変数の重要性とプロファイラーをどのように解釈するかJMP Pro の評価を行っている顧客がいるのですが、彼らは良い質問を思いつきました。糖尿病データセットを見ると、LTG、BMI、BP、HDL、年齢、グルコース、LDL、TCH、総コレステロール、性別といった因子の関数として、応答 Y に対してニューラル ネットワークを実行しました。プロファイラーは、性別の影響が他の要因に比べて小さいことを示しています。
プロファイラーから、性別を変えることによる Y への影響は、たとえば BMI よりも小さいことがわかります。
ただし、変数の重要度の結果を見ると、性別がリストの一番上にあることがわかります。
散布図マトリックスと相関関係のカラー マップを見ると、(ヘルプで提案されているように) 因子が相関しているため、依存するリサンプリングされた入力を使用することが最も合理的です。
お客様からの質問は次のとおりです。プロファイラでは、性別の影響が小さいことが示されているのに対し、変数重要度の結果では性別が最大の影響を示しているのはなぜですか?
また、顧客は、依存リサンプリング入力の結果を有効に使用するにはどのくらいのサンプル サイズが必要かについても質問しました。ヘルプには、サンプルサイズが「小さすぎる」場合は機能しないと記載されていますが、どの程度小さいかについては記載されていません。
変数重要度の統計の詳細を確認すると、応答の期待値の分散が使用されていることが示されていますが、詳細はあまり示されていません。プロファイラーの結果と変数重要度の結果の違いは、プロファイラーが Y の期待値を使用するのと、変数重要度の結果が Y の期待値の分散を使用することに関係があると思います。ただし、お客様に説明できるようにさらに詳しく知りたいです。
ありがとう！
チャーリー
Re: 変数の重要性とプロファイラーを解釈する方法さて、私も今混乱しています。
あなたが見ているのは、すべての要素の多重共線性によるものではないかと思いました。 私は、ブートストラップ フォレストと予測子スクリーニングの両方を使用する場合、性別は最も重要でない変数だと考えています。
しかし、変数クラスタリングを使用して予測変数を TCH、総コレステロール、血圧まで削減し、性別も含めると、変数の重要度で行ったのと同じ結果が得られます。
それで、今私は「変動重要度」セクションについての私の理解に疑問を持っていますが、あなたの質問への答えを楽しみにしています。
Re: 変数の重要性とプロファイラーを解釈する方法ありがとうジェド！前述したように、これは期待値を使用するプロファイラーと分散を使用する変数の重要性に関係がある可能性があります。しかし、専門家にコメントしてもらいたいです。ありがとう！
Re: 変数の重要性とプロファイラーを解釈する方法このテーマに関する私たちのグループの専門家は、ライアン・パーカーとクリス・ゴットワルトです。 彼らのオリジナル作品はこちらからご覧くださいhttps://community.jmp.com/t5/Discovery-Summit-2013/Exploring-Variable-Clustering-and-Importance-in-JMP/ta-p/40686
このモデルと依存リサンプリング入力の選択により、このデータで結果がそのようになる理由を私の解釈します。
お客様の質問はまさに的を得ています。それはサンプルのサイズです。
[依存リサンプリング入力] が選択されている場合、近似モデルには切片、10 個の主因子、および 45 個の交互作用項が含まれます。 Ryan による Powerpoint ファイルの 10 ページを参照してください。 また、性別はカテゴリカルであり、計画マトリックスに追加の列が作成されます。 モデルは本当に大きいです。 442 行では十分ではないようです。
Re: 変数の重要性とプロファイラーを解釈する方法はい、ここではPengの言うことが正しいと思います。 私たちは Ryan と Chris と内部で議論しましたが、ここで何が起こっているのか完全には明らかではありませんが、Ryan の最大の懸念は、サンプル サイズがおそらく依存リサンプリングのケースには十分大きくないという事実に当たりました。
別の説明は、入力間の相関関係に関係しています。Ryan 氏によれば、「たとえば、トレースを見ると、LTG と HDL が最も大きな影響を与えると思われるでしょう。 しかし、それらの相関関係を見ると、それらは負の相関関係にあり、従属ケースではこれらの変数の影響が低くなる理由を説明する 1 つの方法である可能性があります。」
私が観察したことの 1 つは、独立したリサンプル入力を使用すると、効果の相対的なサイズをより忠実に把握できるように見えることです (プロファイラーや、BF モデルの列寄与などの他の方法と同様) が、推奨されていないのです。現実の生活で実際に目にするものを代表していない因子レベルの組み合わせをシミュレートしていること。
Re: 変数の重要性とプロファイラーを解釈する方法ああ、しかし、私たちが期待していたものとは異なる結果を探求する JMP の力。 プロファイラで外挿制御をオンにして係数設定を「試す」と、データに「穴」が見え始めます。 それは、男性の補償範囲が女性とは異なる領域です。 これは血液値を含む生物学的データであり、血液値は性別によって異なる分布を持つ可能性があります (性別を X、血液値を Y として y 行 x 列の当てはめを使用し、密度の比較を使用します)。 したがって、性別による微妙な違いがあり、データには一方の性別のみの組み合わせ (たとえば、高 HDL) があり、これがリサンプリングに影響します。 JMP でのモデリングを楽しくするのは、その場で探索し、データをすばやく掘り下げる能力です。
Re: 変数の重要性とプロファイラーを解釈する方法何を追加するか@karencopeland先ほども触れましたが、私は顧客とそのような「血漿」状況に遭遇したところです。 彼らは、1 つの血漿では十分ではなかったので、別の血漿をさらに使用しました (最初の血漿を 13 個、2 番目の血漿を 1 個、そして 3 番目の血漿をさらに 3 個使用しました)。 次に、モデル内のブロック因子として血漿を使用してモデル化しました。 結果は...うーん...面白い、特に外挿制御をオンにした場合:)
さらに、別のオプションを使用すると、変数重要度レポートもかなり異なる可能性があります。 発見のプレゼンテーションを見ることを強くお勧めします:)
Re: 変数の重要性とプロファイラーを解釈する方法ありがとうマーティン！良い点！
Re: 変数の重要性とプロファイラーを解釈する方法カレンさん、ありがとう！確認するには、プロファイラーの外挿コントロールを調べる必要があります。
