Hallo! Willkommen zum heutigen Need for Speed! Heute dreht sich alles um das Predictor Screening! Für frühere Need for Speed-Beiträge klicken Sie hier Hier!
Mein Name ist 2-Click Clovis und ich interessiere mich wirklich leidenschaftlich für Datenanalyse und das Wichtigste: Zeit Effizienz! JMP war ein integrales Werkzeug für meine bisherige Arbeit in der Halbleiter- und Fertigungsindustrie. Seit meinem Beitritt zu JMP bin ich habe so viele neue Tipps und Tricks gelernt. Ich werde es mir nie verzeihen Ich weiß, was ich jetzt weiß, weil ich bei meinem Datenanalyse-Workflow so viele Stunden hätte einsparen können! Ich sehe es als meine derzeitige Verantwortung an, mein neu gewonnenes Wissen mit allen aktuellen JMP-Benutzern zu teilen, um ihnen zu helfen, ihre kostbare Zeit zurückzugewinnen.
Nachdem ich gezeigt habe, wie schnell JMP Ihre routinemäßigen Datenmanipulationen und -analysen im Vergleich zu anderen Tools durchführen kann, zeige ich Ihnen den schnellsten Weg, dies in JMP zu erledigen.
Prädiktor-Screening
Haben Sie große Datensätze, die viele Eingabevariablen enthalten … vielleicht Dutzende oder sogar Hunderte von Eingabevariablen?
Müssen Sie schnell feststellen, welche dieser vielen Kandidaten die größte Fähigkeit besitzen, ein interessantes Ergebnis vorherzusagen?
Ziehen Sie sofort Ihre windabweisende Jacke an, denn Sie werden von der Leistungsfähigkeit und vor allem der Geschwindigkeit der JMPs überwältigt sein Predictor Screening-Plattform!
Predictor Screening-Plattform
Die Predictor Screening-Plattform verwendet ein Bootstrap-Forest-Modell, um nach potenziell wichtigen Prädiktoren Ihrer Reaktion zu suchen.
Gehen Sie zum Menü „Screening“ unter „Analysieren“ und wählen Sie „Prädiktor-Screening“ aus. Nun erscheint ein neues Fenster. Alles, was Sie hier tun müssen, ist zwei einfache Drag-and-Drop-Klicks! Einer dient zum Hinzufügen der gewünschten Ausgabe(n) und der andere zum Hinzufügen Ihrer Eingaben.
Im folgenden Beispiel lege ich, nachdem ich „Dissolution“ als Ausgabe von Interesse ausgewählt habe, sie in das Feld neben „Y, Response“ ein. Ich wähle dann alle 17 Eingänge aus , und lege sie in das Feld neben X.
Die Standardeinstellung besteht darin, ein Bootstrap-Forest-Modell mit 100 Entscheidungsbäumen zu erstellen, die Anzahl der Bäume kann jedoch jederzeit am unteren Rand des Fensters geändert werden.
Nach Klicken OK, der Prädiktor-Screening-Bericht wird erstellt. Boom! Ihre Prädiktoren werden im Bootstrap-Forest-Modell vom höchsten zum niedrigsten Beitrag eingestuft. Prädiktoren mit den höchsten Beiträgen sind wahrscheinlich wichtig für die Vorhersage Ihrer Reaktion. Die resultierende Tabelle enthält außerdem eine Teilspalte, die den Anteil der Variation in der Antwort anzeigt, die einem Prädiktor zugeschrieben wird. Das Beste daran ist, dass dies alles in weniger als einer Minute erledigt war!
Im obigen Beispiel sind Siebgröße, Mahlzeit, Sprührate, Beschichtungsviskosität, Mischzeit und Mischgeschwindigkeit die sechs wichtigsten Variablen, und die Summe ihrer Anteilswerte beträgt knapp über 80 %.
Die wichtigsten Prädiktoren können dann einfach kopiert und zur weiteren Untersuchung in ein anderes Analysefenster eingefügt werden. Sie müssen lediglich die für Sie interessanten Prädiktoren hervorheben klicken auf den Link „Auswahl kopieren“ rechts neben der Tabelle.
Beobachten Sie im folgenden Beispiel, wie ich die sechs am besten bewerteten Prädiktoren auswähle und sie einfach als Modelleffekte in die Fit Model-Plattform kopiere. Sie müssen Ihre kostbare Zeit nicht damit verschwenden, jede Variable einzeln zu suchen und dann hinzuzufügen!
In diesem Sinne,
klickt raus!
Ich muss meine Analyse live in der Branche einsetzen; Deshalb habe ich mein Modell über Scikit Learn in Python exportiert. Scikit Learn verwendet einen Random-Forest-Classifier für die Feature-Auswahl. Wie kann ich die JMP-Prädiktor-Screening-Methodik in Python für das Screening kontinuierlicher Features einsetzen?
Derzeit verwende ich Random-Forest-Regressor mit n_estimators = 100, Bootstrap = 'true' und max_sample = 1000.
