こんにちは！ 今日のへようこそニード・フォー・スピード！ 今日はプレディクタースクリーニングについてです！ 以前の Need for Speed の投稿については、ここをクリックしてください。ここ！
私の名前は 2-Click Clovis です。私はデータ分析に心から情熱を持っており、最も重要なことは、時間効率！ JMP は、半導体業界や製造業界での私の以前の仕事にとって不可欠なツールでした。 私はJMPに入社してから、たくさんの新しいヒントやコツを学びました。 そうでない自分を決して許さないデータ分析ワークフローで非常に多くの時間を節約できたので、今わかっていることを知ることができました。 私の現在の責任は、新たに得た知識を現在の JMP ユーザー全員と共有し、彼らが貴重な時間を取り戻せるよう支援することだと考えています。
JMP が他のツールと比較して日常的なデータ操作と分析をいかに迅速に実行できるかを示した後、それを JMP 内で実行する最も迅速な方法を示します。
予測因子スクリーニング
多くの入力変数を含む大規模なデータ セットはありますか?おそらく数十、あるいは数百の入力変数があるでしょうか?
これらの多数の候補者のうち、関心のある結果を予測する能力において最も重要なのはどれであるかを迅速に判断する必要がありますか?
まあ…すぐに防風ジャケットを着てください。JMP の機能と最も重要なスピードに驚かされることになるでしょう。予測者スクリーニング プラットフォーム!
予測スクリーニング プラットフォーム
予測子スクリーニング プラットフォームは、ブートストラップ フォレスト モデルを使用して、応答の潜在的に重要な予測子をスクリーニングします。
「分析」の下の「スクリーニング」メニューに移動し、「予測子スクリーニング」を選択します。 新しいウィンドウが表示されます。 ここで行う必要があるのは、ドラッグ アンド ドロップを 2 回クリックするだけです。 1 つは目的の出力を追加するためのもので、もう 1 つは入力を追加するためのものです。
以下の例では、関心のある出力として [溶解] を選択した後、それを [Y, Response] の隣のボックスにドロップします。 次に、17 個の入力をすべて選択します、 X の隣のボックスにドロップします。
デフォルト設定では、100 個のデシジョン ツリーを使用してブートストラップ フォレスト モデルを構築しますが、ツリーの数はウィンドウの下部でいつでも変更できます。
後クリックするOK、予測子スクリーニングレポートが作成されました。 ブーム！ 予測変数は、ブートストラップ フォレスト モデルでの寄与度が最も高いものから最も低いものまでランク付けされます。 貢献度が最も高い予測子は、応答を予測する上で重要である可能性があります。 結果のテーブルには、予測変数に起因する応答の変動の割合を示す部分列も含まれます。 最も良い点は、これらすべてが 1 分以内に完了したことです。
上の例では、スクリーン サイズ、ミル時間、スプレー レート、コーティング粘度、ブレンド時間、ブレンド速度が最も重要な変数の上位 6 つであり、それらの部分値の合計は 80% をわずかに超えています。
上位の予測値を簡単にコピーして別の分析ウィンドウに貼り付けて、さらなる調査を行うことができます。 必要なのは、関心のある予測変数を強調表示することだけです。クリック表の右側にある「選択項目をコピー」リンクをクリックします。
以下の例では、上位 6 つの予測変数を選択し、それらをモデル効果として Fit Model プラットフォームに簡単にコピーする様子をご覧ください。 各変数を個別に見つけて追加するという貴重な時間を無駄にする必要はありません。
その点に関しては、
クリックアウトしています！
分析を業界内でライブで展開する必要があります。したがって、scikit learn を介して Python でモデルをエクスポートしました。 Scikit learn は、特徴の選択にランダムフォレスト分類子を使用します。 Python で連続特徴量のスクリーニングに JMP 予測子スクリーニング手法を使用するにはどうすればよいですか?
現在、私はn_estimators = 100、bootstrap = 'true'、max_sample = 1000でrandom-forest-regressorを使用しています。
