PLS-Validierung und VariablenladungenHallo JMP-Community,
Ich habe ein paar Fragen zu PLS:
- Muss ich einen Teil meiner Daten manuell ausblenden, oder geschieht dies automatisch, wenn ich die Kreuzvalidierung wähle?
- Gibt es einen Schwellenwert für die Variablenbelastung von Faktoren, der die wichtigsten Variablen unterscheidet, die von jedem Faktor erfasst werden (latente Variable)?
Vielen Dank für Ihre Hilfe!
Erweiterte statistische ModellierungPrädiktive Modellierung und maschinelles LernenBetreff: PLS-Validierung und variable BelastungenDanke, Victor! Das hilft sehr!
Mein Ziel ist es, das Modell durch K-fache Kreuzvalidierung zu validieren.
Bei der zweiten Frage beziehe ich mich auf die PLS X-Ladungen für jeden Faktor. Gibt es einen allgemein verwendeten Schwellenwert, der die Variablen hervorhebt, die zum selben System gehören? Bei der explorativen Faktorenanalyse beispielsweise deuten Variablenladungen (> 0,4) für einen bestimmten Faktor darauf hin, dass diese Variablen höchstwahrscheinlich aus demselben System stammen.
Vielen Dank!
Betreff: PLS-Validierung und VariablenladungenHallo @Moukanni ,
– Ich bin mir nicht sicher, welches Ziel Sie mit der manuellen Maskierung Ihrer Daten und/oder der Wahl einer Kreuzvalidierung verfolgen.
Wenn Sie möchten, dass ein Testsatz (ein Satz, der nicht vom Modell für das Training verwendet wird und bei der Validierung nicht angezeigt wird) beurteilt, wie die PLS-Ergebnisse bei „neuen“/unsichtbaren Daten sind (und vorausgesetzt, Sie haben einen großen Datensatz), dann ja, Sie können einen Teil Ihres Datensatzes manuell ausblenden (die Zeilen ausblenden und ausschließen, das Modell ausführen, die Vorhersageformel speichern und die vorhergesagten mit den tatsächlichen Antworten in diesem ausgeblendeten Datensatz vergleichen) oder, wenn Sie über JMP Pro verfügen, eine Validierungsspalte erstellen ( in „Analysieren“, „Prädiktive Modellierung“, „Validierungsspalte erstellen“), wo Sie den Anteil der Zeilen in Ihrem Trainings-, Validierungs- und/oder Testsatz angeben.
Wenn Sie Ihr Modell durch eine K-fache Kreuzvalidierung validieren möchten, bedeutet das, dass JMP Ihren Datensatz automatisch in K Teile aufteilt, das PLS-Modell auf K-1 Teilen trainiert, es dann auf einem Teil validiert und diesen Vorgang wiederholt dass jeder „Teil“ (Falte) einmal ein Validierungsteil und K-1-mal ein Trainingsteil war. Dies ist eine gute Validierungstechnik, wenn Sie die Robustheit Ihres Modells (verglichen verschiedene Trainings- und Validierungssätze) anhand eines kleinen Datensatzes bewerten möchten.
- Auch bei der zweiten Frage bin ich mir nicht sicher. Wenn Sie wissen möchten, welche Faktoren im PLS-Modell am wichtigsten sind, können Sie sich das Diagramm der Variablenwichtigkeit und die berechneten VIP-Werte ansehen. Siehe: Variable Importance Plot (jmp.com) und VIP vs. Koeffizienten Plots (jmp.com)
Ich hoffe es hilft dir !
