JMP 中的特征选择你好
我知道在 JMP Pro 中进行特征选择（我对未来的提取不感兴趣......）有广义回归模块。 你知道JMP（标准版）中是否也有类似的模块吗？ 如果不是，哪种方法是与 JMP12/13 一起使用以减少预测变量数量以仅保留最重要的变量的最佳方法？
谢谢菲利斯
回复：JMP 中的特征选择JMP 将告诉您哪个变量最能代表集群。 它还将确定要使用的适当集群数量。
回复：JMP 中的特征选择乔丹
你的评论真的很受欢迎，而且很有帮助。 只是关于聚类的最后一个问题。
这将是一种类似于主成分分析的方法，但您无需查看加载图以查看类似变量，而是 JMP 会自动为您聚类它们。 然后，您可以选择最能代表集群的变量，甚至可以为集群创建“典型”变量。 这将帮助您避免经常看到带有许多变量的“冗余信息”。
一旦我有 n 个集群（关于如何选择这个数字的大小的一些规则......）我如何确定每个集群最具代表性的变量？
谢谢。菲利斯
回复：JMP 中的特征选择
我对你的问题的回答是蓝色的。
@FR60写道：
乔丹
非常感谢你的味精。
我有一些意见要做......
您可以只使用逐步回归（经典）。
它可以操纵超过 1K 的预测变量吗？
是的。 如果您的机器上有内存来处理大问题。 我刚刚运行了一个包含 10,000 个观察值和 2,000 个预测变量的简单示例。 逐步工作正常。
您可以使用变量聚类。
您能否详细介绍如何通过聚类选择重要的预测变量？
这将是一种类似于主成分分析的方法，但您无需查看加载图以查看类似变量，而是 JMP 会自动为您聚类它们。 然后，您可以选择最能代表集群的变量，甚至可以为集群创建“典型”变量。 这将帮助您避免经常看到带有许多变量的“冗余信息”。
您可以使用分区。
通常在我们的 Fab 中，我们在删除不重要的预测变量后使用它（让我们考虑一下，通常我们有超过数千个预测变量并且我们的数据中有很多噪声......）
有很多方法可以使用分区，但想想第一次拆分。 该方法需要确定哪个拆分包含最多的信息。 那是一个变量选择。 您还可以使用 Dick DeVeaux 称之为“摇树”的技巧。 拆分很多次，然后查看变量的列贡献以确定最重要的变量。 使用这个灵活平台的方法有很多！
您可以使用 PCR（主成分回归）。
我们知道这一点，但我们会丢失有关预测变量含义的信息，然后我们宁愿不使用它。
明白了。 由于这个原因，我不是 PCR 的忠实粉丝。 但是，通过仅查看重要主成分的变量负载，您可能会识别出重要的原始变量。 使用这些重要的原始变量开始构建您的模型。 没有什么说你必须坚持使用主要成分。
有基于图的方法：正态图、帕累托图、贝叶斯图。
我不知道如何用图形进行特征选择。 对不起。
没什么好遗憾的。 这就是我们创建类的原因。 人们通常不知道这些工具。
现在正在创建一门名为“JMP 软件：寻找重要预测器”的新课程，该课程使用 JMP 和 JMP Pro 解决了这个问题并涵盖了这些技术。 这两天的课程可能会在四月开始在客户地点交付。
这是一个好消息。 我希望这也适用于意大利。 如果是肯定的，我会跟随他们。
我们在美国 SAS 创建的所有课程也可供国际 SAS 办事处使用。 如果他们没有了解该主题的讲师，他们可以从另一个具有该技能的地区请求一位讲师。 只需向您当地的 SAS 办公室咨询培训！
Rgds。菲利斯
我希望我的评论对您有所帮助。
担
回复：JMP 中的特征选择乔丹
非常感谢你的味精。
我有一些意见要做......
您可以只使用逐步回归（经典）。
它可以操纵超过 1K 的预测变量吗？
您可以使用变量聚类。
您能否详细介绍如何通过聚类选择重要预测变量的技术？
您可以使用分区。
通常在我们的 Fab 中，我们在删除不重要的预测变量后使用它（让我们考虑一下，通常我们有超过数千个预测变量并且我们的数据中有很多噪声......）
您可以使用 PCR（主成分回归）。
我们知道这一点，但我们会丢失有关预测变量含义的信息，然后我们宁愿不使用它。
有基于图的方法：正态图、帕累托图、贝叶斯图。
我不知道如何用图形进行特征选择。 对不起。
现在正在创建一门名为“JMP 软件：寻找重要预测器”的新课程，该课程使用 JMP 和 JMP Pro 解决了这个问题并涵盖了这些技术。 从 4 月开始，这两天的课程可能会在客户地点提供。
这是一个好消息。 我希望这也适用于意大利。 如果是肯定的，我会跟随他们。
Rgds。菲利斯
回复：JMP 中的特征选择伟大的
我用过。 非常好。
菲利斯
回复：JMP 中的特征选择除了上述同事的所有伟大建议之外，如果您的变量数量相对较少，我还会查看多元方法 -> 多元 -> 散点图矩阵平台。 这将为您提供一个很好的成对相关矩阵，该矩阵可能存在于变量之间，这对于尝试发现可能存在于预测变量集中的相关性非常有价值。 这些相关性不适用于某些回归过程，例如普通最小二乘回归（在 JMP 中称为标准最小二乘）。 如果您采用标准最小二乘路径，请务必检查参数估计表中的方差膨胀因子，以了解可能存在的预测变量相关性的迹象。
回复：JMP 中的特征选择您从之前的回复中得到了一些不错的选择（其中一些我将重复），但还有其他的。
您可以只使用逐步回归（经典）。 您可以使用所有子集回归。 您可以使用变量聚类。 您可以使用分区。 您可以使用 PLS。 您可以使用 PCR（主成分回归）。 有基于图的方法：正态图、帕累托图、贝叶斯图。 您可以使用预测筛选等。
现在正在创建一门名为“JMP 软件：寻找重要预测器”的新课程，该课程使用 JMP 和 JMP Pro 解决了这个问题并涵盖了这些技术。 从 4 月开始，这两天的课程可能会在客户地点提供。 它将在今年 10 月在圣路易斯举行的 Discovery 会议上首次作为公共课程提供。
回复：JMP 中的特征选择嗨，菲利斯，
JMP 中也有一种称为预测器筛选的东西。 这是有关该选项的链接。
http://www.jmp.com/support/help/13/Predictor_Screening.shtml
这有助于减少可能的预测变量的数量，并且在 JMP 中。
回复：JMP 中的特征选择你好菲利斯，
常规 JMP 中没有广义回归本身。 不过，您确实有一些选择。 如果您有高度相关的因素/输入，您可以使用偏最小二乘法或主成分分析。 另一种选择是使用分区分析/决策树。 请务必使用保持集来检查您构建的任何模型的预测能力。 对于分区分析，请查看顶部的红色热点并选择 Column Contributions 以查看哪些因素最重要。
希望这可以帮助。
账单
