687401_it-IT

liliconcom

Si desidera eseguire la stessa tabella dati di ottimizzazione per più variabili y

Sto eseguendo la foresta bootstrap come modello predicativo. Ho degli iperparametri che mi piacciono ma voglio eseguirli più volte (es. 500 repliche) per trovare la foresta casuale che mi dà il miglior r quadrato di convalida. Ho creato la tabella dati di ottimizzazione, ma ogni volta che viene eseguita per una variabile y prevista (ce ne sono 11 nel mio set di dati) devo scegliere manualmente ogni volta la stessa tabella dati. È una perdita di tempo sedersi davanti al computer e attendere 10-15 minuti per ogni corsa e quindi fare clic su quella successiva. Preferirei di gran lunga impostarlo e dimenticarlo. Esiste un'impostazione in modo che possa eseguire automaticamente la stessa tabella di ottimizzazione per ciascuna variabile y?

 

Per riferimento, questa è la casella su cui devo fare clic dopo il completamento di ogni foresta di bootstrap:

 

Modellazione statistica avanzataModellazione predittiva e machine learningRi: Si desidera eseguire la stessa tabella di progettazione di ottimizzazione per più variabili y

Secondo la documentazione su Bootstrap Forest, dovresti semplicemente specificare la tabella da utilizzare nel JSL per la piattaforma.

cioè

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
)

Ri: Si desidera eseguire la stessa tabella di progettazione di ottimizzazione per più variabili y

CIAO @ClassCanary405 ,

 

Benvenuto nella Comunità!

Alcune ulteriori domande e osservazioni, non direttamente collegate alla tua domanda, ma che forse vale la pena considerare:

• Poiché utilizzi la foresta bootstrap come modello predittivo, come hai suddiviso i dati in set di training/convalida/test (k-fold o convalida incrociata "fissa"?) e ti assicuri che i set siano rappresentativi dei campioni futuri?
  Se utilizzi la convalida incrociata "fissa", hai valutato la robustezza del tuo modello variando i set di training, validazione e test (ad esempio utilizzando una colonna della formula di convalida per simulare risultati di modelli diversi con lo stesso raggruppamento o stratificazione, se necessario): https://community.jmp.com/t5/Discussions/Boosted-Tree-Tuning-TABLE-DESIGN/mp/609591/highlight/true#M81062 )
• Perché hai scelto la foresta bootstrap?
  Esistono diversi modelli basati su alberi (o di altro tipo) per i dati tabulari che potrebbero essere più adatti a fornire previsioni precise (come Albero potenziato (jmp.com) O Componente aggiuntivo XGBoost per JMP Pro ). È inoltre necessario, prima di qualsiasi analisi, verificare la presenza di valori mancanti, valori anomali, equilibrio nei dati... Anche se i modelli basati sugli alberi possono essere robusti in queste situazioni, a volte possono spiegare perché alcune previsioni sono “fuori” rispetto alle misurazioni, a causa della mancanza di dati o di rappresentatività.
  Potresti anche prendere in considerazione la creazione di un insieme di modelli, utilizzando diversi tipi di modelli che si comportano bene in diverse regioni del tuo spazio sperimentale o in diversi scenari (valori mancanti, valori anomali, ecc...).
• Perché le metriche di convalida R² hanno uno scopo predittivo?
  Forse altri parametri, come RASE, AAE o tasso di classificazione errata (nel caso di risposta categorica, come le classi) potrebbero essere più adatti: Il rapporto di confronto dei modelli (jmp.com)

 

Infine, la Random Forest (chiamata Bootstrap Forest in JMP) è uno dei modelli di apprendimento supervisionato più robusti disponibili nel Machine Learning. A differenza di altri possibili algoritmi, è uno dei pochi modelli meno sensibile alla regolazione degli iperparametri ed è possibile ottenere buone prestazioni per le foreste casuali con le raccomandazioni/impostazioni predefinite di base di JMP Pro.

 

Per maggiori informazioni sulla "sintonizzazione" dei modelli di Machine Learning (impatto dell'ottimizzazione degli iperparametri sulle prestazioni), puoi consultare questo documento: [1802.09596] Ottimizzabilità: importanza degli iperparametri degli algoritmi di machine learning (arxiv.org)

 

Spero che questa risposta complementare ti possa aiutare,