Nouveau pour JMP 17 Pro : une option de réglage automatique facilite encore plus le réglage automatique des hyperparamètres à l'aide d'une conception de remplissage rapide et flexible.
Le complément XGBoost pour JMP Pro fournit une interface pointer-cliquer vers la célèbre bibliothèque open source XGBoost pour la modélisation prédictive avec des arbres à gradient extrême. Les fonctionnalités à valeur ajoutée de ce complément incluent :
• Validation croisée k fois répétée avec prédictions hors pli, ainsi qu'une routine distincte pour créer des colonnes de validation k fois optimisées, éventuellement stratifiées ou regroupées.
• Possibilité d'adapter plusieurs réponses Y en une seule fois.
• Recherche automatisée de paramètres via JMP Design of Experiments (DOE) Fast Flexible Filling Design
• Sorties graphiques et statistiques interactives
• Interface de comparaison de modèles
• Exportation de profilage du langage de script JMP (JSL) et du code Python pour la reproductibilité
Cliquez sur le lien ci-dessus pour télécharger le complément, puis faites-le glisser sur JMP Pro 15 ou version ultérieure pour l'installer. Les fonctionnalités et améliorations les plus récentes sont disponibles avec la version la plus récente de JMP Pro, y compris les versions précoces.
Consultez le fichier .pdf ci-joint pour plus de détails et d'exemples, qui peuvent être trouvés dans le fichier .zip ci-joint (avec un journal et d'autres exemples utilisés dans ce didacticiel ).
Documents connexes
Tutoriel vidéo avec journal téléchargeable : complément XGBoost pour JMP Pro (2020-US-45MP-540)
Complément pour JMP Genomics : méthodes prédictives Python
Add-In de @Franck_R : Machine Learning avec XGBoost dans un Addin JMP (app JMP + python)
