Selección de funciones en JMPHola
Sé que en JMP Pro para la selección de funciones (no estoy interesado en una extracción futura...) existe el módulo de regresión generalizada. ¿Sabe si también hay un módulo similar en JMP (versión estándar)? Si no, ¿cuál es el mejor método a utilizar con JMP12/13 para reducir el número de predictores y dejar solo los más importantes?
gracias felicia
Re: Selección de funciones en JMPJMP le dirá qué variable es más representativa del clúster. También determinará la cantidad adecuada de clústeres a utilizar.
Re: Selección de funciones en JMPCiao Dan
Sus comentarios fueron realmente bienvenidos y más que útiles. Última pregunta sobre la agrupación.
Este sería un enfoque similar al análisis de componentes principales, pero en lugar de tener que cargar gráficos para ver variables similares, JMP las agrupará automáticamente. Luego puede elegir la variable que sea más representativa del clúster o incluso crear la variable "típica" para el clúster. Esto le ayudará a evitar la "información redundante" que suele ver con muchas variables.
Una vez que tengo n grupos (alguna regla sobre cómo elegir el tamaño de este número...), ¿cómo puedo identificar la variable más representativa para cada grupo?
Gracias.Felice
Re: Selección de funciones en JMP
Mis respuestas a tus preguntas están en azul.
@FR60 escribió:
Ciao Dan
muchas gracias por tu msj.
Tengo un comentario que hacer....
Podrías usar la regresión por pasos (un clásico).
¿Puede manipular más de 1.000 predictores?
Sí. Si tiene la memoria en su máquina para manejar problemas grandes. Acabo de ejecutar un ejemplo sencillo con 10.000 observaciones y 2.000 predictores. Paso a paso funcionó bien.
Podría utilizar agrupación de variables.
¿Puede darme más detalles sobre esta técnica sobre cómo elegir predictores importantes mediante la agrupación?
Este sería un enfoque similar al análisis de componentes principales, pero en lugar de tener que cargar gráficos para ver variables similares, JMP las agrupará automáticamente. Luego puede elegir la variable que sea más representativa del clúster o incluso crear la variable "típica" para el clúster. Esto le ayudará a evitar la "información redundante" que suele ver con muchas variables.
Podrías usar Partición.
Normalmente en nuestra Fab lo usamos después de eliminar predictores no importantes (consideremos que generalmente tenemos más de miles de predictores y mucho ruido en nuestros datos...)
Hay muchas formas de utilizar la partición, pero piense en esa primera división. El enfoque necesita determinar qué división contiene la mayor cantidad de información. Esa es una selección variable. También puedes utilizar un truco que Dick DeVeaux llama "sacudir el árbol". Divida muchas, muchas veces y luego observe las contribuciones de las columnas de las variables para identificar las más importantes. ¡Tantas formas de utilizar esta plataforma flexible!
Podría utilizar PCR (regresión de componentes principales).
Lo sabemos, pero perdemos información sobre el significado del predictor y entonces preferimos no usarlo.
Comprendido. Por este motivo no soy un gran admirador de la PCR. Sin embargo, al observar las cargas de las variables sólo para los componentes principales significativos, es posible identificar las variables originales que son importantes. Utilice esas importantes variables originales para comenzar a construir su modelo. No hay nada que diga que debas ceñirte a los componentes principales.
Existen métodos basados en gráficos: diagramas normales, diagramas de Pareto, diagramas de Bayes.
No sé cómo seleccionar funciones con un gráfico. Lo siento.
No hay nada de qué lamentarse. Por eso estamos creando la clase. A menudo la gente desconoce estas herramientas.
Actualmente se está creando un nuevo curso llamado "Software JMP: búsqueda de predictores importantes" que aborda este problema y cubre estas técnicas, utilizando tanto JMP como JMP Pro. Esta clase de dos días probablemente estará disponible para entrega en las ubicaciones de los clientes a partir de abril.
Esta es una gran noticia. Espero que también esté disponible para Italia. Si es así, seguro que los seguiré.
Todas las clases que creamos en SAS en EE. UU. también están disponibles para las oficinas internacionales de SAS. Si no tienen un instructor que conozca el tema, pueden solicitar uno de otra región que sí tenga las habilidades. ¡Pregunte a su oficina local de SAS por la capacitación!
Rgds.Felice
Espero que mis comentarios hayan sido útiles.
Dan
Re: Selección de funciones en JMPCiao Dan
muchas gracias por tu msj.
Tengo un comentario que hacer....
Podrías usar la regresión por pasos (un clásico).
¿Puede manipular más de 1.000 predictores?
Podría utilizar agrupación de variables.
¿Puede darme más detalles sobre esta técnica sobre cómo elegir predictores importantes mediante la agrupación?
Podrías usar Partición.
Normalmente en nuestra Fab lo usamos después de eliminar predictores no importantes (consideremos que generalmente tenemos más de miles de predictores y mucho ruido en nuestros datos...)
Podría utilizar PCR (regresión de componentes principales).
Lo sabemos, pero perdemos información sobre el significado del predictor y entonces preferimos no usarlo.
Existen métodos basados en gráficos: diagramas normales, diagramas de Pareto, diagramas de Bayes.
No sé cómo seleccionar funciones con un gráfico. Lo siento.
Actualmente se está creando un nuevo curso llamado "Software JMP: búsqueda de predictores importantes" que aborda este problema y cubre estas técnicas, utilizando tanto JMP como JMP Pro. Esta clase de dos días probablemente estará disponible para entrega en las ubicaciones de los clientes a partir de abril.
Esta es una gran noticia. Espero que también esté disponible para Italia. Si es así, seguro que los seguiré.
Rgds.Felice
Re: Selección de funciones en JMPExcelente
Lo usé. Muy lindo.
Felice
Re: Selección de funciones en JMPAdemás de todas las excelentes sugerencias de mis colegas anteriores, si tiene una cantidad relativamente pequeña de variables, también miraría la plataforma Métodos multivariados -> Multivariado -> Matriz de diagrama de dispersión. Esto le dará una buena matriz de correlaciones por pares que pueden existir entre las variables y esto puede ser valioso para tratar de descubrir correlaciones que puedan existir dentro del conjunto de predictores. Estas correlaciones no funcionan bien con algunos procedimientos de regresión, como la regresión de mínimos cuadrados ordinaria (llamada Mínimos Cuadrados Estándar en JMP). Si sigue el camino estándar de mínimos cuadrados, asegúrese de verificar los factores de inflación de la varianza en la tabla de estimaciones de parámetros para obtener indicaciones de las correlaciones predictivas que puedan estar presentes.
Re: Selección de funciones en JMPObtuviste algunas buenas opciones en las respuestas anteriores (algunas de las cuales repetiré), pero hay otras.
Podrías usar la regresión por pasos (un clásico). Podrías utilizar la regresión de todos los subconjuntos. Podría utilizar agrupación de variables. Podrías usar Partición. Podrías usar PLS. Podría utilizar PCR (regresión de componentes principales). Existen métodos basados en gráficos: diagramas normales, diagramas de Pareto, diagramas de Bayes. Podría utilizar la detección de predictores, etc.
Actualmente se está creando un nuevo curso llamado "Software JMP: búsqueda de predictores importantes" que aborda este problema y cubre estas técnicas, utilizando tanto JMP como JMP Pro. Esta clase de dos días probablemente estará disponible para entrega en las ubicaciones de los clientes a partir de abril. Se ofrecerá como clase pública por primera vez en la conferencia Discovery este octubre en St. Louis.
Re: Selección de funciones en JMPHola Felice,
También hay algo llamado Predictor Screening en JMP. Aquí hay un enlace sobre esa opción.
http://www.jmp.com/support/help/13/Predictor_Screening.shtml
Eso puede ayudar a reducir la cantidad de posibles predictores y está en JMP.
Re: Selección de funciones en JMPHola Felice,
No existe una regresión generalizada per se en JMP normal. Sin embargo, tienes algunas opciones. Si tiene factores/entradas altamente correlacionados, puede utilizar mínimos cuadrados parciales o análisis de componentes principales. Otra opción sería utilizar análisis de particiones/árboles de decisión. Asegúrese de utilizar un conjunto de reservas para comprobar la capacidad predictiva de cualquier modelo que cree. Para el análisis de particiones, mire debajo del punto rojo en la parte superior y seleccione Contribuciones de columna para ver qué factores son más importantes.
Espero que esto ayude.
Factura
