JMP의 특징 선택안녕
저는 JMP Pro에 특징 선택을 위해(향후 추출에는 관심이 없습니다...) 일반화 회귀 모듈이 있다는 것을 알고 있습니다. JMP(표준 버전)에도 비슷한 모듈이 있는지 알고 계시나요? 그렇지 않다면 JMP12/13과 함께 사용하여 가장 중요한 예측 변수만 남기도록 예측 변수 수를 줄이는 가장 좋은 방법은 무엇입니까?
고마워요 펠리스
Re: JMP에서 특징 선택JMP는 어떤 변수가 클러스터를 가장 잘 대표하는지 알려줍니다. 또한 사용할 적절한 클러스터 수를 결정합니다.
Re: JMP에서 특징 선택차오 단
귀하의 의견은 정말 환영받았고 도움이 되었습니다. 클러스터링에 대한 마지막 질문입니다.
이는 주성분 분석과 유사한 접근 방식이지만 유사한 변수를 확인하기 위해 로딩 도표를 보는 대신 JMP가 자동으로 이들을 클러스터링합니다. 그런 다음 클러스터를 가장 잘 나타내는 변수를 선택하거나 클러스터에 대한 "일반적인" 변수를 생성할 수도 있습니다. 이렇게 하면 많은 변수에서 자주 볼 수 있는 "중복 정보"를 피하는 데 도움이 됩니다.
n개의 클러스터(이 숫자의 크기를 선택하는 방법에 대한 일부 규칙 ..)가 있으면 각 클러스터의 가장 대표적인 변수를 어떻게 식별할 수 있습니까?
감사해요.펠리체
Re: JMP에서 특징 선택
귀하의 질문에 대한 제 답변은 파란색입니다.
@FR60 썼다:
차오 단
귀하의 메시지에 진심으로 감사드립니다.
댓글 할게 있어서요....
단계적 회귀(클래식)를 사용할 수 있습니다.
1K개 이상의 예측변수를 조작할 수 있나요?
예. 큰 문제를 처리할 수 있는 메모리가 컴퓨터에 있는 경우. 방금 10,000개의 관찰과 2,000개의 예측 변수를 사용하여 간단한 예를 실행했습니다. 단계별로 잘 작동했습니다.
변수 클러스터링을 사용할 수 있습니다.
클러스터링을 통해 중요한 예측 변수를 선택하는 방법에 대한 이 기술에 대해 더 자세히 알려주실 수 있나요?
이는 주성분 분석과 유사한 접근 방식이지만 유사한 변수를 확인하기 위해 로딩 도표를 보는 대신 JMP가 자동으로 이들을 클러스터링합니다. 그런 다음 클러스터를 가장 잘 나타내는 변수를 선택하거나 클러스터에 대한 "일반적인" 변수를 생성할 수도 있습니다. 이렇게 하면 많은 변수에서 자주 볼 수 있는 "중복 정보"를 피하는 데 도움이 됩니다.
파티션을 사용할 수 있습니다.
우리 Fab에서는 중요하지 않은 예측 변수를 제거한 후 이를 사용합니다(일반적으로 수천 개가 넘는 예측 변수가 있고 데이터에 많은 노이즈가 있다는 점을 고려해 보겠습니다....)
파티션을 사용하는 방법에는 여러 가지가 있지만 첫 번째 분할을 생각해 보십시오. 접근 방식에서는 어떤 분할에 가장 많은 정보가 포함되어 있는지 확인해야 합니다. 그것은 변수 선택입니다. Dick DeVeaux가 "나무 흔들기"라고 부르는 트릭을 사용할 수도 있습니다. 여러 번 분할한 다음 변수의 열 기여도를 살펴보고 가장 중요한 변수를 식별합니다. 이 유연한 플랫폼을 사용하는 방법은 매우 다양합니다!
PCR(주성분 회귀)을 사용할 수 있습니다.
우리는 이것을 알고 있지만 예측 변수의 의미에 대한 정보를 잃어버리므로 사용하지 않는 것을 선호합니다.
이해했다. 이런 이유로 나는 PCR의 열렬한 팬이 아닙니다. 그러나 중요한 주성분에 대한 변수의 로딩만 살펴보면 중요한 원래 변수를 식별할 수 있습니다. 중요한 원래 변수를 사용하여 모델 구축을 시작하세요. 주요 구성 요소를 고수해야 한다고 말하는 것은 없습니다.
그래프 기반 방법에는 정규 도표, 파레토 도표, 베이즈 도표가 있습니다.
그래프로 기능 선택을 수행하는 방법을 모르겠습니다. 죄송합니다.
죄송할 일은 없습니다. 이것이 우리가 클래스를 만드는 이유입니다. 사람들은 종종 이러한 도구를 인식하지 못합니다.
JMP와 JMP Pro를 모두 사용하여 이 문제를 다루고 이러한 기술을 다루는 "JMP 소프트웨어: 중요한 예측 변수 찾기"라는 새로운 과정이 현재 개설 중입니다. 이 2일 수업은 4월부터 고객 위치로 배송될 예정입니다.
이것은 좋은 소식입니다. 이탈리아에서도 사용할 수 있기를 바랍니다. 그렇다면 나는 그들을 따라갈 것입니다.
우리가 미국 SAS에서 만든 모든 수업은 해외 SAS 지사에서도 사용할 수 있습니다. 해당 주제를 아는 강사가 없으면 해당 기술을 갖춘 다른 지역에 강사를 요청할 수 있습니다. 지역 SAS 사무소에 교육을 요청하세요!
Rgds.펠리체
제 의견이 도움이 되었기를 바랍니다.
단
Re: JMP에서 특징 선택차오 단
귀하의 메시지에 진심으로 감사드립니다.
댓글 할게 있어서요....
단계적 회귀(클래식)를 사용할 수 있습니다.
1K개 이상의 예측변수를 조작할 수 있나요?
변수 클러스터링을 사용할 수 있습니다.
클러스터링을 통해 중요한 예측 변수를 선택하는 방법에 대한 이 기술에 대해 더 자세히 알려주실 수 있나요?
파티션을 사용할 수 있습니다.
우리 Fab에서는 중요하지 않은 예측 변수를 제거한 후 이를 사용합니다(일반적으로 수천 개 이상의 예측 변수가 있고 데이터에 많은 잡음이 있다는 점을 고려해 보겠습니다....)
PCR(주성분 회귀)을 사용할 수 있습니다.
우리는 이것을 알고 있지만 예측 변수의 의미에 대한 정보를 잃어버리므로 사용하지 않는 것을 선호합니다.
그래프 기반 방법에는 정규 도표, 파레토 도표, 베이즈 도표가 있습니다.
그래프로 기능 선택을 수행하는 방법을 모르겠습니다. 죄송합니다.
JMP와 JMP Pro를 모두 사용하여 이 문제를 다루고 이러한 기술을 다루는 "JMP 소프트웨어: 중요한 예측 변수 찾기"라는 새로운 과정이 현재 개설 중입니다. 이 2일 수업은 4월부터 고객 위치로 배송될 예정입니다.
이것은 좋은 소식입니다. 이탈리아에서도 사용할 수 있기를 바랍니다. 그렇다면 나는 그들을 따라갈 것입니다.
Rgds.펠리체
Re: JMP에서 특징 선택엄청난
나는 그것을 사용했다. 아주 좋아요.
펠리체
Re: JMP에서 특징 선택위의 동료들이 제안한 모든 훌륭한 제안 외에도 비교적 적은 수의 변수가 있는 경우 다변량 방법 -> 다변량 -> 산점도 행렬 플랫폼도 살펴보겠습니다. 이는 변수 사이에 존재할 수 있는 쌍별 상관관계의 멋진 매트릭스를 제공하며 예측자 세트 내에 존재할 수 있는 상관관계를 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 제곱 경로를 따르는 경우 존재할 수 있는 예측 변수 상관 관계를 나타내는 모수 추정 표의 분산 팽창 요인을 확인하십시오.
Re: JMP에서 특징 선택이전 응답에서 몇 가지 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 방법에는 정규 도표, 파레토 도표, 베이즈 도표가 있습니다. 예측자 선별 등을 사용할 수 있습니다.
JMP와 JMP Pro를 모두 사용하여 이 문제를 다루고 이러한 기술을 다루는 "JMP 소프트웨어: 중요한 예측 변수 찾기"라는 새로운 과정이 현재 개설 중입니다. 이 2일 수업은 4월부터 고객 위치로 배송될 예정입니다. 이번 10월 세인트루이스에서 열리는 Discovery 컨퍼런스에서 처음으로 공개 강좌로 제공될 예정입니다.
Re: JMP에서 특징 선택안녕하세요 펠리체,
JMP에도 Predictor Screening이라는 것이 있습니다. 해당 옵션에 대한 링크는 다음과 같습니다.
http://www.jmp.com/support/help/13/Predictor_Screening.shtml
이는 가능한 예측 변수의 수를 줄이는 데 도움이 되며 JMP에 있습니다.
Re: JMP에서 특징 선택안녕하세요 펠리스님,
일반 JMP에는 일반화 회귀 자체가 없습니다. 하지만 몇 가지 옵션이 있습니다. 상관 관계가 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 기여도를 선택하여 가장 중요한 요소를 확인하세요.
도움이 되었기를 바랍니다.
청구서
