Parameteroptimierung in der prädiktiven ModellierungIn der Predictive Modeling-Plattform wäre es schön, Optionen zu haben, ähnlich den alternativen Cutoff-Werten der Konfusionsmatrix, um verschiedene Abstimmungsparameter für eine Reihe iterativer Werteschritte zu ändern. Variieren Sie beispielsweise in einer Partition die minimale Split-Größe zwischen 3 und 10 in Schritten von 1 (ähnlich für die anderen Parameter). Mir ist klar, dass dies mit einer Schleife in einem Skript nicht schwer zu erreichen ist, aber es wäre schön, wenn es so einfach wäre wie beim Beispiel mit dem Cutoff-Wert der Konfusionsmatrix oder wie es funktioniert, bei einer Analyse eine Variable in das Feld „Nach“ einzugeben. Dann wäre es einfach zu untersuchen, wie sich verschiedene Leistungsmaße ändern, wenn die Abstimmungsparameter variieren.
Meiner Erfahrung nach funktionieren die meisten Standardparameter in JMP recht gut, aber es ist mühsam, zu testen, ob dies zutrifft oder nicht. Dieser Vorschlag würde diese Tests automatisieren und es einfacher machen, zu entscheiden, ob die Standardeinstellungen überschrieben werden sollen oder nicht.
Automatisierung und SkriptingDatenexploration und -visualisierungPrädiktive Modellierung und maschinelles LernenBetreff: Parameteroptimierung in Predictive Modeling – Status geändert in: BestätigtHallo @dale_lehman , Danke für deinen Vorschlag! Wir haben Ihre Anfrage erfasst und werden diese prüfen.
Betreff: Parameteroptimierung in der prädiktiven ModellierungIch unterstütze diesen Vorschlag voll und ganz. Sogenanntes hyperparametrisches Tuning kommt häufig in der Modellierung vor. Durch die Einbeziehung dieser Option wird JMP Pro deutlich wettbewerbsfähiger gegenüber anderer Software für die Datenanalyse, beispielsweise ML-Modellierung wie Matlab.
