Validation PLS & chargements variablesBonjour la communauté JMP,
J'ai quelques questions sur PLS :
- Dois-je masquer une partie de mes données manuellement ou est-ce fait automatiquement lorsque je choisis la validation croisée ?
- Existe-t-il un seuil de saturation des variables sur les facteurs qui distinguent les variables les plus importantes captées par chaque facteur (variable latente)
Merci pour votre aide!
AnalytiqueRe : Validation PLS et chargements variablesMerci Victor! cela aide beaucoup !
Mon objectif est de valider le modèle par validation croisée K-fold.
Pour la deuxième question, je fais référence aux chargements PLS X sur chaque facteur ; existe-t-il un seuil couramment utilisé qui met en évidence les variables appartenant au même système. Par exemple, dans l'analyse factorielle exploratoire, des poids variables (> 0,4) sur un facteur donné suggèrent que ces variables proviennent très probablement du même système.
Merci beaucoup!
Re : Validation PLS et chargements variablesBonjour @Moukanni ,
- Je ne sais pas quel est votre objectif derrière le masquage manuel de vos données et/ou le choix de la validation croisée.
Si vous voulez un ensemble de test (un ensemble non utilisé par le modèle pour la formation et non vu lors de la validation) pour évaluer comment les résultats PLS sont sur des données "nouvelles"/invisibles (et à condition que vous disposiez d'un grand ensemble de données), alors oui, vous pouvez masquer manuellement une partie de votre ensemble de données (masquer et exclure les lignes, exécuter le modèle, enregistrer la formule de prédiction et comparer les réponses prévues et réelles sur cet ensemble de données masqué), ou si vous disposez de JMP Pro, créer une colonne de validation ( dans "Analyze", "Predictive Modeling", "Make Validation Column") où vous spécifierez la proportion de lignes dans votre ensemble d'apprentissage, de validation et/ou de test.
Si vous souhaitez valider votre modèle via une validation croisée K-fold, cela signifie que JMP divisera automatiquement votre jeu de données en K parties, entraînera le modèle PLS sur K-1 parties, puis le validera sur 1 partie et répétera cette opération afin que chaque "partie" (fold) a été une fois une partie validation et K-1 fois une partie apprentissage. Il s'agit d'une bonne technique de validation si vous souhaitez évaluer la robustesse de votre modèle (différents ensembles d'apprentissage et de validation comparés) sur un petit ensemble de données.
- Pas sûr non plus de la deuxième question, si vous voulez savoir quels facteurs sont les plus importants dans le modèle PLS, vous pouvez consulter le diagramme d'importance variable et les scores VIP calculés. Voir : Diagramme d'importance variable (jmp.com) et Graphiques VIP vs coefficients (jmp.com)
J'espère que ça va t'aider !
