Profiler est utilisé pour comprendre les modèles de boîte noire, mais nous ne pouvons pas voir la distribution des données qu'il contient.
Comment pouvons-nous les ajouter dans JMP 14 ou 15 ?
Il est important de savoir si nous interpolons ou extrapolons.
Par exemple (image modifiée, voir conversation ci-dessous)
Cette image m'aide énormément, car il me manquait certainement à quoi vous vouliez que ce graphique ressemble. C'est une bonne suggestion que je vous encourage à ajouter à la liste de souhaits JMP.
Merci pour l'exemple, voici ce que j'aimerais voir dans ce cas:
Parfois, les longues traînes ou les valeurs aberrantes qui font partie des données initiales peuvent être trompeuses dans le profileur. Commencer par des modèles basés sur des partitions (par exemple bootstrap) est un moyen rapide de discriminer les facteurs compte tenu de leur robustesse parmi ceux-ci. Comme le profileur n'affiche pas les données, il peut y avoir beaucoup d'itérations pour tracer et visualiser celles-ci.
Un autre exemple est que si vous avez deux modes distants, montrer la distribution vous aidera à repérer les situations paradoxales de Simpson.
Merci pour le partage. Juste quelques réflexions à garder à l'esprit à ce sujet.
Tout d'abord, et probablement le plus important, JMP 15 est déjà sorti, donc cette fonctionnalité ne sera pas dans la version 15 ! Vous pouvez regarder dans la zone Liste de souhaits JMP pour voir si quelqu'un l'a déjà suggéré, et si c'est le cas, voter pour. Si ce n'est pas là, vous pouvez toujours ajouter la fonctionnalité.
Je regarde le lien que vous avez fourni, et il n'y a pas de texte réel pour expliquer ce que je regarde. Mais tous les bons graphiques devraient être explicites et je pense que je vois ce qui se passe ici. Mais divulgation complète : il me manque peut-être encore quelque chose, alors gardez cela à l'esprit lorsque vous lisez le reste de mes commentaires.
Lorsque JMP crée le profileur, les plages des variables d'entrée sont déterminées par les données. L'extrapolation nécessite donc une intervention supplémentaire de la part de l'utilisateur. Étant donné que les plages des entrées formeront une région cuboïdale (ou hyper-cuboïdale), l'extrapolation ne serait possible que si les relations entre les entrées entraînent la possibilité d'être en dehors de la plage de données, mais dans la région cuboïdale. Les parcelles que vous montrez (je pense) souffriraient du même problème.
Le profileur trace les relations à partir du modèle, ce qui rend les choses beaucoup plus propres. Par exemple, supposons que j'ajuste un modèle de régression Y=B0 + B1*X1 + B2*X2 +B12*X1*X2. Vous obtiendrez un profileur montrant les relations modélisées. Si vous deviez essayer de mettre les données sur ce graphique, je ne sais pas où cela irait. Est-ce que ça irait dans le profileur pour X1 ? X2 ? Répétez les données dans X1 et X2 ? Si la partie X1 du graphique n'est qu'un nuage de points de X1 par rapport à Y, le graphique pourrait être trompeur car l'interaction de X1 et X2 rend le nuage de points Y vs X1 non informatif car l'interaction pourrait masquer la relation X1, Y. En d'autres termes, vous pourriez regarder l'image et dire que le modèle ne va pas bien, alors qu'en fait, il va très bien parce que l'interaction est une partie importante du modèle.
Une autre façon de comprendre dans quelle mesure le modèle prédit la réponse et affiche les données de réponse réelles serait d'examiner le graphique observé par rapport à celui prédit. Il montre les plages des données observées, vous voyez les prédictions du modèle (y compris des modèles très compliqués et de nombreux facteurs) et vous voyez à quel point le modèle prédit.
J'inclus un petit tableau de données que j'ai créé pour illustrer mon propos. Les diagrammes de dispersion de X1 et X2 par rapport à Y montrent une relation faible, voire inexistante. Mais le modèle avec l'interaction est très significatif et le graphique observé versus prédit le montre très clairement. Notez également les plages pour X1 et X2 sur le profileur. Ils sont à peu près de -3 à 3, la même plage pour X1 et X2 que l'on trouve dans les données.
Enfin, étant donné que le lien que vous avez fourni les appelait "graphiques de dépendance partielle", vous souhaitez peut-être examiner les graphiques de levier fournis par JMP. Le diagramme de levier, bien que calculé d'une manière différente (et mon explication les explique d'une "mode non technique"), montre les relations entre la réponse et les entrées, après avoir ajusté l'impact des autres variables, juste comme un "complot de dépendance partielle" doit le faire. Je pense que cette image pourrait se rapprocher de ce que vous voulez.
Bien sûr.
Ceci est un exemple où vous pouvez voir la prédiction avec une superposition des distributions (il utilise des diagrammes de dépendance partielle, mais c'est quelque chose pour visualiser ce que le profileur peut faire).
https://www.researchgate.net/figure/Fig-B2-Noxious-model-Partial-dependence-plots-improvements-of-the-final-GBM-model-as_fig3_274911223
Je suis très curieux de voir ce que vous essayez de faire. Votre fichier image n'est pas parvenu, pourriez-vous éventuellement republier l'image ?
