안녕하세요 여러분,
이 게시물은 이 추가 기능에 대한 질문을 시작하고 질문과 답변에 대해 좀 더 솔직하게 설명하기 위한 게시물입니다.
다음은 JMP Genomics(이 추가 기능도 제공됩니다)와 관련된 일반적인 질문입니다.
- XGBoost가 해결해야 할 주요 문제는 무엇입니까? (예: 성능이 떨어지는 모델? 다른 방법으로 쉽게 처리할 수 없는 희소 데이터 처리? 정확도 문제?) 모델링 속도가 실제로 빨라진다는 내용을 읽었지만 그 외에 어떤 것이 있는지 예를 들어주세요.
- 이것이 게놈 데이터에 어떻게 적용됩니까?
- 실제 이점은 무엇입니까(개인 및 비즈니스 이점)? 목표는 SE가 구현에 시간(및/또는 비용)을 투자하려는 이유에 대한 이점을 조직에 전달하도록 돕는 것입니다.
- 비즈니스 문제에 대한 영향과 크기는 무엇입니까?
- Kaggle 외부에서 XGBoost를 구현한 사람이 있습니까? 그 결과는 무엇입니까?
감사해요,
이 토론에 추가할 또 다른 사항은 XGBoost에 LGPL3 라이센스가 있다는 것입니다. 단점은 JMP를 기본적으로 모든 사람에게 무료로 제공해야 하지 않도록 일반 JMP 소프트웨어의 일부로 내장하여 배포하는 것이 허용되지 않는다는 것입니다. 유일한 방법은 사용자가 이 모듈이 포함된 패키지를 자발적으로 다운로드하고 LGPL 라이선스를 준수할 개인적인 책임을 지는 것입니다.
브라이언
안녕하세요 Mike. 이에 대한 미래는 아직 해결되지 않았으며 우리는 제안을 환영합니다. C++ 수준에서 하드 코어 제3자 분석을 JMP에 통합한 것은 이번이 처음이며, 첫 번째 단계로 추가 기능을 통해 어느 정도 거리감과 유연성을 유지하려고 합니다. 이것이 새로운 JMP 제품이 될지는 의심스럽습니다. 하지만 JMP Pro의 판매를 늘리는 데 도움이 되고 분석 소프트웨어에서 일어나는 구조적 변화에 대한 귀중한 통찰력을 제공할 수 있기를 바랍니다.
이것을 키워주신 Chris에게 감사드립니다.
1. XGBoost가 해결해야 할 주요 문제점은 무엇입니까? (예: 성능이 떨어지는 모델? 다른 방법으로 쉽게 처리할 수 없는 희소 데이터 처리? 정확도 문제?) 모델링 속도가 실제로 빨라진다는 내용을 읽었지만 그 외에 어떤 것이 있는지 예를 들어주세요.
XGBoost는 대부분 매우 훌륭한 범용 예측 모델링 플랫폼입니다. 현재 JMP Pro Boosted Tree 플랫폼의 강력한 변형입니다. Boosted Tree 및 Bootstrap Forest와 마찬가지로 가변 중요도 통계를 생성하므로 가장 강력한 예측 변수를 결정하고 가장 약한 예측 변수를 제거하기 위해 더 많은 설명 모드에서 사용할 수도 있습니다. 예측 변수의 누락된 데이터를 자동으로 처리하고 모든 일반적인 종류의 Y 목표에 대한 목적 함수를 갖습니다. 상대적으로 빠르며 기본적으로 피팅하는 동안 컴퓨터의 모든 코어를 사용해야 하며 선택적으로 Windows에서 NVIDIA GPU를 사용할 수 있습니다. 추가 기능에는 두 가지 기본 예제와 이를 설명하는 문서가 함께 제공됩니다. JMP Pro는 이미 최첨단 데이터 조작, 정리, 특징 엔지니어링 기능을 갖추고 있어 코드를 작성하지 않고도 표 형식 데이터에 대한 최신 기계 학습을 수행할 수 있는 놀라운 방법을 제공합니다.
2. 이것이 게놈 데이터에 어떻게 적용됩니까?
게놈 데이터 세트와 관련된 XGBoost에는 특별한 내용이 없지만 게놈 데이터 세트 및 기타 광범위한 데이터 문제에 잘 작동할 수 있습니다. Luciano Silva(JMP Genomics 개발자)와 저는 현재 최고의 게놈 선택 루틴(예: Genomic BLUP) 중 일부와 몇 가지 비교를 수행한 결과 성능은 동일하지만 크게 향상되지는 않았습니다.
3. 실제 이익(개인적, 사업적 이익)은 무엇입니까? 목표는 SE가 구현에 시간(및/또는 비용)을 투자하려는 이유에 대한 이점을 조직에 전달하도록 돕는 것입니다.
XGBoost는 예측 문제로 분류될 수 있는 비즈니스 문제에 가장 직접적으로 적용할 수 있지만 설계된 실험의 데이터를 분석하는 데에도 사용할 수 있습니다. 더 큰 데이터 세트에 맞게 확장됩니다. 새로운 사용자의 경우 조정 매개변수를 이해하는 데 관련된 몇 가지 학습이 있으며 DOE를 사용하여 이러한 매개변수를 조정하는 데 도움이 되는 기능을 추가했습니다. 또한 교차 검증에 사용할 최적의 균형 잡힌 데이터 분할을 생성하기 위해 보충 루틴 Make K-Fold Columns에서 새로운 방식으로 DOE를 사용합니다. 부가 가치의 전체 목록을 보려면 추가 기능이 포함된 문서를 참조하세요. JMP Pro는 표준 XGBoost 기능을 제공합니다.
4. 비즈니스 문제에 대한 영향과 규모는 얼마나 됩니까?
문제에 따라 크게 달라집니다! 시스템에 대한 예측과 이해의 작은 개선이 때로는 큰 영향을 미칠 수 있지만, 때로는 그다지 크지 않을 수도 있습니다.
5. Kaggle 외부에서 XGBoost를 구현한 사람이 있습니까? 그 결과는 무엇입니까?
제가 이해한 바로는 수많은 조직이 프로덕션 환경에서 XGBoost 모델을 성공적으로 구현했지만 여러분에게 적합한 참고 자료가 없습니다. XGBoost 온라인에 대해 많은 토론이 있습니다. 대부분의 사람들은 Python 또는 R에서 XGBoost를 실행하고 배포합니다. Python 코드를 저장하는 빨간색 삼각형 옵션이 있습니다. 이는 실제로 모델을 처음부터 교차 검증하기 위한 전체 코드입니다.
모두에게: 현재 얼리 어답터 모드에 있으며 새로운 JMP 커뮤니티 그룹이 설정되었습니다. Mia Stephens와 Stephanie Mencia가 친절하게 도와주고 있으며 이미 환상적인 피드백을 받았습니다. 그룹에 추가하고 싶거나 추가 기능을 사용해 보고 싶다면 알려주시기 바랍니다.
