Algorithmes génétiques, recuit simulé, etc. pour optimiser les équations de régression QSARJe souhaite créer des équations de régression pour les problèmes liés aux QSAR. L'idée générale est de trouver une équation de régression linéaire à partir d'un pool de nombreuses (> 200) variables ou descripteurs indépendants pour prédire une variable dépendante. En règle générale, le nombre de lignes/observations est faible (n=50 au minimum).
Il existe des moyens de le faire en utilisant la régression généralisée dans JMP. Alors que les méthodes de régression pénalisées ou la simple élimination vers l'avant ou vers l'arrière peuvent trouver une "bonne" équation de régression linéaire, mon inquiétude est que ces méthodes ne trouvent pas la solution globalement optimale et qu'elles restent coincées dans un minimum local.
Il existe d'autres techniques en dehors de JMP qui peuvent échantillonner beaucoup plus de choix possibles tels que : les algorithmes génétiques, le recuit simulé, l'optimisation des essaims de particules, les colonies de fourmis/abeilles, etc. en prenant des sous-ensembles de descripteurs, en utilisant une fonction pour évaluer le modèle résultant, en divisant le sous-ensemble pour créer et évaluer de nouveaux sous-ensembles.
Je me demandais si quelqu'un avait créé un moyen de le faire dans JMP ou même s'il avait un moyen de le faire en dehors de JMP (par exemple dans R, Python, Matlab, SAS, etc.) et pourrait peut-être penser à un moyen de complément cette fonctionnalité dans JMP ? Mon besoin spécifique est de réaliser des équations de régression linéaire et non des réseaux de neurones, des forêts aléatoires ou d'autres types de modèles que JMP peut également réaliser.
Automatisation et scriptsAccès aux donnéesRe : Algorithmes génétiques, recuit simulé, etc. pour optimiser les équations de régression QSARRien de tout cela n’aidera, sauf pour suggérer que JSL peut être écrit pour effectuer un recuit simulé et des simulations de systèmes :
Comment utiliser le recuit/force de ressort Define Class
Trilogie Halloween : tout en un recuit/force ressort
Simulation de visualisation du vent /visualisation d'un système
Vidéo troupeau/essaim/essaimage scolaire /flocage
Ce sont des projets intensifs JSL ; vous en saurez beaucoup sur JSL après avoir emprunté cette voie.
Re : Algorithmes génétiques, recuit simulé, etc. pour optimiser les équations de régression QSARJe sais que @P_Bartell aime PLS et c'est une bonne solution dans de nombreux endroits. Je suis un grand fan des méthodes Tree, et récemment un complément pour XGBoost a été publié : XGBoost Add-In for JMP Pro.
Puisqu'il semble que vous disposez d'une licence JMP Pro, cela vaut peut-être la peine d'y jeter un œil.
Re : Algorithmes génétiques, recuit simulé, etc. pour l'optimisation des équations de régression QSARJe ne comprends pas clairement ce que vous entendez par « sous-ensembles de variables »... si la sélection de variables fait partie de vos objectifs de résolution de problèmes, PLS peut être très bien utilisé. JMP Pro vous permet de sélectionner le nombre de facteurs latents avec lesquels travailler. Recherchez ensuite les variables les plus influentes au sein de cette construction... JMP Pro dispose également d'un ensemble flexible de méthodes de validation croisée... KFold pourrait-il mieux fonctionner pour vos données superficielles ?
Re : Algorithmes génétiques, recuit simulé, etc. pour optimiser les équations de régression QSARUn problème avec PLS est qu'il ne sélectionnera pas de sous-ensembles de variables indépendantes et inclura simplement chaque variable indépendante. Cela peut entraîner des problèmes de surapprentissage.
Re : Algorithmes génétiques, recuit simulé, etc. pour optimiser les équations de régression QSARLes méthodes pénalisées sont une voie à suivre. Mais avez-vous pensé aux moindres carrés partiels ? Votre ensemble de données est large et superficiel. Conçu sur mesure pour PLS. Encore une équation linéaire. Et si vos prédicteurs sont corrélés… c’est encore mieux.
