Hola a todos,
Esta es una publicación para comenzar a hacer preguntas sobre este complemento y ser más sincero con las preguntas y respuestas.
Estas son mis preguntas en general y en lo que respecta a JMP Genomics (que también recibe este complemento):
- ¿Cuál es el principal problema que se supone que aborda XGBoost? (por ejemplo, ¿modelos de bajo rendimiento? ¿Abordar datos escasos que no se pueden tratar fácilmente con otros métodos? ¿Problemas de precisión?) He leído que realmente aumenta la velocidad del modelado, pero ¿qué más? Por favor, dé un ejemplo.
- ¿Cómo se aplica esto a los datos genómicos?
- ¿Cuál es el beneficio real (beneficio personal y empresarial)? El objetivo es ayudar a las PE a comunicar el beneficio a una organización y por qué querrían invertir tiempo (y/o dinero) para implementar.
- ¿Cuál es el impacto y la magnitud de un problema empresarial?
- Fuera de Kaggle, ¿alguien implementó XGBoost y cuál fue el resultado?
Gracias,
Otro punto para agregar a esta discusión: XGBoost tiene una licencia LGPL3. En pocas palabras, no se nos permite distribuirlo integrado como parte del software JMP normal, por temor a tener que proporcionar JMP esencialmente de forma gratuita para todos. La única forma es que el usuario descargue voluntariamente el paquete que contiene este módulo y asuma la responsabilidad personal de cumplir con la licencia LGPL.
Brian
Hola Mike, el futuro de esto aún está por resolverse y estamos abiertos a sugerencias. Esta es la primera vez que integramos análisis de terceros en JMP a nivel de C++ y, como primer paso, queremos mantener cierta distancia y flexibilidad a través de un complemento. Dudo seriamente que esto se convierta en algún tipo de producto nuevo de JMP, pero espero que ayude a mejorar las ventas de JMP Pro y nos brinde información valiosa sobre algunos de los cambios tectónicos que ocurren con el software de análisis.
Gracias Chris por plantearlos.
1. ¿Cuál es el principal problema que se supone que debe abordar XGBoost? (por ejemplo, ¿modelos de bajo rendimiento? ¿Abordar datos escasos que no se pueden tratar fácilmente con otros métodos? ¿Problemas de precisión?) He leído que realmente aumenta la velocidad del modelado, pero ¿qué más? Por favor, dé un ejemplo.
XGBoost es en su mayor parte una plataforma de modelado predictivo de propósito general realmente buena; una variación sobrealimentada de la actual plataforma JMP Pro Boosted Tree. Al igual que Boosted Tree y Bootstrap Forest, produce estadísticas de importancia variable, por lo que también se puede utilizar en un modo más explicativo para determinar los predictores más sólidos y eliminar los más pobres. Maneja automáticamente los datos faltantes en los predictores y tiene funciones objetivas para todos los tipos comunes de objetivos Y. Es relativamente rápido y, de forma predeterminada, debería usar todos los núcleos de su máquina mientras se instala y, opcionalmente, puede usar una GPU NVIDIA en Windows. El complemento viene con dos ejemplos básicos y un documento que los explica. Con las capacidades de ingeniería de funciones, limpieza y manipulación de datos ya de última generación en JMP Pro, proporciona una forma formidable de realizar aprendizaje automático moderno en datos tabulares sin tener que escribir código.
2. ¿Cómo se aplica esto a los datos genómicos?
No hay nada específico en XGBoost relacionado con conjuntos de datos genómicos, pero puede funcionar bien para ellos y otros problemas de datos amplios. Luciano Silva (desarrollador de JMP Genomics) y yo hemos realizado algunas comparaciones con algunas de las mejores rutinas de selección genómica actuales (por ejemplo, Genomic BLUP) y tiende a funcionar igual de bien, pero no significativamente mejor.
3. ¿Cuál es el beneficio real (beneficio personal y empresarial)? El objetivo es ayudar a las PE a comunicar el beneficio a una organización y por qué querrían invertir tiempo (y/o dinero) para implementar.
XGBoost se aplica más directamente a problemas comerciales que pueden presentarse como problemas de predicción, aunque también puede usarlo para analizar datos de experimentos diseñados. Se adapta bien a conjuntos de datos más grandes. Para los nuevos usuarios, es necesario aprender a comprender los parámetros de ajuste y hemos agregado una funcionalidad que utiliza DOE para ayudar a ajustar estos parámetros. También utilizamos DOE de una manera novedosa en una rutina complementaria Make K-Fold Columns para crear divisiones de datos óptimamente equilibradas para usar en la validación cruzada. Consulte el documento con el complemento para obtener una lista completa de los valores agregados que JMP Pro ofrece la funcionalidad XGBoost estándar.
4. ¿Cuál es el impacto y la magnitud de un problema empresarial?
¡Depende en gran medida del problema! A veces, pequeñas mejoras en las predicciones y la comprensión de un sistema pueden tener grandes impactos, otras veces no tanto.
5. Fuera de Kaggle, ¿alguien implementó XGBoost y cuál fue el resultado?
Tengo entendido que numerosas organizaciones han implementado modelos XGBoost con éxito en producción, pero no tengo buenas referencias para usted. Hay muchas discusiones sobre XGBoost en línea. La mayoría de la gente ejecuta e implementa XGBoost desde Python o R. Hay una opción de triángulo rojo para guardar el código Python, que en realidad es código completo para realizar una validación cruzada del modelo desde cero.
Para todos: Actualmente estamos en modo Early Adopter y tenemos un nuevo grupo comunitario JMP configurado. Mia Stephens y Stephanie Mencia son amables y ya hemos recibido comentarios fantásticos. Avíseme si desea que lo agreguen al grupo o simplemente desea probar el complemento.
