변수 중요도와 프로파일러를 해석하는 방법JMP Pro 평가를 수행하는 고객이 있는데 그들은 좋은 질문을 내놓았습니다.당뇨병 데이터 세트를 살펴보면 LTG, BMI, BP, HDL, 연령, 포도당, LDL, TCH, 총 콜레스테롤 및 성별 요인의 함수로 응답 Y에 대해 신경망을 실행했습니다.프로파일러는 다른 요인에 비해 성별의 영향이 작다는 것을 보여줍니다.
프로파일러에서 Y에 대한 다양한 성별의 영향은 예를 들어 BMI보다 작습니다.
그러나 변수 중요도 결과를 보면 성별이 목록의 맨 위에 있음을 알 수 있습니다.
상관 관계에 대한 산점도 행렬과 컬러 맵을 보면 요소가 상관 관계가 있기 때문에(도움말에 제안된 대로) 종속 리샘플링된 입력을 사용하는 것이 가장 합리적입니다.
고객의 질문은 다음과 같습니다. 왜 프로파일러에는 작은 효과가 있는 성별이 표시되고 성별이 가장 큰 효과가 있음을 나타내는 변수 중요도 결과가 표시됩니까?
또한 고객은 종속 리샘플 입력 결과를 유효하게 사용하는 데 필요한 샘플 크기를 질문했습니다.도움말은 샘플 크기가 "너무 작음"인 경우 작동하지 않는다고 언급하지만 작은 것이 얼마나 작은지는 말하지 않습니다.
Variable Importance에 대한 통계 세부 정보를 확인하면 응답의 예상 값의 Variance를 사용하지만 자세한 내용은 제공하지 않습니다.프로파일러 결과와 Variable Importance 결과의 차이는 Y의 기대값을 사용하는 프로파일러와 Y의 기대값의 분산을 사용하는 Variable Importance 결과와 관련이 있다고 가정합니다.그러나 고객에게 설명할 수 있도록 더 자세한 정보를 원합니다.
감사해요!
백인
Re: 변수 중요도와 프로파일러를 해석하는 방법자, 이제 저도 혼란스럽습니다.
당신이 보고 있는 것이 모든 요인의 다중공선성 때문인지 궁금했습니다. Bootstrap Forest와 Predictor Screening을 모두 사용할 때 성별이 가장 중요하지 않은 변수라고 생각합니다.
그러나 변수 클러스터링을 사용하여 예측 변수를 TCH, 총 콜레스테롤 및 BP로 줄이고 성별도 포함하면 변수 중요도에 대해 수행한 것과 동일한 결과가 표시됩니다.
이제 "Variable Importance" 섹션에 대한 나의 이해에 의문을 제기하고 있으며 귀하의 질문에 대한 답변을 기다리겠습니다.
Re: 변수 중요도와 프로파일러를 해석하는 방법고마워요 제드!언급했듯이 기대값을 사용하는 프로파일러와 분산을 사용하는 변수 중요도와 관련이 있을 수 있습니다.하지만 전문가의 의견을 듣고 싶습니다.감사해요!
Re: 변수 중요도와 프로파일러를 해석하는 방법이 주제에 대한 우리 그룹의 전문가는 Ryan Parker와 Chris Gotwalt입니다. 여기에서 원본 작업 보기 https://community.jmp.com/t5/Discovery-Summit-2013/Exploring-Variable-Clustering-and-Importance-in-JMP/ta-p/40686
다음은 이 모델과 Dependent Resampled Inputs 선택을 사용하여 이 데이터에서 결과가 그렇게 나타나는 이유에 대한 해석입니다.
고객의 질문은 돈에 관한 것입니다: 샘플 크기!
Dependent Resampled Inputs를 선택하면 적합 모델에 절편, 10개의 주요 요인 및 45개의 상호 작용 항이 있습니다. Ryan이 작성한 Powerpoint 파일의 10페이지를 참조하십시오. 성별은 범주형이며 디자인 매트릭스에 추가 열이 생성됩니다. 모델이 정말 큽니다. 그리고 442개의 행으로는 충분하지 않은 것 같습니다.
Re: 변수 중요도와 프로파일러를 해석하는 방법네, 여기서 Peng이 옳다고 생각합니다. 우리는 Ryan 및 Chris와 내부 논의를 했으며 여기에서 무슨 일이 일어나고 있는지 완전히 명확하지 않지만 Ryan의 가장 큰 우려는 샘플 크기가 아마도 Dependent Resampled 사례에 대해 충분히 크지 않을 수 있다는 사실에 있었습니다.
또 다른 설명은 입력 간의 상관 관계와 관련이 있습니다.Ryan은 "예를 들어 흔적을 보면 LTG와 HDL이 가장 큰 영향을 미칠 것이라고 생각할 것입니다. 그러나 그들의 상관관계를 살펴보면 음의 상관관계가 있으며 종속 사례에서 이러한 변수의 영향이 더 낮은 이유를 설명하는 한 가지 방법일 수 있습니다."
내가 관찰한 한 가지는 Independent Resampled Inputs를 사용하면 효과의 상대적 크기에 대한 보다 충실한 그림을 제공하는 것 같지만(프로파일러 및 BF 모델의 열 기여와 같은 다른 방법과 유사) 우리가 할 수 있기 때문에 제안되지 않았습니다. 실생활에서 실제로 볼 수 있는 것을 대표하지 않는 요인 수준 조합에서 시뮬레이션해야 합니다.
Re: 변수 중요도와 프로파일러를 해석하는 방법아, 하지만 예상과 다른 결과를 탐색하는 JMP의 힘. 프로파일러에서 외삽 제어를 켜고 요인 설정을 "재생"하면 데이터에 "구멍"이 보이기 시작합니다. 그것은 남성에 대한 적용 범위가 여성과 다른 영역입니다. 이것은 혈액 값이 포함된 생물학적 데이터이며 혈액 값은 성별로 인해 다른 분포를 가질 수 있습니다(성별을 X로, 혈액 값을 Y로 사용하고 비교 밀도를 사용하여 y-x-x 적합). 따라서 성별로 인해 미묘한 차이가 있고...리샘플링에 영향을 미치는 한 성별에만 있는 데이터의 조합(예: 높은 HDL)이 있습니다. 즉석에서 탐색하고 데이터를 빠르게 파고들 수 있는 힘이 JMP의 모델링을 재미있게 만듭니다!
Re: 변수 중요도와 프로파일러를 해석하는 방법무엇을 추가 @karencopeland 방금 고객과 "혈장" 상황을 겪었습니다. 그들은 하나의 플라즈마가 충분하지 않았고 다른 플라즈마(첫 번째 플라즈마 중 13개, 두 번째 플라즈마 중 1개, 세 번째 플라즈마 중 3개 더)로 더 작업했습니다. 그런 다음 모델의 차단 요인으로 플라즈마로 모델링했습니다. 결과는 ... 음 ... 특히 외삽 제어를 켠 경우 재미 있습니다 
또한 변수 중요도 보고서는 다른 옵션을 사용하는 경우 상당히 다를 수 있습니다. 디스커버리 프레젠테이션을 살펴보는 것이 좋습니다.
Re: 변수 중요도와 프로파일러를 해석하는 방법감사합니다 마틴!좋은 점!
Re: 변수 중요도와 프로파일러를 해석하는 방법감사합니다 카렌!확인하려면 프로파일러에서 외삽 제어를 조사해야 합니다.
