저는 예측 모델로 부트스트랩 포리스트를 실행하고 있습니다. 나는 내가 좋아하는 하이퍼파라미터를 가지고 있지만 나에게 최고의 검증 r 제곱을 제공하는 랜덤 포레스트를 찾기 위해 여러 번(예: 500번 반복) 실행하고 싶습니다. 튜닝 설계 테이블을 만들었지만 하나의 예측된 y-변수(내 데이터세트에 11개가 있음)에 대해 실행될 때마다 매번 동일한 설계 테이블을 수동으로 선택해야 합니다. 컴퓨터 옆에 앉아 각 실행마다 10~15분을 기다린 후 다음을 클릭하는 것은 시간이 많이 걸립니다. 차라리 설정하고 잊어버리는 편이 낫습니다. 각 y-변수에 대해 동일한 튜닝 테이블을 자동으로 실행할 수 있도록 설정이 있습니까?
참고로 다음은 각 부트스트랩 포리스트가 완료된 후 클릭해야 하는 상자입니다.
Bootstrap Forest 문서에 따르면 플랫폼의 JSL에서 사용할 테이블을 지정하면 됩니다.
즉
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
)안녕 @ClassCanary405 ,
커뮤니티에 오신 것을 환영합니다!
귀하의 질문과 직접적으로 연결되지는 않지만 고려해 볼 가치가 있는 몇 가지 추가 질문 및 의견은 다음과 같습니다.
- 부트스트랩 포리스트를 예측 모델로 사용하면서 데이터를 훈련/검증/테스트 세트(k-겹 또는 "고정" 교차 검증?)로 어떻게 분할하고 세트가 미래 샘플을 대표하는지 확인했습니까?
"고정" 교차 검증을 사용하는 경우 훈련, 검증 및 테스트 세트를 변경하여 모델의 견고성을 평가했습니까? 예를 들어 검증 수식 열을 사용하여 필요한 경우 동일한 그룹화 또는 계층화로 다양한 모델 결과를 시뮬레이션했습니다. https://community.jmp.com/t5/Discussions/Boosted-Tree-Tuning-TABLE-DESIGN/mp/609591/highlight/true#M81062 )
- 부트스트랩 포레스트를 선택한 이유는 무엇입니까?
정확한 예측을 제공하는 데 더 적합할 수 있는 표 형식 데이터에 대해 다양한 트리 기반(또는 기타 유형) 모델이 존재합니다(예: 부스팅 트리(jmp.com) 또는 JMP Pro용 XGBoost 추가 기능 ). 분석하기 전에 데이터의 누락된 값, 이상치, 균형을 확인하는 것도 필요합니다. 이러한 상황에서 트리 기반 모델이 강력할 수 있더라도 때로는 데이터 부족이나 대표성으로 인해 측정값과 비교하여 특정 예측이 "어긋나는" 이유를 설명할 수도 있습니다.
또한 실험 공간의 다양한 영역이나 다양한 시나리오(결측값, 이상치 등)에서 훌륭하게 작동하는 다양한 유형의 모델을 사용하여 모델 앙상블을 만드는 것을 고려할 수도 있습니다.
- 검증 지표 R²가 예측 목적인 이유는 무엇입니까?
아마도 RASE, AAE 또는 분류 오류율(클래스와 같은 범주형 응답의 경우)과 같은 다른 측정항목이 더 적합할 수 있습니다. 모델 비교 보고서(jmp.com)
마지막으로 Random Forest(JMP에서는 Bootstrap Forest라고 함)는 Machine Learning에서 사용할 수 있는 가장 강력한 지도 학습 모델 중 하나입니다. 다른 가능한 알고리즘과 달리 초매개변수 조정에 덜 민감한 몇 안 되는 모델 중 하나이며 기본 JMP Pro 권장 사항/기본 설정을 사용하면 Random Forest에 대해 좋은 성능을 얻을 수 있습니다.
기계 학습 모델의 "조정 가능성"(초매개변수 조정이 성능에 미치는 영향)에 대한 자세한 내용은 다음 문서를 확인하세요. [1802.09596] 조정 가능성: 기계 학습 알고리즘의 하이퍼파라미터의 중요성(arxiv.org)
이 보완적인 답변이 도움이 되길 바랍니다.
