687401_es-ES

liliconcom

Quiere ejecutar la misma tabla de diseño de ajuste para múltiples variables y

Estoy ejecutando el bosque bootstrap como modelo predicativo. Tengo hiperparámetros que me gustan pero quiero ejecutarlos varias veces (por ejemplo, 500 réplicas) para encontrar el bosque aleatorio que me brinde la mejor validación r cuadrado. Tengo creada la tabla de diseño de ajuste, pero cada vez que se ejecuta para una variable y prevista (hay 11 en mi conjunto de datos), tengo que elegir manualmente la misma tabla de diseño cada vez. Lleva mucho tiempo sentarse frente a la computadora y esperar de 10 a 15 minutos para cada ejecución y luego hacer clic en la siguiente. Prefiero configurarlo y olvidarlo. ¿Existe alguna configuración para que pueda ejecutar la misma tabla de ajuste para cada variable y automáticamente?

 

Como referencia, este es el cuadro en el que debo hacer clic después de completar cada bosque de arranque:

 

Modelado estadístico avanzadoModelado predictivo y aprendizaje automáticoRe: Quiere ejecutar la misma tabla de diseño de ajuste para múltiples variables y

Según la documentación sobre Bootstrap Forest, simplemente debe especificar la tabla que se utilizará en el JSL de la plataforma.

es decir

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: Quiero ejecutar la misma tabla de diseño de ajuste para múltiples variables y

Hola @ClaseCanario405 ,

 

¡Bienvenidos a la Comunidad!

Algunas preguntas y comentarios adicionales, no directamente relacionados con su pregunta, pero que tal vez valga la pena considerar:

• Mientras utiliza el bosque de arranque como modelo predictivo, ¿cómo dividió sus datos en conjuntos de entrenamiento/validación/prueba (k-pliegues o validación cruzada "fija"?) y se aseguró de que los conjuntos sean representativos de las muestras futuras.
  Si utiliza una validación cruzada "fija", ¿ha evaluado la solidez de su modelo variando los conjuntos de entrenamiento, validación y prueba (por ejemplo, utilizando una columna de fórmula de validación para simular resultados de diferentes modelos con la misma agrupación o estratificación si es necesario): https://community.jmp.com/t5/Discussions/Boosted-Tree-Tuning-TABLE-DESIGN/mp/609591/highlight/true#M81062 )
• ¿Por qué elegiste el bosque bootstrap?
  Existen diferentes modelos basados en árboles (u otros tipos) para datos tabulares que pueden ser más adecuados para proporcionar predicciones precisas (como Árbol potenciado (jmp.com) o Complemento XGBoost para JMP Pro ). También es necesario, antes de cualquier análisis, comprobar si hay valores faltantes, valores atípicos, equilibrio en los datos... Incluso si los modelos basados en árboles pueden ser sólidos en estas situaciones, a veces pueden explicar por qué ciertas predicciones están "desacertadas" en comparación con las mediciones, debido a la falta de datos o de representatividad.
  También puede considerar crear un conjunto de modelos, utilizando diferentes tipos de modelos que se comporten muy bien en diferentes regiones de su espacio experimental o en diferentes escenarios (valores faltantes, valores atípicos, etc.).
• ¿Por qué sus métricas de validación R² tienen un propósito predictivo?
  Quizás otras métricas, como RASE, AAE o Tasa de clasificación errónea (en el caso de respuestas categóricas, como clases) puedan ser más adecuadas: El informe de comparación de modelos (jmp.com)

 

Finalmente, Random Forest (llamado Bootstrap Forest en JMP) es uno de los modelos de aprendizaje supervisado más sólidos disponibles en Machine Learning. A diferencia de otros algoritmos posibles, es uno de los pocos modelos que es menos sensible al ajuste de hiperparámetros y puede obtener buenos rendimientos para bosques aleatorios con la configuración básica recomendada/predeterminada de JMP Pro.

 

Para obtener más información sobre la "capacidad de ajuste" de los modelos de aprendizaje automático (impacto del ajuste de hiperparámetros en el rendimiento), puede consultar este documento: [1802.09596] Capacidad de ajuste: importancia de los hiperparámetros de los algoritmos de aprendizaje automático (arxiv.org)

 

Espero que esta respuesta complementaria te ayude.