如何解释变量重要性与分析器我有一个客户在做 JMP Pro 评估，他们提出了一个很好的问题。查看糖尿病数据集，他们在响应 Y 上运行了一个神经网络，作为以下因素的函数：LTG、BMI、BP、HDL、年龄、葡萄糖、LDL、TCH、总胆固醇和性别。刻画器显示与其他因素相比，性别的影响很小：
从刻画器来看，不同性别对 Y 的影响小于 BMI。
但是，查看可变重要性结果，我们看到性别位于列表的顶部：
查看散点图矩阵和相关性的颜色图，使用相关的重采样输入最有意义，因为这些因素是相关的（如帮助中所建议的）。
客户提出的问题是：为什么刻画器显示 Gender 的影响很小，而 Variable Importance 结果显示 Gender 的影响最大？
客户还询问需要多大的样本量才能使相关重采样输入结果有效。帮助中提到，如果样本量“太小”，它就不起作用，但没有说明样本量有多小。
检查变量重要性的统计详细信息说它使用响应预期值的方差，但没有提供太多细节。我假设探查器结果和变量重要性结果之间的差异与使用 Y 的期望值的探查器和使用 Y 的期望值的方差的变量重要性结果有关。但是，我想要更多详细信息，以便我可以向客户解释。
谢谢！
查理
回复：如何解释变量重要性与探查器好吧，现在我也很困惑。
我想知道您所看到的是否是由于所有因素的多重共线性造成的。 在同时使用 Bootstrap Forest 和 Predictor Screening 时，我认为性别是最不重要的变量。
但是，当我使用变量聚类将预测变量减少到 TCH、总胆固醇和 BP，并且还包括性别时，我看到的结果与您在变量重要性上所做的结果相同：
所以，现在我质疑我对“变量重要性”部分的理解，我期待着你问题的答案。
回复：如何解释变量重要性与探查器谢谢杰德！正如我提到的，它可能与使用期望值的分析器和使用方差的变量重要性有关。但我想请专家发表评论。谢谢！
回复：如何解释变量重要性与探查器我们小组中这方面的专家是 Ryan Parker 和 Chris Gotwalt。 在这里查看他们的原创作品https://community.jmp.com/t5/Discovery-Summit-2013/Exploring-Variable-Clustering-and-Importance-in-JMP/ta-p/40686
这是我的解释，为什么在使用此模型和相关重采样输入选择的情况下，此数据的结果似乎如此。
客户的问题恰到好处：样品量！
选择相关重采样输入时，拟合模型具有截距、10 个主要因子和 45 个交互作用项。 请参阅 Ryan 在该 Powerpoint 文件中的第 10 页。 性别是分类的，在设计矩阵中创建了额外的列。 模型真的很大。 而442行似乎还不够。
回复：如何解释变量重要性与探查器是的，我认为彭在这里是正确的。 我们与 Ryan 和 Chris 进行了一些内部讨论，这里发生的事情并不完全清楚，但 Ryan 最担心的是样本量可能不够大，无法进行相关重采样案例。
另一种解释与输入之间的相关性有关。Per Ryan，“例如，查看迹线，您会认为 LTG 和 HDL 的影响最大。 但从它们的相关性来看，它们是负相关的，这可能是解释为什么在依赖案例中这些变量的影响会更低的一种方式。”
我观察到的一件事是，独立重采样输入的使用似乎更忠实地描述了效果的相对大小（类似于 Profiler 和 BF 模型上的列贡献等其他方法），但不建议这样做，因为我们可以在不能代表我们在现实生活中实际看到的因素水平组合上进行模拟。
回复：如何解释变量重要性与探查器啊，但是 JMP 探索与我们预期不同的结果的能力。 如果您在刻画器中打开外推控制并“玩”因子设置，您会开始看到数据中的“漏洞”。 那是男性与女性的覆盖范围不同的区域。 这是带有血值的生物数据，血值会因性别而有不同的分布（使用 fit y-by-x，性别为 X，血值为 Y，然后使用比较密度）。 因此，由于性别......以及仅在一种性别中的数据组合（例如高 HDL）会影响重采样，因此存在细微差异。 即时探索和快速挖掘数据的能力让 JMP 中的建模充满乐趣！
回复：如何解释变量重要性与探查器添加什么@卡伦科普兰提到，我刚刚和一个客户有过这样的“血浆”情况。 他们没有足够的一种血浆并与另一种血浆进一步合作（第一种血浆中有 13 种，第二种血浆中有 1 种，第三种血浆中还有 3 种。 然后他们用等离子体作为模型中的阻塞因子对其进行建模。 结果......嗯......有趣，特别是如果你打开外推控制:)
此外，如果您使用不同的选项，变量重要性报告也会有很大差异。 强烈建议您查看发现演示文稿:)
回复：如何解释变量重要性与探查器谢谢马丁！好点！
回复：如何解释变量重要性与探查器谢谢凯伦！我将不得不查看探查器中的外推控件才能看到。
