如何解釋變量重要性與分析器我有一個客戶在做 JMP Pro 評估，他們提出了一個很好的問題。查看糖尿病數據集，他們在響應 Y 上運行了一個神經網絡，作為以下因素的函數：LTG、BMI、BP、HDL、年齡、葡萄糖、LDL、TCH、總膽固醇和性別。刻畫器顯示與其他因素相比，性別的影響很小：
從刻畫器來看，不同性別對 Y 的影響小於 BMI。
但是，查看可變重要性結果，我們看到性別位於列表的頂部：
查看散點圖矩陣和相關性的顏色圖，使用相關的重採樣輸入最有意義，因為這些因素是相關的（如幫助中所建議的）。
客戶提出的問題是：為什麼刻畫器顯示 Gender 的影響很小，而 Variable Importance 結果顯示 Gender 的影響最大？
客戶還詢問需要多大的樣本量才能使相關重採樣輸入結果有效。幫助中提到，如果樣本量“太小”，它就不起作用，但沒有說明樣本量有多小。
檢查變量重要性的統計詳細信息說它使用響應預期值的方差，但沒有提供太多細節。我假設探查器結果和變量重要性結果之間的差異與使用 Y 的期望值的探查器和使用 Y 的期望值的方差的變量重要性結果有關。但是，我想要更多詳細信息，以便我可以向客戶解釋。
謝謝！
查理
回复：如何解釋變量重要性與探查器好吧，現在我也很困惑。
我想知道您所看到的是否是由於所有因素的多重共線性造成的。 在同時使用 Bootstrap Forest 和 Predictor Screening 時，我認為性別是最不重要的變量。
但是，當我使用變量聚類將預測變量減少到 TCH、總膽固醇和 BP，並且還包括性別時，我看到的結果與您在變量重要性上所做的結果相同：
所以，現在我質疑我對“變量重要性”部分的理解，我期待著你問題的答案。
回复：如何解釋變量重要性與探查器謝謝杰德！正如我提到的，它可能與使用期望值的分析器和使用方差的變量重要性有關。但我想請專家發表評論。謝謝！
回复：如何解釋變量重要性與探查器我們小組中關於此主題的專家是 Ryan Parker 和 Chris Gotwalt。 在這裡查看他們的原創作品https://community.jmp.com/t5/Discovery-Summit-2013/Exploring-Variable-Clustering-and-Importance-in-JMP/ta-p/40686
這是我的解釋，為什麼在使用此模型和相關重採樣輸入選擇的情況下，此數據的結果似乎如此。
客戶的問題恰到好處：樣品量！
選擇相關重採樣輸入時，擬合模型具有截距、10 個主要因子和 45 個交互項。 請參閱 Ryan 在該 Powerpoint 文件中的第 10 頁。 性別是分類的，在設計矩陣中創建了額外的列。 模型真的很大。 而442行似乎還不夠。
回复：如何解釋變量重要性與探查器是的，我認為彭在這裡是正確的。 我們與 Ryan 和 Chris 進行了一些內部討論，這裡發生的事情並不完全清楚，但 Ryan 最擔心的是樣本量可能不夠大，無法進行相關重採樣案例。
另一種解釋與輸入之間的相關性有關。Per Ryan，“例如，查看跡線，您會認為 LTG 和 HDL 的影響最大。 但從它們的相關性來看，它們是負相關的，這可能是解釋為什麼在依賴案例中這些變量的影響會更低的一種方式。”
我觀察到的一件事是，獨立重採樣輸入的使用似乎更忠實地描述了效果的相對大小（類似於 Profiler 和 BF 模型上的列貢獻等其他方法），但不建議這樣做，因為我們可以在不能代表我們在現實生活中實際看到的因素水平組合上進行模擬。
回复：如何解釋變量重要性與探查器啊，但是 JMP 探索與我們預期不同的結果的能力。 如果您在刻畫器中打開外推控制並“玩”因子設置，您會開始看到數據中的“漏洞”。 那是男性與女性的覆蓋範圍不同的區域。 這是帶有血值的生物數據，血值會因性別而有不同的分佈（使用 fit y-by-x，性別為 X，血值為 Y，然後使用比較密度）。 因此，由於性別......以及僅在一種性別中的數據組合（例如高 HDL）會影響重採樣，因此存在細微差異。 即時探索和快速挖掘數據的能力讓 JMP 中的建模充滿樂趣！
回复：如何解釋變量重要性與探查器添加什麼@卡倫科普蘭提到，我剛剛和一個客戶有過這樣的“血漿”情況。 他們沒有足夠的一种血漿並與另一种血漿進一步合作（第一种血漿中有 13 種，第二种血漿中有 1 種，第三种血漿中還有 3 種。 然後他們用等離子體作為模型中的阻塞因子對其進行建模。 結果......嗯......有趣，特別是如果你打開外推控制:)
此外，如果您使用不同的選項，變量重要性報告也會有很大差異。 強烈建議您查看發現演示文稿:)
回复：如何解釋變量重要性與探查器謝謝馬丁！好點！
回复：如何解釋變量重要性與探查器謝謝凱倫！我將不得不查看探查器中的外推控件才能看到。
