@플로렌트_M 이 일을 하려는 이유가 무엇인지 더 궁금합니다. 해결 중인 문제를 더 자세히 설명할 수 있나요?
귀하가 요청한 기능을 이해한다면 약간의 JSL을 사용하여 부트스트랩 포리스트 예측 모델을 별도의 열로 분할할 수 있습니다.
예는 다음과 같습니다.
names default to here(1);
dt=open("$sample_data/bands data.jmp");
bf=dt << Bootstrap Forest(
Y( :Banding? ),
X( Column Group( "Predictors" ) ),
Missing Value Order(
Low(
:proof cut, :caliper, :humidity, :roughness, :solvent pct, :ESA Amperage,
:wax, :hardener, :current density, :anode space ratio, :chrome content
),
High(
:viscosity, :ink temperature, :blade pressure, :varnish pct,
:press speed, :ink pct, :ESA Voltage
)
),
Method( "Bootstrap Forest" ),
Portion Bootstrap( 1 ),
Number Terms( 25 ),
Number Trees( 100 ),
Go
);
bf << Save Prediction Formula;
bf << Close Window;
c=column(dt, "Prob(Banding?==band)");
/*
because a bootstrap forest model has the structure
( tree1 + tree2 + ... + treeN)/N
--get the prediction formula expression
--get the argument inside the main parenthesis (the sum of the trees)
--convert that experession to character and use the Words() function to get each tree formula
as a character string into a list
--then iterate through the list and create a new formula column for each tree,
*/
formula_expr=c << get formula;
arg(formula_expr,1);
trees_list=words(char(arg(formula_expr,1)), "+");
for each({tree, ii}, trees_list,
ctree = New Column("TREE"||char(ii), numeric, continuous);
tree=trees_list[ii];
Eval(parse(substitute("ctree << Set Formula(fff)", "fff", tree)))
);
감사합니다 @샘가드너 !
당신 말이 맞습니다. 이 경우 JSL을 사용하면 작업이 가능하며 귀하의 스크립트에 진심으로 감사드립니다. 열 수식 저장 메뉴(중앙값, 분위수 등과 같은 기타 측정항목도 포함)에 이 옵션이 있으면 도움이 될 것입니다.
나는 이를 신뢰 구간을 살펴보고 범주형 변수를 사용한 반복 대리 모델링을 위해 획득 함수 EI 또는 PI를 사용하는 데 사용할 것입니다(참조 https://community.jmp.com/t5/JMP-Add-Ins/Bayesian-optimization-add-in/ta-p/496785 ).
친애하는,
플로랑
이 위시리스트 요청에 영감을 준 것은 무엇입니까?
배깅을 사용하지 않고 예측 모델에 대해 예측의 불확실성을 빠르고 쉽게 계산하고 싶었습니다. 실제로 배깅은 프로파일러로 계산하는 데 상당히 느립니다.
당신이 보고 싶은 개선점은 무엇입니까?
Bootstrap Forest Plateform을 사용할 때 모든 나무 수식을 저장하고 싶습니다. 또는 최소한 분포의 표준 편차입니다.
이 아이디어가 왜 중요한가요?
이는 대리 모델 최적화(Bayesian Optimization)를 수행할 때 획득 함수를 계산할 수 있다는 점에서 매우 중요합니다. 칸막이 플레이트폼으로 배깅을 사용해 보았지만 결과가 만족스럽지 않습니다. 가우스 프로세스 플랫폼은 범주형 변수를 처리하지 않습니다.
아이디어 주셔서 감사합니다. 우리는 이것을 더 조사할 것입니다. 개별 트리 공식과 예측 및 예측 요약을 사용하는 이유와 방법에 대해 제공할 수 있는 추가 세부 정보는 이를 평가하는 데 도움이 될 것입니다.
