Novità di JMP 17 Pro: un'opzione di ottimizzazione automatica rende ancora più semplice l'ottimizzazione automatica degli iperparametri utilizzando un design di riempimento rapido e flessibile.
Il componente aggiuntivo XGBoost per JMP Pro fornisce un'interfaccia punta e clicca per la popolare libreria open source XGBoost per la modellazione predittiva con alberi con gradienti estremi. Le funzionalità a valore aggiunto di questo componente aggiuntivo includono:
• Convalida incrociata k-fold ripetuta con previsioni out-of-fold, oltre a una routine separata per creare colonne di convalida k-fold ottimizzate, facoltativamente stratificate o raggruppate.
• Possibilità di adattare più risposte Y in un'unica analisi.
• Ricerca automatizzata dei parametri tramite la progettazione di riempimento flessibile e veloce JMP Design of Experiments (DOE).
• Output grafici e statistici interattivi
• Interfaccia di confronto dei modelli
• Profilazione dell'esportazione del codice JMP Scripting Language (JSL) e Python per la riproducibilità
Fare clic sul collegamento riportato sopra per scaricare il componente aggiuntivo, quindi trascinarlo su JMP Pro 15 o versione successiva per installarlo. Le funzionalità e i miglioramenti più recenti sono disponibili con la versione più recente di JMP Pro, comprese le versioni early adopter.
Per dettagli ed esempi, consultare il file .pdf allegato, reperibile nel file .zip allegato (insieme a un diario e ad altri esempi utilizzati in questo tutorial ).
Materiali correlati
Tutorial video con diario scaricabile: componente aggiuntivo XGBoost per JMP Pro (2020-US-45MP-540)
Componente aggiuntivo per JMP Genomics: metodi predittivi Python
Componente aggiuntivo da @Franck_R : Machine Learning con XGBoost in un componente aggiuntivo JMP (app JMP + Python)
