이 추가 기능은 자동 상관 또는 순차적 행에 영향을 미치는 노이즈를 포함한 기타 요인으로 인해 행 간의 상관 관계를 포함할 수 있는 데이터에 대한 유효성 검사 열을 만드는 데 도움이 됩니다. 데이터는 행별로 그룹화되고 그룹은 훈련 또는 검증에 할당됩니다. 그룹화 및 절단점 유효성 검사를 함께 사용하는 옵션도 있으므로 유효성 검사 그룹은 마지막 행이 테스트 세트에 있는 동안 시간에 걸쳐 분산됩니다. 표준 검증 플랫폼을 사용하는 것보다 연속 프로세스 데이터를 분석할 때 더 유용할 수 있는 기본 권장 사항이 사용자에게 제공됩니다. 대상 변수가 선택되면 사용자가 훈련/검증 분할을 시각화하는 데 도움이 되는 그래프가 표시됩니다.
이것은 JMP Pro 버전 16으로 생성되었습니다.JMP의 표준 또는 이전 버전에서는 아직 테스트되지 않았습니다.
이 프로젝트 찾기 깃허브 , 문제를 제출하거나 거기에 요청을 가져오십시오.
동기 부여
기본적으로 검증 플랫폼은 무작위로 개별적으로 훈련 및 검증에 행을 할당합니다. 행이 독립적인 경우 이상적이지만 행이 이전 행에 의존하는 경우 훈련 세트의 정보가 기본적으로 모델을 검증하고 테스트하는 데 사용되기 때문에 이 분할은 모델의 예측력에 대한 비현실적인 기대로 이어집니다.시계열에서 이것은 일반적으로 컷포인트 유효성 검사를 사용하여 해결됩니다. @ian_jmp 그리고 @줄리안 이를 위해 훌륭한 애드인을 개발했습니다. 시계열 검증 열 생성 .그러나 최신 행을 사용하는 많은 탐색 모델의 경우, 특히 최근 변경 사항으로 인해 분석이 필요한 경우에는 최선의 접근 방식이 아닙니다.훈련 세트 내에서 행 그룹을 선택하면 최신 데이터를 모델에서 계속 사용할 수 있는 가능성이 높아지면서 훈련 그룹과 검증 그룹 모두에 개별 노이즈 소스가 존재할 가능성이 최소화됩니다.
대안
행 간의 상관 관계가 있는 데이터를 분석하는 다른 두 가지 방법은 상황에 따라 더 좋지만 항상 가능한 것은 아닙니다.
- 데이터 테이블을 완전히 독립적인 행으로 축소하여 한 행이 이전 행과 상관될 가능성을 제거합니다.때로는 각 열을 독립적인 행으로 효과적으로 요약하는 것이 까다롭거나 시간이 많이 걸립니다.예를 들어, 사용자가 프로세스 시작 시 2일 체류 시간의 한 변수에서 15분 이벤트가 목표에 영향을 미친다는 것을 아직 알지 못한다면 사용자는 2일 이상에 걸쳐 해당 변수를 요약하는 방법을 모를 수 있습니다. 독립적인 행을 얻으려면
- 자기 상관을 모델링하거나 예측합니다. 시계열 플랫폼은 시작하기에 좋은 장소이며, 다변수 모델에 일련의 지연 변수를 포함하면 프로세스에 대한 많은 추가 통찰력을 제공할 수 있습니다.수백 개의 변수가 있는 복잡한 프로세스의 경우 이는 시간이 많이 걸리고 복잡하며 신규 사용자의 기술 범위를 넘어서는 경향이 있습니다.
사용자 인터페이스
해당되는 경우 사용자가 대상 변수를 선택합니다. 기본적으로 이들 중 첫 번째는 계층화에 사용되지만 그룹 및 테이블 크기에 따라 분할에 항상 영향을 미치는 것은 아닙니다.기본 유효성 검사 유형은 그룹화이며 권장 그룹 크기가 표시됩니다.
사용자가 적절한 그룹 크기를 식별하는 데 도움이 되도록 대상 변수에 대한 일부 정보가 표시됩니다.
'Under the Hood' 세부정보
권장 그룹 크기는 각 대상 변수의 시계열 분석을 기반으로 합니다.플랫폼은 다음 여러 행의 자기 상관이 0.1보다 작은 지연 시간을 선택한 다음 작은 테이블에서 최소 그룹 수를 보장하고 큰 테이블에서 그룹 크기를 늘립니다.
피드백
우리는 이 사용자 인터페이스 및 이 문제를 해결하기 위한 다른 방법과 관련된 제안과 아이디어를 찾고 있습니다. 철학적 토론을 위해 자유롭게 새 게시물을 작성하십시오. 논의 포럼 및 태그 @ih 그리고 @DrewLuebe 우리의 주의를 끌기 위해 토론의 여지를 많이 줄 것입니다.
