Qu'est-ce qui a inspiré cette demande de liste de souhaits ?
Hier, j'ai assisté à un séminaire sur les arbres de décision et l'apprentissage d'échantillons pour débutants organisé par l'Institut de mathématiques statistiques au Japon. L'instructeur est le professeur Icihgaku Takigawa. Il n'a utilisé que Python dans son séminaire.
Il existe trois méthodes qui m'intéressent, mais qui ne sont pas implémentées dans JMP Pro.
J'ai entré le troisième d'entre eux ici.
Veuillez décrire la fonctionnalité ou la solution nouvelle ou améliorée que vous aimeriez voir.
Une option pour calculer la précision de la prédiction (aka Quantification d'incertitude) pour Random Forest ou Boosted Trees.
Quelle serait la valeur pour vous et/ou les autres utilisateurs si cette nouvelle fonctionnalité était fournie ?
Parfois, nous voulons voir la précision de la prédiction ainsi que la prédiction ponctuelle. Cette fonctionnalité peut aider les utilisateurs à savoir à quel point la variabilité de la prédiction est importante.
S'agit-il d'une demande client externe ?
Existe-t-il un progiciel concurrent doté de cette fonctionnalité ou solution dont nous devrions être conscients ?
Le calcul des erreurs standard pour les prédictions dans Random Forest est facile. Veuillez sélectionner la fonction _return_std dans la page suivante.
https://scikit-optimize.github.io/stable/_modules/skopt/learning/forest.html
Il est très compliqué de calculer les erreurs standard des prédictions dans les arbres boostés. Le professeur Takigawa a présenté MAPIE, mais je n'ai pas suivi les informations. L'URL de la page d'accueil de MAPIE est la suivante.
https://mapie.readthedocs.io/en/latest/index.html
Cela aura-t-il un impact sur un renouvellement, une expansion ou une adoption chez un client, et cela mettra-t-il un compte en danger si nous ne réglons pas ce problème ?
Ce n'est pas demandé par les utilisateurs.
Bonjour @yusuke_ono , merci pour votre suggestion ! Nous avons pris en compte votre demande et la prendrons en considération.
