JMP 中的特徵選擇你好
我知道在 JMP Pro 中進行特徵選擇（我對未來的提取不感興趣......）有廣義回歸模塊。 你知道JMP（標準版）中是否也有類似的模塊嗎？ 如果不是，哪種方法是與 JMP12/13 一起使用以減少預測變量數量以僅保留最重要的變量的最佳方法？
謝謝菲利斯
回复：JMP 中的特徵選擇JMP 將告訴您哪個變量最能代表集群。 它還將確定要使用的適當集群數量。
回复：JMP 中的特徵選擇喬丹
你的評論真的很受歡迎，而且很有幫助。 只是關於聚類的最後一個問題。
這將是一種類似於主成分分析的方法，但您無需查看加載圖以查看類似變量，而是 JMP 會自動為您聚類它們。 然後，您可以選擇最能代表集群的變量，甚至可以為集群創建“典型”變量。 這將幫助您避免經常看到帶有許多變量的“冗餘信息”。
一旦我有 n 個集群（關於如何選擇這個數字的大小的一些規則......）我如何確定每個集群最具代表性的變量？
謝謝。菲利斯
回复：JMP 中的特徵選擇
我對你的問題的回答是藍色的。
@FR60寫道：
喬丹
非常感謝你的味精。
我有一些意見要做......
您可以只使用逐步回歸（經典）。
它可以操縱超過 1K 的預測變量嗎？
是的。 如果您的機器上有內存來處理大問題。 我剛剛運行了一個包含 10,000 個觀察值和 2,000 個預測變量的簡單示例。 逐步工作正常。
您可以使用變量聚類。
您能否詳細介紹如何通過聚類選擇重要的預測變量？
這將是一種類似於主成分分析的方法，但您無需查看加載圖以查看類似變量，而是 JMP 會自動為您聚類它們。 然後，您可以選擇最能代表集群的變量，甚至可以為集群創建“典型”變量。 這將幫助您避免經常看到帶有許多變量的“冗餘信息”。
您可以使用分區。
通常在我們的 Fab 中，我們在刪除不重要的預測變量後使用它（讓我們考慮一下，通常我們有超過數千個預測變量並且我們的數據中有很多噪聲......）
有很多方法可以使用分區，但想想第一次拆分。 該方法需要確定哪個拆分包含最多的信息。 那是一個變量選擇。 您還可以使用 Dick DeVeaux 稱之為“搖樹”的技巧。 拆分很多次，然後查看變量的列貢獻以確定最重要的變量。 使用這個靈活平台的方法有很多！
您可以使用 PCR（主成分回歸）。
我們知道這一點，但我們會丟失有關預測變量含義的信息，然後我們寧願不使用它。
明白了。 由於這個原因，我不是 PCR 的忠實粉絲。 但是，通過僅查看重要主成分的變量負載，您可能會識別出重要的原始變量。 使用這些重要的原始變量開始構建您的模型。 沒有什麼說你必須堅持使用主要成分。
有基於圖的方法：正態圖、帕累托圖、貝葉斯圖。
我不知道如何用圖形進行特徵選擇。 對不起。
沒什麼好遺憾的。 這就是我們創建類的原因。 人們通常不知道這些工具。
現在正在創建一門名為“JMP 軟件：尋找重要預測器”的新課程，該課程使用 JMP 和 JMP Pro 解決了這個問題並涵蓋了這些技術。 這兩天的課程可能會在四月開始在客戶地點交付。
這是一個好消息。 我希望這也適用於意大利。 如果是肯定的，我會跟隨他們。
我們在美國 SAS 創建的所有課程也可供國際 SAS 辦事處使用。 如果他們沒有知道該主題的講師，他們可以從另一個具有該技能的地區請求一位講師。 只需向您當地的 SAS 辦公室諮詢培訓！
Rgds。菲利斯
我希望我的評論對您有所幫助。
擔
回复：JMP 中的特徵選擇喬丹
非常感謝你的味精。
我有一些意見要做......
您可以只使用逐步回歸（經典）。
它可以操縱超過 1K 的預測變量嗎？
您可以使用變量聚類。
您能否詳細介紹如何通過聚類選擇重要預測變量的技術？
您可以使用分區。
通常在我們的 Fab 中，我們在刪除不重要的預測變量後使用它（讓我們考慮一下，通常我們有超過數千個預測變量並且我們的數據中有很多噪聲......）
您可以使用 PCR（主成分回歸）。
我們知道這一點，但我們會丟失有關預測變量含義的信息，然後我們寧願不使用它。
有基於圖的方法：正態圖、帕累托圖、貝葉斯圖。
我不知道如何用圖形進行特徵選擇。 對不起。
現在正在創建一門名為“JMP 軟件：尋找重要預測器”的新課程，該課程使用 JMP 和 JMP Pro 解決了這個問題並涵蓋了這些技術。 從 4 月開始，這兩天的課程可能會在客戶地點提供。
這是一個好消息。 我希望這也適用於意大利。 如果是肯定的，我會跟隨他們。
Rgds。菲利斯
回复：JMP 中的特徵選擇偉大的
我用過。 非常好。
菲利斯
回复：JMP 中的特徵選擇除了上述同事的所有偉大建議之外，如果您的變量數量相對較少，我還會查看多元方法 -> 多元 -> 散點圖矩陣平台。 這將為您提供一個很好的成對相關矩陣，該矩陣可能存在於變量之間，這對於嘗試發現可能存在於預測變量集中的相關性非常有價值。 這些相關性不適用於某些回歸過程，例如普通最小二乘回歸（在 JMP 中稱為標準最小二乘）。 如果您採用標準最小二乘路徑，請務必檢查參數估計表中的方差膨脹因子，以了解可能存在的預測變量相關性的跡象。
回复：JMP 中的特徵選擇您從之前的回復中得到了一些不錯的選擇（其中一些我將重複），但還有其他的。
您可以只使用逐步回歸（經典）。 您可以使用所有子集回歸。 您可以使用變量聚類。 您可以使用分區。 您可以使用 PLS。 您可以使用 PCR（主成分回歸）。 有基於圖的方法：正態圖、帕累托圖、貝葉斯圖。 您可以使用預測篩選等。
現在正在創建一門名為“JMP 軟件：尋找重要預測器”的新課程，該課程使用 JMP 和 JMP Pro 解決了這個問題並涵蓋了這些技術。 從 4 月開始，這兩天的課程可能會在客戶地點提供。 它將在今年 10 月在聖路易斯舉行的 Discovery 會議上首次作為公共課程提供。
回复：JMP 中的特徵選擇嗨，菲利斯，
JMP 中也有一種稱為預測器篩選的東西。 這是有關該選項的鏈接。
http://www.jmp.com/support/help/13/Predictor_Screening.shtml
這有助於減少可能的預測變量的數量，並且在 JMP 中。
回复：JMP 中的特徵選擇你好菲利斯，
常規 JMP 中沒有廣義回歸本身。 不過，您確實有一些選擇。 如果您有高度相關的因素/輸入，您可以使用偏最小二乘法或主成分分析。 另一種選擇是使用分區分析/決策樹。 請務必使用保持集來檢查您構建的任何模型的預測能力。 對於分區分析，請查看頂部的紅色熱點下方並選擇 Column Contributions 以查看哪些因素最重要。
希望這可以幫助。
賬單
