Nuevo para JMP 17 Pro: una opción de Autoajuste hace que sea aún más fácil ajustar automáticamente los hiperparámetros utilizando un diseño de llenado rápido y flexible.
El complemento XGBoost para JMP Pro proporciona una interfaz de apuntar y hacer clic para la popular biblioteca de código abierto XGBoost para modelado predictivo con árboles potenciados por gradientes extremos. La funcionalidad de valor agregado de este complemento incluye:
• Validación cruzada repetida de k veces con predicciones fuera de pliegue, además de una rutina separada para crear columnas de validación de k veces optimizadas, opcionalmente estratificadas o agrupadas.
• Capacidad para ajustar múltiples respuestas Y en una sola ejecución.
• Búsqueda automatizada de parámetros mediante JMP Design of Experiments (DOE) Diseño de llenado rápido y flexible
• Salidas gráficas y estadísticas interactivas
• Interfaz de comparación de modelos
• Exportación de perfiles de JMP Scripting Language (JSL) y código Python para mayor reproducibilidad
Haga clic en el enlace de arriba para descargar el complemento, luego arrástrelo a JMP Pro 15 o superior para instalarlo. Las funciones y mejoras más recientes están disponibles con la versión más reciente de JMP Pro, incluidas las versiones iniciales.
Consulte el .pdf adjunto para obtener detalles y ejemplos, que se pueden encontrar en el archivo .zip adjunto (junto con un diario y otros ejemplos utilizados en este tutorial ).
Materiales relacionados
Videotutorial con diario descargable: complemento XGBoost para JMP Pro (2020-US-45MP-540)
Complemento para JMP Genomics: métodos predictivos de Python
Complemento de @Franck_R : Aprendizaje automático con XGBoost en un complemento JMP (aplicación JMP + Python)
