用於功能選擇的最佳 JMP 平台是什麼？我有 1000 多列描述蛋白質（分類）的結構特性（數字、連續），我想用這些來比較不同的蛋白質。 這些性質表現出多重共線性。 哪個 JMP 平台最適合選擇相關特性、比較蛋白質並確定哪些特性使蛋白質從其他蛋白質中脫穎而出？ 我嘗試了聚類變數和預測篩選平台，然後應用 K 均值對蛋白質進行聚類。 到目前為止，我已經獲得了很好的見解，但需要 JMP 專家的建議。
進階統計建模回覆：用於功能選擇的最佳 JMP 平台是什麼？你好@jlmbs ,
很難判斷是否有一種最適合您的用例的方法，因為它可能取決於幾個參數：
- 您的目標：您對預測性（透過結構特性預測蛋白質特性，如QSPR（定量結構特性關係）模型）更感興趣還是對可解釋性（例如對相似的蛋白質進行分組/聚類以更好地理解某些結構/特性相似性）較感興趣？
- 資料集特徵：缺失值、異常值、多重共線性程度..... ：根據這些資料集特徵，某些方法可能比其他方法更合適。
- 建模類型（與您的目標相關）：有些模型具有「內建」特徵選擇（例如隨機森林、廣義回歸中的LASSO/彈性網路...），有些模型更適合可解釋性/可解釋性（當查看時在基於樹的模型中，決策樹和隨機森林對於可解釋性很有趣，而提升樹更難解釋，但可能具有非常好的預測性能），並且模型在面對多重共線性時表現不同（當存在多重共線性時，普通最小二乘法完全不合適）多重共線性，而在存在大量高度相關的解釋變量的情況下，偏最小二乘可以輕鬆處理多重共線性，這在化學/化學信息學用例中經常出現）。
還有其他參數可能會影響模型的選擇，例如預期的「預測概況」或模型的複雜性（可能與前面提到的前面的點相關並受到領域專業知識的影響）：某些方法（例如基於樹的方法）將創建具有“步驟”的預測模型，而其他人將創建具有曲率的“平滑”預測模型/配置文件（神經網路、支援向量機等），有些人可能會在輸入和輸出之間創建線性和直接關係（PLS） ，一些其他迴歸模型，...）。
正如您所看到的，有許多選項（有些選項可能取決於您使用的是 JMP 還是 JMP Pro）。
在直接進行分析之前，我會視覺化化學描述符與反應之間的相關性，因為這可以指示相關變數和對您的分析有影響的輸入（分析-> 多變量方法中的平台“多變量”） 。
您還可以花一些時間檢查缺失值和異常值，並檢查基線模型上的VIF 分數（不用於預測/解釋性能，而只是為了訪問VIF 分數的計算，以更好地了解您所擁有的多重共線性的程度）在你的資料集中）。
然後，需要考慮一些選項：
- JMP：
- 第一種方法可能是進行主成分分析 (PCA)，然後嘗試使用這些主成分對預設反應進行建模（或嘗試使用主成分進行聚類方法）。 這種方法的缺點是，它會讓您失去一些關於哪些因素影響預設值的可解釋性，因為它們將合併在 PCA 變數中。
- 另一個選擇是嘗試偏最小二乘法 (PLS)，當您處理大量相關變數和很少的觀測值時，這是一種非常有效的方法。 例如，它用於光譜分析（化學計量學），但也用於一些QSPR 模型（化學資訊學），其中您的觀察很少，但有大量輸入資料（例如每個波長的透射率/強度或許多高度相關的化學/分子）描述子）。
- 預測因子篩選也是一個很好的工具，可以概述哪些因素可能對反應影響最大，並「本地」處理多重共線性（因為背後的模型是隨機森林）。
- JMP專業版：
- 您可以嘗試“隨機森林”，而不是預測器篩選，在這裡您將獲得有關模型的更多資訊以及保存公式的可能性。 由於RF 對每棵樹使用特徵裝袋，因此您可以確信，即使在多重共線性和參數多於觀測值的情況下，每個參數也將具有相同的在樹中被選擇的機率，因此您可以很好地了解哪些因素會影響預設值。
- 您也可以使用 Lasso、Ridge 或 Elastic Net 等懲罰估計方法來查看廣義迴歸模型。
這些將是我嘗試的第一個模型。
在聚類階段，檢查是否有：
- “contextual”/多維異常值：在所有維度上都不是異常值的點，對於其 K-Nearest Neigbors，馬哈拉諾比斯/折刀距離或 PCA 可能是一種有趣的方法。
- 集體離群值，K 均值可能有用，但您可以將獲得的結果與高斯混合，因為它在簇的形狀方面可能更「靈活」（不一定像 K 均值那樣呈球形）。
希望這個（長）答案能幫助你，
