如何解释预测筛选结果，这是一般性的吗你好呀！
我是生物工程专业的硕士生，目前正在撰写我的论文，其中包括大量数据处理。 我在大约 248 个窗口（每 5 秒）中有 66 个信号特征，这是我的分类器的输入。 输出是特定症状的水平，一个序数变量。 我想在分类之前应用“特征选择”，因为我想知道哪些物理参数与症状密切相关。
我正在考虑使用 JMP 的“预测筛选”选项。 但要做到这一点，我需要了解两件额外的事情。
- 这种“预测筛选”可以用作通用特征选择工具吗？ 在特征选择之后，我想尝试不同的分类器，而不仅仅是引导树森林（在预测器筛选工具中使用）。
- 我如何准确解释预测筛选输出的“贡献”水平？ 我发现了很多关于此的令人困惑的信息。
额外备注；如果您对功能选择有任何其他想法，请告诉我！ 
祝你今天过得愉快，
本
回复：如何解释预测筛选结果，这是一般性的吗Predictor Screening 平台是众多可用于变量选择的平台之一……事实上，JMP/JMP Pro 中的几乎任何建模平台都可用于变量选择。 每个人在阳光下都有自己的位置。 我建议阅读各种平台的 JMP 文档，例如 Stepwise、Partition、Partial Least Squares，如果你有 JMP Pro……听起来你确实有……Bootstrap Forest 和 Boosted Tree。 或者广义回归平台个性中的 Elastic Net 或 Adaptive Lasso 子个性...
但首先...您投入了多少时间和精力来了解流程行为和数据本身的谱系？ 我问的原因是让我们说预测器筛选平台的结果与已知的医学规律背道而驰（听起来你有医学应用程序？？？）？ 例如，如果平台报告表明增加吸烟会降低患肺癌的可能性……那么就有些不对劲了。 还是数据质量？ 数据中的缺失、异常值、无意义的值、隐藏的或不明显的多元共线性结构？ 所有这些问题都会对建模造成严重破坏。 所以我建议首先花时间在这个领域，从老式的分发平台（用于世界的单变量视图）到探索异常值/缺失值和原理组件平台，以帮助确保您获得高质量、合理的，预测变量和响应的数据。 最后一步是考虑您的建模验证策略。 对于变量选择类型问题，我建议使用 JMP Pro Make Validation 平台中提供的 Train/Validation/Test 验证构造。
祝你好运！
