Neu für JMP 17 Pro: Eine Autotune-Option macht es noch einfacher, Hyperparameter mithilfe eines Fast Flexible Filling-Designs automatisch zu optimieren.
Das XGBoost-Add-In für JMP Pro bietet eine Point-and-Click-Schnittstelle zur beliebten Open-Source-Bibliothek XGBoost für prädiktive Modellierung mit extremen Gradient-Boosted-Bäumen. Zu den Mehrwertfunktionen dieses Add-Ins gehören:
• Wiederholte k-fache Kreuzvalidierung mit Out-of-Fold-Vorhersagen sowie eine separate Routine zum Erstellen optimierter k-facher Validierungsspalten, optional geschichtet oder gruppiert.
• Möglichkeit, mehrere Y-Antworten in einem Durchgang anzupassen.
• Automatisierte Parametersuche über JMP Design of Experiments (DOE) Fast Flexible Filling Design
• Interaktive grafische und statistische Ausgaben
• Modellvergleichsschnittstelle
• Profilierung des Exports von JMP Scripting Language (JSL) und Python-Code zur Reproduzierbarkeit
Klicken Sie auf den Link oben, um das Add-In herunterzuladen, und ziehen Sie es dann zur Installation auf JMP Pro 15 oder höher. Die aktuellsten Funktionen und Verbesserungen sind mit der aktuellsten Version von JMP Pro verfügbar, einschließlich der Early-Adopter-Versionen.
Einzelheiten und Beispiele finden Sie in der beigefügten PDF-Datei, die sich (zusammen mit einem Journal und anderen in diesem Tutorial verwendeten Beispielen) in der beigefügten ZIP-Datei befindet.
Ressourcen zum Thema
Video-Tutorial mit herunterladbarem Journal: XGBoost-Add-In für JMP Pro (2020-US-45MP-540)
Add-In für JMP Genomics: Python-Vorhersagemethoden
Add-In von @Franck_R : Maschinelles Lernen mit XGBoost in einem JMP-Add-In (JMP-App + Python)
