안녕하세요! 오늘에 오신 것을 환영합니다 니드 포 스피드! 오늘은 예측자 선별에 관한 모든 것입니다! 이전 Need for Speed 게시물을 보려면 다음을 클릭하세요. 여기!
제 이름은 2-Click Clovis이고 데이터 분석에 진심으로 열정을 갖고 있으며 가장 중요한 것은 시간 능률! JMP는 제가 이전에 반도체 및 제조 업계에서 일할 때 필수적인 도구였습니다. 저는 JMP에 합류한 이후로 많은 새로운 팁과 요령을 배웠습니다. 나는 결코 나 자신을 용서하지 않을 것이다. 데이터 분석 작업 흐름에서 많은 시간을 절약할 수 있었기 때문에 지금 알고 있는 것을 알게 되었습니다! 제가 현재 맡고 있는 책임은 제가 새로 발견한 지식을 현재의 모든 JMP 사용자와 공유하여 그들이 소중한 시간을 되찾을 수 있도록 돕는 것입니다.
JMP가 일상적인 데이터 조작 및 분석을 다른 도구에 비해 얼마나 빨리 수행할 수 있는지를 설명한 후, JMP에서 이를 수행하는 가장 빠른 방법을 보여드리겠습니다.
예측자 선별
많은 입력 변수(아마도 수십 또는 수백 개의 입력 변수)를 포함하는 대규모 데이터 세트가 있습니까?
이렇게 많은 후보자 중 관심 있는 결과를 예측하는 능력이 가장 중요한 후보자를 신속하게 판단해야 합니까?
음...즉시 방풍 재킷을 입으세요. JMP의 성능과 가장 중요한 속도에 깜짝 놀라게 될 것이기 때문입니다. 예측자 선별 플랫폼!
예측자 선별 플랫폼
예측자 선별 플랫폼은 부트스트랩 포리스트 모델을 사용하여 잠재적으로 중요한 반응 예측자를 선별합니다.
분석 아래의 스크리닝 메뉴로 이동하여 예측자 스크리닝을 선택합니다. 이제 새 창이 나타납니다. 여기서 해야 할 일은 두 번의 간단한 드래그 앤 드롭 클릭! 하나는 원하는 출력을 추가하기 위한 것이고, 다른 하나는 입력을 추가하기 위한 것입니다.
아래 예에서는 용해를 관심 출력으로 선택한 후 Y, 응답 옆의 상자에 놓습니다. 그런 다음 17개의 입력을 모두 선택합니다. , X 옆에 있는 상자에 넣으세요.
기본 설정은 100개의 의사결정 트리를 사용하여 부트스트랩 포리스트 모델을 구축하는 것이지만, 창 하단에서 트리 수를 언제든지 수정할 수 있습니다.
후에 클릭 좋습니다. 예측자 선별 보고서가 생성되었습니다. 팔! 예측 변수는 부트스트랩 포리스트 모델에서 기여도가 가장 높은 것부터 가장 낮은 것까지 순위가 매겨집니다. 기여도가 가장 높은 예측변수는 반응을 예측하는 데 중요할 가능성이 높습니다. 결과 테이블에는 예측 변수로 인한 반응 변동의 비율을 보여주는 부분 열도 있습니다. 가장 좋은 점은 이 모든 작업이 1분 이내에 완료되었다는 것입니다!
위의 예에서 스크린 크기, 밀링 시간, 스프레이 속도, 코팅 점도, 혼합 시간 및 혼합 속도는 가장 중요한 6가지 변수이며 해당 부분 값의 합은 80%를 조금 넘습니다.
그런 다음 상위 예측 변수를 쉽게 복사하여 추가 연구를 위해 다른 분석 창에 붙여넣을 수 있습니다. 당신이 해야 할 일은 관심 있는 예측 변수를 강조 표시하고 딸깍 하는 소리 테이블 오른쪽에 있는 선택 항목 복사 링크를 클릭하세요.
아래 예에서는 상위 6개 예측 변수를 선택하고 Fit Model 플랫폼에서 모델 효과로 쉽게 복사하는 모습을 살펴보세요. 각 변수를 개별적으로 찾아 추가하는 데 귀중한 시간을 낭비할 필요가 없습니다!
그 점에 있어서,
클릭하고 있어요!
나는 내 분석을 업계에 실시간으로 배포해야 합니다. 따라서 scikit learn을 통해 Python으로 모델을 내보냈습니다. Scikit Learn은 기능 선택을 위해 Random-Forest-Classifier를 사용합니다. 연속 기능 선별을 위해 Python에서 JMP 예측자 선별 방법을 어떻게 사용할 수 있습니까?
현재 저는 n_estimators = 100, bootstrap = 'true' 및 max_sample = 1000인 Random-Forest-Regressor를 사용하고 있습니다.
