你好！ 欢迎来到今天的极品速度！ 今天的主题是预测筛选！ 如需查看之前的《极品飞车》帖子，请点击这里！
我的名字是 2-Click Clovis，我对数据分析充满热情，最重要的是，时间效率！ JMP 是我之前在半导体和制造业工作中不可或缺的工具。 自从加入 JMP 以来，我学到了很多新的技巧和窍门。 我永远不会原谅自己不这样做了解我现在所知道的，因为我可以在数据分析工作流程中节省很多时间！ 我认为我当前的责任是与所有当前的 JMP 用户分享我新发现的知识，帮助他们重新获得宝贵的时间。
在我演示了 JMP 与其他工具相比执行日常数据操作和分析的速度有多快之后，我将向您展示在 JMP 中完成此操作的最快方法。
预测筛选
您是否有包含许多输入变量的大型数据集……可能有数十个甚至数百个输入变量！？
您是否需要快速确定这些大量候选人中哪些在预测感兴趣结果的能力方面最重要！？
好吧…立即穿上你的防风夹克，因为你会被 JMP 的能力，最重要的是速度所震撼预测筛选平台！
预测筛选平台
预测因子筛选平台使用引导森林模型来筛选您的反应的潜在重要预测因子。
转至分析下的筛选菜单，然后选择预测因子筛选。 现在出现一个新窗口。 您需要在这里做的就是两次简单的拖放点击！ 一个用于添加所需的输出，另一个用于添加您的输入。
在下面的示例中，选择溶出度作为我感兴趣的输出后，我将其放入 Y（响应）旁边的框中。 然后我选择所有 17 个输入,并将它们放入 X 旁边的框中。
默认设置是使用 100 棵决策树构建引导森林模型，但树的数量始终可以在窗口底部修改。
后点击OK，预测因子筛选报告已创建。 繁荣！ 您的预测变量在引导森林模型中按照贡献从最高到最低的顺序排列。 贡献最高的预测因素可能对预测您的反应很重要。 生成的表还将有一个部分列，显示归因于预测变量的响应变化的比例。 最棒的是，所有这一切都是在不到一分钟的时间内完成的！
在上面的示例中，屏幕尺寸、研磨时间、喷涂速率、涂层粘度、混合时间和混合速度是前六个最重要的变量，它们的比例值之和刚刚超过 80%。
然后可以轻松地将最重要的预测变量复制并粘贴到另一个分析窗口中以供进一步研究。 您需要做的就是突出显示感兴趣的预测因素并点击在表右侧的复制所选链接上。
在下面的示例中，请观看我选择排名前六的预测变量，并轻松地将它们复制为“拟合模型”平台中的模型效果。 无需浪费宝贵的时间单独查找每个变量然后添加它们！
在那一点上，
正在点击出去！
我必须在行业中部署我的分析；因此，我通过 scikit learn 在 python 中导出了我的模型。 Scikit learn 使用随机森林分类器进行特征选择。 我如何在 python 中使用 JMP 预测器筛选方法进行连续特征筛选？
目前，我正在使用随机森林回归器，其中 n_estimators = 100，bootstrap = 'true' 和 max_sample = 1000。
