如何解释预测筛选结果，这是一般性的你好呀！
我是生物工程专业的硕士生，目前正在写我的论文，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，它们是我的分类器的输入。 输出是特定症状的水平，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。 但是要做到这一点，我需要了解两件额外的事情。
- 这种“预测筛选”可以用作一般特征选择工具吗？ 特征选择后，我想尝试不同的分类器，而不仅仅是 bootstrap 树森林（用于预测筛选工具）。
- 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。
额外说明；如果您对特征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，如果您有 JMP Pro……听起来您有……Bootstrap Forest 和 Boosted Tree。 或广义回归平台个性中的弹性网络或自适应套索子个性......
但首先……您投入了多少时间和精力来理解流程行为和数据本身的谱系？ 我问的原因是，我们只是说 Predictor Screening 平台的结果与已知的医学定律背道而驰（听起来你有医学应用程序？？？）？ 例如，如果平台报告表明吸烟增加导致患肺癌的可能性降低……那么有些不对劲。 还是数据质量？ 数据中是否存在缺失、异常值、无意义值、隐藏或不太明显的多元多重共线性结构？ 所有这些问题都会对建模造成严重破坏。 因此，我建议首先花时间在这个空间中使用从老式分发平台（用于世界的单变量视图）到探索异常值/缺失值和主要组件平台的平台，以帮助确保您获得高质量、合理的，预测变量和响应的数据。 这里的最后一步是考虑您的建模验证策略。 对于变量选择类型的问题，我建议使用 JMP Pro Make Validation 平台中提供的训练/验证/测试验证结构。
祝你好运！
