle le imperceptibilité de le maladie.
Après nous dessiner ce utile conclusion,
nous venir pour le la modélisation organiser pour plus loin explorer le relation entre données.
Quand toi sont action données analyse,
toi peut généralement penser quoi modèle je vouloir pour construire,
ou quoi modèle effectue meilleur.
Modèle dépistage fonction dans JMP aide nous
résoudre ce problème dans un très intuitif chemin.
Toi juste besoin pour glisser le cible variable
et le prédiction variables pour le correspondant postes.
JMP va aider toi courir aussi approprié des modèles.
Dans ce analyse, écriture JMP neuf des modèles automatiquement,
y compris Régression modèle, Arbre boosté, Neural ne travail et donc sur.
Toi peut obtenir un détaillé et clair sortir.
Si toi seul se soucier à propos le résultats,
le résumé tableau peut aider toi choisir le meilleur modèle,
si toi considérer résiduel ou raccord degré.
Si toi vouloir pour savoir le détail,
le paramètres et le résultats de chaque modèle,
toi juste besoin pour Cliquez sur le modèle toi vouloir pour voir dans détails partie,
et toi peut comprendre le performance de le modèle depuis tous aspects.
Ici nous intercepter un paramètres, ordinateur matrice et profileur.
Dans profileur, toi peut entrer nouveau données
pour observer le changement former de chaque variable et obtenir le prédire le résultat.
Nous voir ce le influence de âge est pas important,
qui peut être contrer pour notre combinaison.
Où genre, diabète et ST_ pente sont le principal influence facteurs.
De plus, dans ces résultats,
nous payer attention pour le mauvaise classification taux,
en particulier est un FAUX négatif valeur,
parce que il moyens ce le patient a cœur échec,
et nous prédire ce il fait pas,
qui peut mener pour très sérieux conséquence.
Le meilleur performance modèle nous sélectionner dans ce analyse est censé pour diminuer
qui a le le plus bas le mauvaise classification taux et le le plus élevé sensibilités.
Alors nous peut sauvegarder tous le formules de prédiction
et le résultats pour utiliser dans le modèle comparaison.
La comparaison de modèles fournit plus concis et intuitif format
pour montrer modèle performance indicateurs,
qui est pratique pour nous pour faire le final choix.
Maintenant, je prendre à travers pour le dernier partie de notre présentation, qui est le tableau de bord.
En utilisant le tableau de bord fonctionnalité,
nous créé un utilitaire où nous ajoutée plusieurs important caractéristiques,
qui nous discuté avant, et qui sont critique affectant le cœur taux.
Ici nous peut interagir par fournissant le contributions
Comme je peut choisir homme ou femme,
et nous peut même choisir le Poitrine douleur taper.
Aussi, qu'est-ce que c'est le ST_s lope modèle, et aussi, qu'est-ce que c'est le excès dans génome ?
Basé sur ce, je peut interagir avec le utilitaire,
et aussi basé sur ce, il sera afficher le probabilité de le cœur taux,
qui est un joli utile fonctionnalité.
Ce vient pour le dernier partie.
Dans conclusion, je juste vouloir pour résumer.
Nous utiliser le moderne filtrer plateforme, et à travers qui nous explorer
le meilleur prédictif la modélisation pour le cœur échec prédiction.
Nous aussi effet de levier peu importe le travail nous essayez d'utiliser le JMP 16 tableau de bord.
Qui nous développer un utilitaire pour développer un interactif plateforme
ce les sorties le probabilité de le cœur échec basé sur le saisir et paramètres.
C'est tous nous ont pour aujourd'hui.
Remercier toi.
