이 추가 기능은 자동 상관 또는 순차 행에 영향을 미치는 노이즈를 비롯한 기타 요인으로 인해 행 간의 상관 관계를 포함할 수 있는 데이터에 대한 유효성 검사 열을 만드는 데 도움이 됩니다. 데이터는 행별로 그룹화된 다음 그룹이 교육 또는 검증에 할당됩니다. 또한 그룹화 및 컷포인트 유효성 검사를 함께 사용하는 옵션이 있으므로 유효성 검사 그룹은 마지막 행이 테스트 세트에 있는 동안 시간에 따라 분산됩니다. 표준 검증 플랫폼을 사용하는 것보다 연속 공정 데이터를 분석할 때 더 유용할 가능성이 있는 기본 권장 사항이 사용자에게 제공됩니다. 대상 변수를 선택하면 사용자가 교육/검증 분할을 시각화하는 데 도움이 되는 그래프가 표시됩니다.
이것은 JMP Pro 버전 16 및 17에서 생성되었습니다.표준 또는 이전 버전의 JMP에서는 테스트되지 않았습니다.
에서 이 프로젝트 찾기 GitHub , 자유롭게 문제를 제출하거나 요청을 풀 수 있습니다.
동기 부여
기본적으로 유효성 검사 플랫폼은 학습 및 유효성 검사에 무작위로 개별적으로 행을 할당합니다. 행이 독립적일 때 이것이 이상적이지만, 행이 이전 행에 의존하는 경우 훈련 세트의 정보가 기본적으로 모델을 검증하고 테스트하는 데 사용되기 때문에 이 분할은 모델의 예측 능력에 대한 비현실적인 기대로 이어질 것입니다.시계열에서 이것은 일반적으로 컷포인트 유효성 검사를 사용하여 해결됩니다. @ian_jmp 그리고 @줄리안 이를 위해 훌륭한 추가 기능을 개발했습니다. 시계열 유효성 검사 열 만들기 .그러나 최신 행을 사용하는 많은 탐색 모델의 경우 특히 최근 변경 사항으로 인해 분석이 필요한 경우에는 최선의 접근 방식이 아닙니다.트레이닝 세트 내에서 행 그룹을 선택하면 모델에서 최신 데이터를 계속 사용할 수 있는 가능성이 높아지는 동시에 개별 노이즈 소스가 트레이닝 그룹과 유효성 검사 그룹 모두에 존재할 가능성이 최소화됩니다.
대안
행 간의 상관 관계가 있는 데이터를 분석하는 두 가지 다른 방법은 상황에 따라 더 좋지만 항상 실현 가능한 것은 아닙니다.
- 진정으로 독립적인 행을 갖도록 데이터 테이블을 축소하여 한 행이 이전 행과 상관될 가능성을 제거합니다.경우에 따라 각 열을 독립적인 행으로 효과적으로 요약하는 것이 까다롭거나 시간이 많이 걸립니다.예를 들어, 사용자가 프로세스 시작 시 하나의 변수에서 15분 이벤트가 2일 체류 시간이 대상에 영향을 미친다는 것을 아직 알지 못하는 경우 사용자는 2일 이상 동안 해당 변수를 요약하는 방법을 모를 수 있습니다. 독립 행을 얻기 위해.
- 자기상관을 모델링하거나 예측합니다. 시계열 플랫폼은 시작하기에 좋은 곳이며 다변량 모델에 일련의 지연 변수를 포함하면 프로세스에 대한 많은 추가 통찰력을 제공할 수 있습니다.수백 개의 변수가 있는 복잡한 프로세스의 경우 이것은 시간이 많이 걸리고 복잡하며 새로운 사용자의 기술 범위를 넘어서는 경향이 있습니다.
사용자 인터페이스
해당되는 경우 사용자가 대상 변수를 선택합니다. 기본적으로 이들 중 첫 번째는 그룹 및 테이블 크기에 따라 분할에 항상 영향을 미치지는 않지만 계층화에 사용됩니다.기본 유효성 검사 유형은 그룹화이며 권장 그룹 크기가 표시됩니다.
사용자가 적절한 그룹 크기를 식별하는 데 도움이 되도록 대상 변수에 대한 일부 정보가 표시됩니다.
후드 아래' 세부 정보
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.
변경 사항
최신 버전의 업데이트는 다음과 같습니다. 변경 사항의 전체 목록은 github의 CHANGELOG.md에서 확인할 수 있습니다.
추가됨
변경됨
- 제외되지 않은 행만 사용하여 그룹 크기 제한을 계산합니다.
- 잠재적인 Target 및 Startification 변수 목록에 숫자 열만 표시합니다.
결정된
- 대상 열은 때때로 테이블의 선택된 열로 재설정됩니다.
- 올바른 유효성 검사 열 이름이 항상 사용되지는 않았습니다.
- 자동 새로 고침 옵션이 꺼져 있으면 일부 값이 업데이트되지 않습니다.
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 관심을 끌기 위해 충분한 토론의 여지를 줄 것입니다.
@FN 위시리스트 항목은 다음과 같습니다. 연속 프로세스 데이터에 대한 검증
@ih 나는 그렇게 생각하지 않는다. 새로운 위시 아이템을 여시겠습니까? 아니면 내가?
@FN 동의합니다. 이렇게 하면 이러한 유형의 데이터에 대해 내장 교차 유효성 검사가 훨씬 더 유용해집니다. 위시리스트 항목을 아직 입력하지 않으셨습니까?
이것은 훌륭하고 잘 설명되어 있습니다. 저는 JMP가 센서 데이터를 더 잘 지원해야 한다고 생각합니다.
예를 들어 K-fold는 다시 임의 분할입니다.
https://community.jmp.com/t5/Discussions/k-fold-cross-validation-in-time-series-with-JMP-JMP-PRO/td-p/189094
시계열 분할이 있으면 도움이 됩니다.
https://scikit-learn.org/stable/modules/cross_validation.html#time-series-split
