Vous souhaitez exécuter la même table de conception de réglage pour plusieurs variables yJ'utilise la forêt bootstrap comme modèle prédicatif. J'ai des hyperparamètres que j'aime mais je souhaite les exécuter plusieurs fois (ex. 500 répétitions) pour trouver la forêt aléatoire qui me donne le meilleur carré de validation. J'ai construit la table de conception de réglage, mais chaque fois qu'elle s'exécute pour une variable y prévue (il y en a 11 dans mon ensemble de données), je dois choisir manuellement la même table de conception à chaque fois. Cela prend du temps de s'asseoir près de l'ordinateur et d'attendre 10 à 15 minutes pour chaque exécution, puis de cliquer sur la suivante. Je préfère de loin le régler et l'oublier. Existe-t-il un paramètre permettant d'exécuter automatiquement la même table de réglage pour chaque variable y ?
Pour référence, voici la case sur laquelle je dois cliquer une fois chaque forêt d'amorçage terminée :
Modélisation statistique avancéeModélisation prédictive et apprentissage automatiqueRe : Vous souhaitez exécuter la même table de conception de réglage pour plusieurs variables YSelon la documentation sur Bootstrap Forest, vous devez simplement spécifier la table à utiliser dans le JSL pour la plateforme.
c'est à dire
Bootstrap Forest(
Y( :Percent body fat ),
X(
:"Age (years)"n, :"Weight (lbs)"n, :"Height (inches)"n,
:"Neck circumference (cm)"n, :"Chest circumference (cm)"n,
:"Abdomen circumference (cm)"n, :"Hip circumference (cm)"n,
:"Thigh circumference (cm)"n, :"Knee circumference (cm)"n,
:"Ankle circumference (cm)"n, :"Biceps (extended) circumference (cm)"n,
:"Forearm circumference (cm)"n, :"Wrist circumference (cm)"n
),
Tuning Design Table("place your design table name here"),
Go
)Re : Vous souhaitez exécuter la même table de conception de réglage pour plusieurs variables YSalut @ClassCanary405 ,
Bienvenue dans la Communauté !
Quelques autres questions et remarques, pas directement liées à votre question, mais qui méritent peut-être d'être prises en compte :
- Comme vous utilisez la forêt d'amorçage comme modèle prédictif, comment avez-vous partitionné vos données en ensembles d'entraînement/validation/test (k-folds ou validation croisée « fixe » ?) et vous êtes assuré que les ensembles sont représentatifs des futurs échantillons ?
Si vous utilisez la validation croisée « fixe », avez-vous évalué la robustesse de votre modèle en faisant varier les ensembles de formation, de validation et de test (par exemple en utilisant une colonne de formule de validation pour simuler les résultats de différents modèles avec le même regroupement ou stratification si nécessaire : https://community.jmp.com/t5/Discussions/Boosted-Tree-Tuning-TABLE-DESIGN/mp/609591/highlight/true#M81062 )
- Pourquoi avoir choisi la forêt bootstrap ?
Il existe différents modèles arborescents (ou d'autres types) pour les données tabulaires qui peuvent être plus adaptés pour fournir des prédictions précises (comme Arbre boosté (jmp.com) ou Complément XGBoost pour JMP Pro ). Il faut aussi, avant toute analyse, vérifier les valeurs manquantes, les valeurs aberrantes, l'équilibre des données... Même si les modèles arborescents peuvent être robustes dans ces situations, ils peuvent parfois expliquer pourquoi certaines prédictions sont « fausses » par rapport aux mesures, par manque de données ou de représentativité.
Vous pouvez également envisager de créer un ensemble de modèles, en utilisant différents types de modèles qui se comportent bien dans différentes régions de votre espace expérimental ou dans différents scénarios (valeurs manquantes, valeurs aberrantes, etc...).
- Pourquoi vos métriques de validation R² ont-elles un but prédictif ?
Peut-être que d'autres métriques, telles que RASE, AAE ou Missclassification Rate (dans le cas de réponses catégoriques, comme les classes) pourraient être plus adaptées : Le rapport de comparaison des modèles (jmp.com)
Enfin, Random Forest (appelée Bootstrap Forest dans JMP) est l'un des modèles d'apprentissage supervisé les plus robustes disponibles en Machine Learning. Contrairement à d'autres algorithmes possibles, c'est l'un des rares modèles qui est moins sensible au réglage des hyperparamètres, et vous pouvez obtenir de bonnes performances pour les forêts aléatoires avec les recommandations/paramètres par défaut de base de JMP Pro.
Pour plus d'informations sur la "tunabilité" des modèles de Machine Learning (impact du réglage des hyperparamètres sur les performances), vous pouvez consulter cet article : [1802.09596] Ajustabilité : importance des hyperparamètres des algorithmes d'apprentissage automatique (arxiv.org)
J'espère que cette réponse complémentaire vous aidera,
