大家好，
這篇文章旨在開始詢問有關此加載項的問題，並對問題和答案更加坦誠。
以下是我的一般性問題，因為它們與 JMP Genomics（也正在獲取此插件）有關：
- XGBoost 要解決的主要問題是什麼？ （例如，性能不佳的模型？解決其他方法不易處理的稀疏數據？準確性問題？）我讀過它確實提高了建模速度，但還有什麼，請給出一個例子。
- 這如何應用於基因組數據？
- 真正的利益（個人和商業利益）是什麼？目標是幫助社會企業向組織傳達他們為什麼願意投資時間（和/或金錢）來實施的好處。
- 業務問題的影響和嚴重程度如何？
- 除了 Kaggle 之外，還有人實施過 XGBoost 嗎？結果如何？
謝謝，
在此討論中需要補充的另一點是：XGBoost 具有 LGPL3 授權。缺點是我們不允許將其作為常規 JMP 軟體的一部分嵌入分發，以免我們必須向所有人免費提供 JMP。唯一的方法是用戶自願下載包含該模組的軟體包，並自行承擔遵守 LGPL 授權的個人責任。
布萊恩
嗨，麥克，這方面的未來仍有待解決，我們願意接受建議。這是我們第一次在 C++ 層級將硬核心第三方分析整合到 JMP 中，作為第一步，我們希望透過外掛程式保持一定的距離和靈活性。我嚴重懷疑這會成為任何一種新的 JMP 產品，但確實希望它將有助於提高 JMP Pro 的銷量，並為我們提供有關分析軟體發生的一些結構性轉變的寶貴見解。
感謝克里斯提出這些。
1. XGBoost要解決的主要問題是什麼？ （例如，性能不佳的模型？解決其他方法不易處理的稀疏數據？準確性問題？）我讀過它確實提高了建模速度，但還有什麼，請給出一個例子。
XGBoost 在很大程度上是一個非常好的通用預測建模平台；目前 JMP Pro Boosted Tree 平台的增強版。與提升樹和引導森林一樣，它產生可變重要性統計數據，因此也可以更多地用於解釋模式，以確定最強的預測變數並消除最糟糕的預測變數。它會自動處理預測變數中的缺失數據，並具有適用於所有常見類型 Y 目標的目標函數。它相對較快，預設應在安裝時使用電腦上的所有核心，並且可以選擇在 Windows 上使用 NVIDIA GPU。此加載項附帶兩個基本範例和一個解釋它們的文件。憑藉 JMP Pro 中已經最先進的資料操作、清理和特徵工程功能，它提供了一種強大的方法來對錶格資料執行現代機器學習，而無需編寫程式碼。
2. 這如何應用於基因組數據？
XGBoost 中沒有與基因組資料集相關的具體內容，但它可以很好地解決基因組資料集和其他廣泛的資料問題。 Luciano Silva（JMP Genomics 開發人員）和我與一些目前最好的基因組選擇例程（例如 Genomic BLUP）進行了一些比較，它往往表現得同樣好，但並沒有明顯更好。
3. 真正的利益（個人和商業利益）是什麼？目標是幫助社會企業向組織傳達他們為什麼願意投資時間（和/或金錢）來實施的好處。
XGBoost 最直接適用於可以轉化為預測問題的商業問題，儘管您也可以使用它來分析設計實驗中的數據。它可以很好地擴展到更大的數據集。對於新用戶來說，需要一些學習來理解調整參數，並且我們添加了使用 DOE 來幫助調整這些參數的功能。我們還在補充例程「Make K-Fold Columns」中以一種新穎的方式使用 DOE，以創建最佳平衡的資料分割以用於交叉驗證。請參閱該插件的文檔，以了解 JMP Pro 相對於標準 XGBoost 功能帶來的附加價值的完整清單。
4. 業務問題的影響和嚴重程度如何？
很大程度取決於問題！有時，對系統的預測和理解的微小改進可能會產生很大的影響，但有時卻沒有那麼大。
5. 除了 Kaggle 之外，是否有人實施過 XGBoost？結果如何？
我的理解是，許多組織已經在生產中成功實施了 XGBoost 模型，但我沒有任何好的參考資料可供您參考。網路上有很多關於XGBoost的討論。大多數人從 Python 或 R 運行和部署 XGBoost。有一個紅色三角形選項可以保存 Python 程式碼，這實際上是用於從頭開始交叉驗證模型的完整程式碼。
致所有人：我們目前處於早期採用者模式，並設立了一個新的 JMP 社區小組。米婭·史蒂芬斯 (Mia Stephens) 和斯蒂芬妮·曼西亞 (Stephanie Mencia) 非常熱心地提供幫助，我們已經收到了一些非常好的反饋。如果您想新增至該群組或只是想嘗試該加載項，請告訴我。
