JMP의 기능 선택안녕
기능 선택을 위한 JMP Pro(앞으로의 추출에는 관심이 없습니다...)에 일반화 회귀 모듈이 있다는 것을 알고 있습니다. 비슷한 모듈이 JMP(표준 버전)에도 있는지 알고 있습니까? JMP12/13과 함께 가장 중요한 것만 남겨두고 예측자의 수를 줄이는 가장 좋은 방법은 무엇입니까?
펠리체 감사합니다
Re: JMP에서 기능 선택JMP는 클러스터를 가장 잘 나타내는 변수를 알려줍니다. 또한 사용할 클러스터의 적절한 수를 결정합니다.
Re: JMP에서 기능 선택차오 단
귀하의 의견은 정말 환영받았고 도움이 되었습니다. 클러스터링에 대한 마지막 질문입니다.
이는 주성분 분석과 유사한 접근 방식이지만 유사한 변수를 보기 위해 로드 플롯을 보는 대신 JMP가 자동으로 클러스터링합니다. 그런 다음 클러스터를 가장 대표하는 변수를 선택하거나 클러스터에 대한 "전형적인" 변수를 생성할 수도 있습니다. 이렇게 하면 많은 변수에서 자주 볼 수 있는 "중복 정보"를 피할 수 있습니다.
n 클러스터가 있으면(이 숫자의 크기를 선택하는 방법에 대한 몇 가지 규칙..) 각 클러스터에 대해 가장 대표적인 변수를 식별하는 방법은 무엇입니까?
감사.펠리체
Re: JMP에서 기능 선택
귀하의 질문에 대한 내 답변은 파란색입니다.
@FR60 썼다:
차오 단
당신의 메시지에 대단히 감사합니다.
할말이 있어서 댓글을....
단계적 회귀(클래식)를 사용할 수 있습니다.
1K 이상의 예측 변수를 조작할 수 있습니까?
예. 컴퓨터에 큰 문제를 처리할 메모리가 있는 경우. 방금 10,000개의 관측값과 2,000개의 예측 변수가 있는 간단한 예제를 실행했습니다. Stepwise는 잘 작동했습니다.
변수 클러스터링을 사용할 수 있습니다.
클러스터링을 통해 중요한 예측 변수를 선택하는 방법에 대한 이 기술에 대해 자세히 알려주실 수 있습니까?
이는 주성분 분석과 유사한 접근 방식이지만 유사한 변수를 보기 위해 로드 플롯을 보는 대신 JMP가 자동으로 클러스터링합니다. 그런 다음 클러스터를 가장 대표하는 변수를 선택하거나 클러스터에 대한 "전형적인" 변수를 생성할 수도 있습니다. 이렇게 하면 많은 변수에서 자주 볼 수 있는 "중복 정보"를 피할 수 있습니다.
파티션을 사용할 수 있습니다.
팁으로 Fab에서는 중요하지 않은 예측 변수를 제거한 후 사용합니다(일반적으로 데이터에 수천 개 이상의 예측 변수와 많은 노이즈가 있다고 가정해 봅시다....)
Partition을 사용하는 방법에는 여러 가지가 있지만 첫 번째 분할을 생각해 보십시오. 접근 방식은 가장 많은 정보를 포함하는 분할을 결정해야 합니다. 변수 선택입니다. 또한 Dick DeVeaux가 "나무 흔들기"라고 부르는 속임수를 사용할 수도 있습니다. 여러 번 분할한 다음 가장 중요한 변수를 식별하기 위해 변수의 열 기여도를 살펴봅니다. 이 유연한 플랫폼을 사용하는 다양한 방법!
PCR(주성분 회귀)을 사용할 수 있습니다.
우리는 이것을 알고 있지만 예측자 의미에 대한 정보를 잃어버리고 사용하지 않는 것을 선호합니다.
이해했다. 나는 이런 이유로 PCR의 열렬한 팬이 아닙니다. 그러나 중요한 주성분에 대한 변수의 로딩만 보면 중요한 원래 변수를 식별할 수 있습니다. 중요한 원래 변수를 사용하여 모델 구축을 시작하십시오. 주요 구성 요소를 고수해야 한다는 내용은 없습니다.
그래프 기반 방법이 있습니다: 노멀 플롯, 파레토 플롯, 베이즈 플롯.
그래프로 기능 선택을 수행하는 방법을 모르겠습니다. 죄송합니다.
죄송합니다. 그것이 우리가 클래스를 만드는 이유입니다. 사람들은 종종 이러한 도구를 인식하지 못합니다.
JMP와 JMP Pro를 모두 사용하여 이 문제를 해결하고 이러한 기술을 다루는 "JMP 소프트웨어: 중요한 예측 변수 찾기"라는 새로운 과정이 현재 생성 중입니다. 이 2일 수업은 4월부터 고객 위치에서 배송될 가능성이 높습니다.
이것은 좋은 소식입니다. 이탈리아에서도 사용할 수 있기를 바랍니다. 만약 그렇다면 나는 그들을 따를 것이다.
미국 SAS에서 만드는 모든 수업은 국제 SAS 사무실에서도 사용할 수 있습니다. 주제를 아는 강사가 없는 경우 스킬 세트가 있는 다른 지역에서 강사를 요청할 수 있습니다. 지역 SAS 사무실에 교육을 요청하십시오!
판독기펠리체
제 의견이 도움이 되었기를 바랍니다.
단
Re: JMP에서 기능 선택차오 단
당신의 메시지에 대단히 감사합니다.
할말이 있어서 댓글을....
단계적 회귀(클래식)를 사용할 수 있습니다.
1K 이상의 예측 변수를 조작할 수 있습니까?
변수 클러스터링을 사용할 수 있습니다.
클러스터링을 통해 중요한 예측 변수를 선택하는 방법에 대한 이 기법에 대해 자세히 알려주실 수 있습니까?
파티션을 사용할 수 있습니다.
팁으로 Fab에서는 중요하지 않은 예측 변수를 제거한 후 사용합니다(일반적으로 데이터에 수천 개 이상의 예측 변수와 많은 노이즈가 있다고 가정해 보겠습니다....)
PCR(주성분 회귀)을 사용할 수 있습니다.
우리는 이것을 알고 있지만 예측자 의미에 대한 정보를 잃어버리고 사용하지 않는 것을 선호합니다.
그래프 기반 방법이 있습니다: 노멀 플롯, 파레토 플롯, 베이즈 플롯.
그래프로 기능 선택을 수행하는 방법을 모르겠습니다. 죄송합니다.
JMP와 JMP Pro를 모두 사용하여 이 문제를 해결하고 이러한 기술을 다루는 "JMP 소프트웨어: 중요한 예측 변수 찾기"라는 새로운 과정이 현재 생성 중입니다. 이 2일 수업은 4월부터 고객 위치에서 배송될 가능성이 높습니다.
이것은 좋은 소식입니다. 이탈리아에서도 사용할 수 있기를 바랍니다. 만약 그렇다면 나는 그들을 따를 것이다.
판독기펠리체
Re: JMP에서 기능 선택엄청난
나는 그것을 사용했다. 아주 좋아.
펠리체
Re: JMP에서 기능 선택위 동료의 모든 훌륭한 제안 외에도 상대적으로 적은 수의 변수가 있는 경우 다변수 방법 -> 다변수 -> 산점도 행렬 플랫폼도 살펴보겠습니다. 이렇게 하면 변수 간에 존재할 수 있는 쌍별 상관 관계의 멋진 행렬이 제공되며 이는 예측 변수 세트 내에 존재할 수 있는 상관 관계를 발견하는 데 유용할 수 있습니다. 이러한 상관 관계는 일반 최소 제곱 회귀(JMP에서는 표준 최소 제곱이라고 함)와 같은 일부 회귀 절차에서는 제대로 작동하지 않습니다. 표준 최소 자승 경로를 따라가는 경우 매개변수 추정 테이블의 분산 인플레이션 요인에서 존재할 수 있는 예측 변수 상관 표시를 확인해야 합니다.
Re: JMP에서 기능 선택이전 응답에서 좋은 선택을 얻었지만(일부는 반복하겠습니다), 다른 응답도 있습니다.
단계적 회귀(클래식)를 사용할 수 있습니다. All-Subsets 회귀를 사용할 수 있습니다. 변수 클러스터링을 사용할 수 있습니다. 파티션을 사용할 수 있습니다. PLS를 사용할 수 있습니다. PCR(주성분 회귀)을 사용할 수 있습니다. 그래프 기반 방법이 있습니다: 노멀 플롯, 파레토 플롯, 베이즈 플롯. 예측자 선별 등을 사용할 수 있습니다.
JMP와 JMP Pro를 모두 사용하여 이 문제를 해결하고 이러한 기술을 다루는 "JMP 소프트웨어: 중요한 예측 변수 찾기"라는 새로운 과정이 현재 생성 중입니다. 이 2일 수업은 4월부터 고객 위치에서 배송될 가능성이 높습니다. 올 10월 세인트루이스에서 열리는 디스커버리 컨퍼런스에서 처음으로 공개 수업으로 제공될 예정이다.
Re: JMP에서 기능 선택안녕하세요 펠리체입니다.
JMP에도 Predictor Screening이라는 것이 있습니다. 다음은 해당 옵션에 대한 링크입니다.
http://www.jmp.com/support/help/13/Predictor_Screening.shtml
이는 가능한 예측 변수의 수를 줄이는 데 도움이 될 수 있으며 JMP에 있습니다.
Re: JMP에서 기능 선택안녕하세요 펠리체입니다.
일반 JMP에는 일반화된 회귀가 없습니다. 그래도 몇 가지 옵션이 있습니다. 상관관계가 높은 요인/입력이 있는 경우 부분 최소 제곱 또는 주성분 분석을 사용할 수 있습니다. 또 다른 옵션은 파티션 분석/의사결정 트리를 사용하는 것입니다. 구축한 모델의 예측 기능을 확인하려면 홀드아웃 세트를 사용해야 합니다. 파티션 분석의 경우 상단의 빨간색 핫스팟 아래를 살펴보고 열 기여를 선택하여 가장 중요한 요소를 확인하십시오.
도움이 되었기를 바랍니다.
계산서
