通过 Formula Depot 部署模型向客户展示的例子？大家好，
我有许多客户对 JMP Pro 感兴趣，希望他们能开发模型并将其部署到制造环境中 - 有几个客户要求我提供一个示例，说明如何将 Formula Depot 中的模型应用于外部。我们是否有任何“简单”的演示可以展示在不同环境（如 Python）中使用的模型？
干杯，
本
回复：通过 Formula Depot 部署模型向客户展示的示例？你好@Ben_Ingham ，产品管理部门正在积极讨论这个话题，并探讨如何改进和超越 Formula Depot。
希望提供一个我们一直在使用 XGBoost 和 Torch 插件的积极方向，即在 JMP Pro 中训练无需编码的模型，然后使用自定义包装器 Python 类在 Python 中部署它们，以将 JMP Pro 保存的模型读回到 Python 中。
更广泛地说，我相信 JMP 生成的几乎每个模型都可以在 PyTorch 中轻松实现，以 XGBoost 和 Torch 已有的 Python 代码为基础。这将提供功能丰富的可部署 Python 模型对象，可在 GPU 上运行，并可转换为其他流行格式，如 ONNX。
如果您心中有一个或多个具体的例子——或者甚至有客户愿意推荐或提供一个来自制造环境的例子——我很乐意与您合作，将 JMP 当前生成的公式转换成成熟的 PyTorch 模型对象。
简单回归模型（线性或逻辑）可能是最简单的。一个关键部分是确保新的 X 变量以与 JMP 模型完全相同的方式进行转换。
回复：通过 Formula Depot 部署模型向客户展示的示例？嗨，Ben - 通常情况下，只需向人们展示 JMP 从公式库中生成的代码就足够了。特别是，展示 C 和 Python 代码通常就可以满足人们的需求。不要被拉入支持 JMP 之外的事情，例如将代码部署到他们的系统中。这是他们自己的事情。
Formula Depot 的一个不错的演示包括模型比较和剖析器（尽管模型筛选现在也可以这样做，您可以将公式放入“图形”菜单下的独立剖析器中）。我喜欢制作 3 种不同类型的模型，例如响应曲面模型、分区模型以及 Bootstrap 或神经模型。当它们堆叠在剖析器中时，您可以向人们展示他们可以理解每种模型与数据的关系，并且每个模型都是不同的（“看看这个是如何阶梯式的，这个是曲线，等等”）。还显示了实际值与预测值，以及不同模型中某些数据区域与其他区域的拟合方式有何不同。White Polymer 的产量适用于此。
回复：通过 Formula Depot 部署模型向客户展示的示例？你好@Laura_Higgins ，
感谢您对如何演示 Formula Depot 的建议和指导 - 我会尝试一下！
谢谢，
本
回复：通过 Formula Depot 部署模型向客户展示的示例？你好@russ_wolfinger ，
感谢您的信息 - 我会查看一些可能合适的数据集 - 通常寻找具有制造角度的更大的东西，可以满足大多数客户要求并使用简单的模型 - 会让你知道！
谢谢，
本
