你好！ 歡迎來到今天的極品速度！ 今天的主題是預測篩選！ 如需查看先前的《極速快感》帖子，請點擊這裡！
我的名字是 2-Click Clovis，我對數據分析充滿熱情，最重要的是，時間效率！ JMP 是我之前在半導體和製造業工作中不可或缺的工具。 自從加入 JMP 以來，我學到了很多新的技巧和訣竅。 我永遠不會原諒自己不這樣做了解我現在所知道的，因為我可以在資料分析工作流程中節省很多時間！ 我認為我目前的責任是與所有目前的 JMP 使用者分享我新發現的知識，以幫助他們重新獲得寶貴的時間。
在我演示 JMP 與其他工具相比執行常規資料操作和分析的速度有多快之後，我將向您展示在 JMP 中完成此操作的最快方法。
預測篩選
您是否有包含許多輸入變數的大型資料集…可能有數十個甚至數百個輸入變數！？
您是否需要快速確定這些大量候選人中哪些在預測感興趣結果的能力方面最重要！？
好吧…立即穿上你的防風夾克，因為你會被 JMP 的能力，最重要的是速度所震撼預測篩選平台！
預測篩選平台
預測因子篩選平台使用引導森林模型來篩選您的反應的潛在重要預測因子。
前往分析下的篩選選單，然後選擇預測因子篩選。 現在出現一個新視窗。 您需要在這裡做的就是兩次簡單的拖放點擊！ 一個用於添加所需的輸出，另一個用於添加您的輸入。
在下面的範例中，選擇溶出度作為我感興趣的輸出後，我將其放入 Y（響應）旁邊的框中。 然後我選擇所有 17 個輸入,並將它們放入 X 旁邊的方框中。
預設設定是使用 100 棵決策樹建立引導森林模型，但樹的數量始終可以在視窗底部修改。
後點選OK，預測因子篩選報告已建立。 繁榮！ 您的預測變數在引導森林模型中按照貢獻從最高到最低的順序排列。 貢獻最高的預測因子可能對預測您的反應很重要。 產生的表格還將有一個部分列，顯示歸因於預測變數的反應變化的比例。 最棒的是，這一切都是在不到一分鐘的時間內完成的！
在上面的範例中，螢幕尺寸、研磨時間、噴塗速率、塗層黏度、混合時間和混合速度是前六個最重要的變量，它們的比例值總和剛好超過 80%。
然後可以輕鬆地將最重要的預測變數複製並貼上到另一個分析視窗中以進行進一步研究。 您需要做的就是突出顯示感興趣的預測因素並點選在表格右側的複製所選連結上。
在下面的範例中，請觀看我選擇排名前六的預測變量，並輕鬆地將它們複製為「擬合模型」平台中的模型效果。 無需浪費寶貴的時間單獨查找每個變數然後添加它們！
在那一點上，
正在點擊出去！
我必須在行業中部署我的分析；因此，我透過 scikit learn 在 python 中導出了我的模型。 Scikit learn 使用隨機森林分類器進行特徵選擇。 我如何在 python 中使用 JMP 預測器篩選方法進行連續特徵篩選？
目前，我正在使用隨機森林回歸器，其中 n_estimators = 100，bootstrap = 'true' 和 max_sample = 1000。
