Laura Lancaster, JMP 수석 연구 통계 개발자, SAS
Jeremy Ash, SAS의 JMP 분석 소프트웨어 테스터
Chris Gotwalt, SAS 통계 연구 개발 부문 JMP 이사
통제되지 않은 모델 외삽은 두 가지 심각한 오류를 초래합니다. (1) 모델이 데이터에서 멀리 떨어져 있을 경우 완전히 유효하지 않을 수 있으며, (2) 변수 값의 조합이 물리적으로 실현 가능하지 않을 수 있습니다. 프로파일러를 사용하여 관측 데이터에 적합한 모델을 최적화하면 아무런 경고 없이 실질적으로 사용할 수 없는 외삽 솔루션이 생성될 수 있습니다. JMP Pro 16은 많은 예측 모델링 플랫폼과 프로파일러 플랫폼 자체에 외삽 제어를 도입합니다. 예측 프로파일러의 이 새로운 기능은 사용자에게 외삽 가능성을 경고하거나 모델이 유효하지 않을 수 있는 외삽 지점을 그리는 것을 완전히 방지합니다. 또한 사용자는 외삽을 피하는 제한된 영역에 대해 최적화를 수행할 수 있습니다. 이 프레젠테이션에서는 외삽 제어의 동기와 유용성에 대해 논의하고, JMP에서 외삽 제어를 쉽게 사용하는 방법을 보여주고, 방법에 대한 세부 정보를 설명합니다.
자동 생성된 대본...
| 스피커 |
성적 증명서 |
| |
안녕하세요, 저는 크리스 갓월트입니다. |
| |
발표자, Laura Lancaster 및 |
| |
Jeremy Ash와 저는 다음과 같이 발표합니다. |
| |
유용한 새로운 JMP Pro |
| |
외삽법이라고 불리는 기능 |
| |
제어. 거의 모든 모델 |
| |
당신은 예측하고 싶어할 것입니다 |
| |
다양한 범위를 가지고 있습니다 |
| |
적용 가능성, 지역 |
| |
입력 공간, 여기서 |
| |
예측은 다음과 같이 간주됩니다. |
| |
충분히 신뢰할 수 있어요. 그 외에는요 |
| |
지역, 우리는 외삽을 시작합니다 |
| |
모델은 멀리 떨어진 지점까지 |
| |
모델을 적합하는 데 사용된 데이터. 사용 |
| |
해당 모델의 예측 |
| |
그 지점에서는 다음과 같은 결과가 나올 수 있습니다. |
| |
완전히 신뢰할 수 없다 |
| |
예측. 두 가지가 있습니다 |
| |
의 주요 출처 |
| 외삽법 |
통계적 |
| |
외삽법 및 도메인 기반 |
| |
외삽법. 두 유형 모두 |
| |
새로운 기능으로 다루어집니다. |
| |
통계적 외삽이 발생합니다 |
| |
누군가가 시도할 때 |
| |
x에서 모델을 사용하여 예측 |
| |
그것은 값에 가깝지 않습니다 |
| |
해당 모델을 훈련하는 데 사용되었습니다. |
| |
도메인 기반 외삽법 |
| |
평가하려고 할 때 발생합니다 |
| |
불가능한 x에서 |
| |
과학이나 공학에 |
| |
기반 제약 조건. 예제 |
| |
여기서는 두 가지 종류를 모두 설명합니다. |
| |
한 가지 예에서는 외삽법이 사용되었습니다. |
| |
여기서 우리는 프로파일러를 봅니다. |
| |
야금 생산 모델 |
| |
프로세스입니다. 예측은 다음과 같습니다. |
| |
out은 -2.96이라고 합니다. |
| |
우리가 평가하고 있다는 표시 |
| |
온도의 조합에서 |
| |
그리고 불가능한 압력 |
| |
도메인의 의미에서 달성하다 |
| |
이 기계도 있습니다. |
| |
통계적 외삽법 |
| |
적합에 사용된 데이터와는 거리가 멀다 |
| |
산점도에서 볼 수 있는 모델 |
| |
훈련 데이터의 플롯 |
| |
맞아요. JMP Pro 16에서 Jeremy는 |
| |
Laura와 나는 협력했습니다 |
| |
새로운 기능을 추가할 수 있습니다 |
| |
프로파일러가 경고를 제공합니다 |
| |
네가 그럴 수도 있다고 생각해 |
| |
외삽하는 것. 또는 당신이 돌리면 |
| |
외삽 제어에 대해, 그것에 대해 |
| |
점의 집합을 제한합니다 |
| |
너는 오직 그런 사람들만 보는구나 |
| |
그것은 생각하지 않는다 |
| |
외삽법. 두 가지 유형이 있습니다. |
| |
외삽 제어의. 하나는 |
| |
레버리지 개념에 기반 |
| |
최소제곱모형을 사용합니다. |
| |
이 첫 번째 유형은 단지 |
| |
Pro 버전에서 사용 가능 |
| |
적합 모델 최소 제곱. |
| |
우리가 일반이라고 부르는 다른 유형 |
| |
머신 러닝 외삽법 |
| |
제어가 가능하며 다음에서 사용 가능합니다. |
| |
Profiler 플랫폼 및 여러 |
| |
가장 흔한 머신 러닝 |
| |
JMP Pro의 플랫폼. |
| |
요청에 따라 추가할 수도 있습니다. |
| |
더. 최소 제곱법 |
| |
외삽 제어는 다음을 사용합니다. |
| |
레버리지의 개념은 |
| |
의 확장된 버전과 같습니다 |
| |
예측 분산입니다. 이는 모델입니다. |
| |
기반이므로 정보를 사용합니다 |
| |
주요 효과에 관하여 |
| |
더 높은 순서의 상호작용 |
| |
결정하는 용어 |
| |
외삽법. 일반적인 경우 |
| |
머신 러닝 외삽법 |
| |
통제 사례, 우리는 나와야 했습니다 |
| |
우리만의 접근 방식으로. 우리는 |
| |
다음과 같은 방법을 원했습니다. |
| |
누락된 값에 강하고 선형적입니다. |
| |
종속성, 더 빠른 계산, |
| |
혼합물을 처리할 수 있습니다 |
| |
연속형 및 범주형 입력 |
| |
변수들, 그리고 우리도 |
| |
명확하게 분리하고 싶어했다 |
| |
외삽 모델 |
| |
데이터를 맞추는 데 사용된 모델입니다. 따라서 |
| |
우리가 일반을 가질 때 |
| |
외삽 제어가 켜졌습니다. |
| |
감독하는 사람은 한 명뿐이야 |
| |
...에 맞는 모델입니다. |
| |
응답에 대한 입력 변수 |
| |
우리가 프로파일러에서 보는 것 |
| |
흔적. 프로파일러가 온다 |
| |
빠르고 간단하게 |
| |
설명하기 위한 비지도 모델 |
| |
훈련 세트 축과 이것 |
| |
비지도 모델이 사용됩니다 |
| |
비하인드 스토리 |
| |
프로파일러를 사용하여 결정 |
| |
외삽 제어 |
| |
제약이 있어요. 그래서 저는 |
| |
PowerPoint와 내 스위치 때문에 |
| |
카메라가 잘 작동하지 않아요 |
| |
지금 당장 어떤 이유에서인지. 우리는 |
| |
위험한 외삽법을 알고 있습니다 |
| |
매일 만들어지고 있습니다 |
| |
데이터 과학 분야에서 일하는 사람들 |
| |
그리고 사용이 확실합니다 |
| |
외삽법으로 인해 불량이 발생합니다. |
| |
예측과 궁극적으로 |
| |
사업 성과가 좋지 않음. |
| |
외삽법 제어 장소 |
| |
모델 예측에 대한 가드레일 |
| |
그리고 정량적으로 이어질 것입니다 |
| |
JMP Pro로 더 나은 결정 내리기 |
| |
사용자. 사용자가 외삽법을 볼 때 |
| |
발생하는 경우 사용자는 다음을 수행해야 합니다. |
| |
~에 대한 결정 |
| |
예측을 사용해야 할지 말아야 할지 |
| |
도메인에 따라 사용됨 |
| |
지식과 친숙함 |
| |
현재 문제입니다. 만약 당신이 |
| |
외삽법을 보기 시작하다 |
| |
제어 경고가 꽤 발생합니다 |
| |
종종 그것은 끝일 가능성이 높습니다 |
| |
해당 모델의 수명 주기 |
| |
새로운 데이터에 맞게 다시 조정할 시간입니다 |
| |
왜냐하면 분포가 |
| |
입력이 다른 곳으로 이동했습니다. |
| |
훈련 데이터의. 우리는 |
| |
솔직히 꽤 놀랐어요 |
| |
~의 필요성에 경각심을 느꼈다 |
| |
외삽법을 식별하는 것은 아닙니다 |
| |
데이터에 의해 더 잘 평가됨 |
| |
과학 커뮤니티와 함께 만들어 왔습니다 |
| |
외삽법을 제어하는 것 |
| |
가능한 한 쉽고 자동으로. |
| |
JMP에서 이를 개발한 Laura |
| |
Pro는 다음을 시연할 것입니다. |
| |
다음 옵션은 다음과 같습니다. 그다음은 제레미입니다. |
| |
우리에 대해 많은 연구를 했습니다 |
| |
팀, 수학으로 들어갈게요 |
| |
세부 사항 및 통계 |
| |
접근 방식에 대한 동기. |
| |
안녕하세요, 제 이름은 로라입니다 |
| |
Lancaster와 나는 여기에 있습니다 |
| |
외삽법의 데모 |
| |
JMP에 추가된 컨트롤 |
| |
Pro 16. 시작하고 싶었어요 |
| |
꽤 간단한 예를 들어보자 |
| |
최소 적합 모델을 사용하여 |
| |
사각형 플랫폼. 나는 할거야 |
| |
사용할 수 있는 일부 데이터 |
| |
익숙한; 그것은 피트니스 데이터입니다 |
| |
그건 샘플 데이터이고 나는 |
| |
산소 흡수를 사용하려고 합니다 |
| |
내 응답과 실행 시간, 실행 |
| |
내 펄스와 맥스 펄스 |
| |
예측자. 그리고 나는 원했다 |
| |
적합 모델에서 반복해서 말하지만, |
| |
최소 제곱에 적합 |
| |
외삽법 지표는 다음과 같습니다. |
| |
레버리지를 사용해요. 그럼 시작해 볼까요? |
| |
앞서서 JMP를 시작하세요. |
| |
이제 피트니스 데이터가 있습니다 |
| |
JMP에서 열면 스크립트가 있습니다. |
| |
데이터 테이블에 저장됨 |
| |
내 핏을 자동으로 실행 |
| |
최소 제곱 모델. 그래서 저는 |
| |
계속해서 그것을 실행할 것입니다 |
| |
스크립트는 최소한으로 실행됩니다. |
| |
사각형 플랫폼. 그리고 나는 |
| |
프로파일러가 자동으로 열립니다. 그리고 |
| |
우리는 프로파일러를 볼 수 있습니다 |
| |
항상 그런 것 같아요 |
| |
과거, 요인 경계가 있는 곳 |
| |
각각의 범위에 의해 정의됩니다 |
| |
개별적으로 요인을 고려하면 |
| |
직사각형 경계 제약 조건. |
| |
그리고 내가 요인을 바꾸면 |
| |
설정 때문에 이러한 바인딩 때문에 |
| |
제약이 있을 수 있습니다. |
| |
이사하는지 알기 힘들어 |
| |
상관관계에서 훨씬 벗어나다 |
| |
데이터의 구조. |
| |
이것이 우리가 추가하고 싶었던 이유입니다. |
| |
외삽 제어. 그래서 |
| |
이것은 여러 가지에 추가되었습니다 |
| |
JMP Pro의 플랫폼 중 |
| |
16개, 최소제곱법 포함. |
| |
그리고 외삽법을 얻으려면 |
| |
제어하려면 메뉴로 이동하세요 |
| |
프로파일러 메뉴입니다. 그래서 내가 보면 |
| |
여기, 새로운 옵션이 있는 걸 봐요 |
| |
외삽 제어라고 합니다. |
| |
기본적으로 꺼져 있습니다. |
| |
하지만 나는 그것을 어느 쪽으로든 바꿀 수 있어 |
| |
켜짐 또는 켜짐 경고 켜짐 |
| |
외삽 제어. 내가 |
| |
켜십시오. |
| |
내 프로필이 제한됩니다 |
| |
값으로만 이동하는 추적 |
| |
제가 추론하지 않는 부분입니다. |
| |
내가 그것을 경고로 바꾸었다면 |
| |
켜면 전체 프로필을 볼 수 있습니다 |
| |
흔적이 있지만 나는 얻을 것이다 |
| |
내가 어떤 지역에 갈 때 경고 |
| |
그것이 고려될 곳 |
| |
추정된 것입니다. |
| |
외삽법을 켤 수도 있습니다 |
| |
내가 정말 찾은 세부 사항 |
| |
도움이 되었고, 그것이 나에게 |
| |
훨씬 더 많은 정보. 첫 번째 |
| |
모두, 그것은 나에게 내 것을 말한다 |
| |
내가 사용하는 지표 |
| |
외삽법을 정의하다 |
| |
레버리지는 사실입니다. |
| |
최소 제곱 플랫폼에 적합합니다. |
| |
그리고 그 한계는 |
| |
기본적으로 처음 사용되는 것은 다음과 같습니다. |
| |
최대 레버리지가 될 것입니다. |
| |
하지만 이건 내가 할 수 있는 일이야 |
| |
바꾸면 내가 보여줄게 |
| |
1분 안에. 그리고, 나는 볼 수 있어요 |
| |
내 외삽법 지표는 무엇인가 |
| |
현재 설정에 대한 것입니다. |
| |
바로 여기에 숫자가 있어요. |
| |
내가 변하면 변할 거야 |
| |
내 요인 설정. |
| |
이 숫자가 더 클 때마다 |
| |
임계값보다 더, 나는 갈거야 |
| |
내가 이런 경고를 받을 수도 있다는 것을 |
| |
외삽합니다. 아래로 내려가면, |
| |
나는 더 이상 그것을 얻지 못할 것이다 |
| |
경고. 이 임계값은 아닙니다 |
| |
내가 바뀌지 않으면 바뀔 거야 |
| |
메뉴에서 조정할 것이 있습니다 |
| |
내 문턱. 그럼 계속해 볼게요 |
| |
그리고 지금 당장 그렇게 하세요. 그래서 저는 갈게요 |
| |
메뉴로 가려면 |
| |
그리고 나는 세트로 갈 거야 |
| |
임계값 기준. 그래서 |
| |
최소 제곱 적합에서는 두 가지가 있습니다. |
| |
임계값에 대한 옵션 |
| |
처음에는 최대로 설정되어 있습니다 |
| |
레버리지는 유지될 것입니다 |
| |
볼록 껍질 안에 있는 당신 |
| |
데이터 또는 다음으로 전환할 수 있습니다. |
| |
평균에 곱한 배수 |
| |
레버리지 또는 모델 용어 |
| |
관찰. 그리고 나는 원한다 |
| |
그 임계값으로 전환합니다. 그래서 |
| |
승수를 3으로 설정 |
| |
기본적으로. 그래서 이것은 |
| |
평균 레버리지의 3배가 되다 |
| |
그리고 확인을 클릭하면 다음과 같은 것을 알 수 있습니다. |
| |
내 기준이 바뀔 거예요. |
| |
실제로 더 작아졌기 때문에 이것 |
| |
더 보수적이다 |
| |
외삽법의 정의. |
| |
그리고 나는 그것을 다시 돌려놓을 것이다 |
| |
내 프로필 추적을 제한합니다. |
| |
그리고 지금은 오직 ~로만 갈 수 있습니다 |
| |
내가 3 이내인 지역 |
| |
평균 레버리지의 배. |
| |
이제 우리는 또한 |
| |
최적화 구현 |
| |
~에 복종한다 |
| |
외삽법 |
| |
제약이 있습니다. 그래서 지금 내가 |
| |
세트의 바람직성을 켜다 |
| |
그리고 최적화를 내가 해요. |
| |
나는 최적의 값을 얻을 것이다 |
| |
외삽법을 만족한다 |
| |
제약 조건입니다. 이 점에 유의하세요. |
| |
메트릭은 다음보다 작거나 같습니다. |
| |
문턱. 그래서 지금 내가 갈 때 |
| |
다음 슬라이드로 넘어가겠습니다. |
| |
그래프에서 비교하다, 산점도 |
| |
매트릭스, 차이 |
| |
최적의 값과 |
| |
외삽 제어가 켜짐 |
| |
그리고 그것을 꺼두었습니다. |
| |
그래서 이게 산점도예요 |
| |
내가 JMP로 만든 매트릭스, |
| |
그리고 그것은 원본을 보여줍니다 |
| |
예측 변수 데이터도 마찬가지입니다. |
| |
예측 변수 값으로서 |
| |
최적의 솔루션을 위해 |
| |
외삽 제어 없음 |
| |
파란색, 그리고 최적의 솔루션을 사용하여 |
| |
빨간색은 외삽 제어입니다. |
| |
그리고 제약이 없는 방법을 주목하세요 |
| |
여기 파란색으로 표시된 솔루션 |
| |
바로 여기, 위반합니다 |
| |
에 대한 상관 관계 구조 |
| |
런 펄스에 대한 원본 데이터 및 |
| |
최대 펄스로 증가 |
| |
이 예측의 불확실성. |
| |
최적의 솔루션은 |
| |
외삽법을 사용했어요 |
| |
통제가 훨씬 더 일치합니다 |
| |
원본 데이터와 함께. |
| |
이제 예를 살펴보겠습니다. |
| |
더 일반화된 것을 사용하여 |
| |
외삽 제어 방법, |
| |
우리가 ~라고 부르는 것 |
| |
정규화된 T 제곱 방법. |
| |
크리스가 앞서 언급했듯이, |
| |
이 방법을 모델에 대해 개발했습니다. |
| |
최소 제곱 모델 외. |
| |
그래서 우리는 다음을 살펴볼 것입니다. |
| |
당뇨병에 대한 신경 모델 |
| |
샘플에도 있는 데이터 |
| |
데이터입니다. 응답은 측정값입니다. |
| |
질병 진행 및 |
| |
예측 변수는 기준선입니다 |
| |
변수. 다시 한번, |
| |
외삽법 메트릭 사용 |
| |
이 예는 다음과 같습니다 |
| |
정규화된 T 제곱 |
| |
제레미가 설명할 것입니다 |
| |
몇 분 안에 더 자세한 내용을 알려드리겠습니다. |
| |
그래서 당뇨병 데이터가 열려 있습니다. |
| |
JMP와 저는 스크립트를 저장했습니다. |
| |
내 신경 모델이 맞는지. 나는 |
| |
계속해서 그것을 실행할 것입니다 |
| |
스크립트입니다. 신경을 시작합니다. |
| |
플랫폼, 그리고 내가 |
| |
검증 방법을 사용하여 무작위 |
| |
잠깐만요. 그냥 메모하고 싶었어요 |
| |
언제든지 당신이 사용할 수 있습니다 |
| |
검증 방법, |
| |
외삽 제어는 기반입니다 |
| |
훈련 데이터에서만 |
| |
그리고 당신의 검증이 아닙니다 |
| |
또는 테스트 데이터. |
| |
그래서 프로파일러를 열어두었고 |
| |
그것이 사용되고 있다는 것을 볼 수 있습니다 |
| |
전체 추적. 외삽법 |
| |
제어가 켜지지 않았습니다. |
| |
계속해서 켜보세요. |
| |
그리고 나도 할거야 |
| |
세부 정보를 켜세요. |
| |
흔적이 있는 것을 볼 수 있습니다 |
| |
제한되었고 메트릭 |
| |
는 정규화된 T 제곱입니다. |
| |
임계값은 3배입니다 |
| |
표본의 표준편차 |
| |
정규화된 T 제곱. Jeremy는 |
| |
무엇에 대해 더 이야기 할 것인가 |
| |
그 모든 것이 정확히 몇 가지로 의미됨 |
| |
분. 그리고 나는 그냥 원했어 |
| |
우리가 사용할 때 언급하다 |
| |
정규화된 T 제곱 |
| |
방법, 선택은 하나뿐입니다 |
| |
임계값에 대해서는 가능하지만 |
| |
승수를 조정하세요. 그래서 만약 당신이 |
| |
외삽 제어로 가서 설정하세요 |
| |
임계값을 조정할 수 있습니다 |
| |
승수이지만, 나는 할 것이다 |
| |
3으로 두세요. 그리고 지금 나는 |
| |
를 사용하여 최적화를 실행하고 싶습니다. |
| |
외삽 제어. 그래서 나는 |
| |
그냥 극대화하려고 해요 |
| |
기억하세요. 이제 나는 |
| |
최적의 솔루션 |
| |
외삽 제어가 켜짐 |
| |
켜짐. 그래서 이제 나는 보고 싶다 |
| |
우리의 산점도 행렬에서, |
| |
우리가 이전에 살펴본 것처럼, |
| |
원본 데이터뿐만 아니라 |
| |
최적의 값으로 |
| |
그리고 외삽 없이 |
| |
제어. |
| |
그래서 이것은 산점도 행렬입니다 |
| |
내가 가지고 있는 당뇨병 데이터 중 |
| |
JMP에서 생성되었습니다. |
| |
원래 예측 변수 값은 다음과 같습니다. |
| |
최적의 솔루션과 마찬가지로 |
| |
외삽 제어를 사용하여 |
| |
빨간색, 최적의 솔루션 없음 |
| |
파란색은 외삽 제어입니다. |
| |
그리고 당신은 빨간색을 볼 수 있습니다 |
| |
점들이 훨씬 더 많아 보인다 |
| |
상관관계 구조 내에서 |
| |
원본 데이터보다 |
| |
파란색이고 그게 특히 |
| |
이 LDL을 보면 사실이에요 |
| |
총 콜레스테롤 대비. |
| |
이제 예를 살펴보겠습니다. |
| |
아래에 있는 프로파일러를 사용하여 |
| |
그래프 메뉴는 내가 부르겠습니다 |
| |
그래프 프로파일러. 또한 다음을 사용합니다. |
| |
정규화된 T 제곱 방법 |
| |
그리고 그것은 우리가 사용할 수 있게 해줍니다 |
| |
모든 것에 대한 외삽 제어 |
| |
가능한 모델 유형 |
| |
JSL로 생성 및 저장됨 |
| |
공식입니다. 또한 다음을 수행할 수 있습니다. |
| |
외삽 제어를 사용하세요 |
| |
한 번에 두 개 이상의 모델. |
| |
그럼 예를 살펴보죠 |
| |
분말을 사용하는 회사의 경우 |
| |
야금 기술 |
| |
강철 구동축을 생산합니다 |
| |
자동차 산업. |
| |
그들은 찾을 수 있기를 원합니다 |
| |
최적의 설정 |
| |
최소화할 생산 |
| |
수축을 최소화하고... |
| |
불량으로 인한 실패를 최소화합니다 |
| |
서비스 조건. 그래서 우리는 |
| 둘 |
응답 수축(이것은 |
| |
연속적이고 우리는 할 것입니다 |
| |
최소 제곱 모델을 맞추다 |
| |
그것)과 표면 상태( |
| |
합격/불합격이고 우리는 할 것입니다 |
| |
명목 로지스틱 모델을 적합시키다 |
| |
저것). 그리고 우리의 예측자 |
| |
변수는 단지 몇 가지 핵심일 뿐입니다 |
| |
생산과정의 변수. |
| |
그리고 다시 한번 외삽법에 대하여 |
| |
메트릭은 정규화된 T 제곱입니다. |
| |
그래서 나는 가루를 가지고 있어요 |
| |
JMP에서 야금 데이터 열기 |
| |
그리고 나는 이미 적어도 하나 맞았어요 |
| |
내 수축에 대한 정사각형 모델 |
| |
응답하고, 나는 이미 적합했습니다 |
| |
명목 로지스틱 모델 |
| |
표면 상태 합격/불합격 |
| |
응답하고 저장했습니다. |
| |
데이터에 대한 예측 공식 |
| |
그들이 준비할 수 있도록 테이블 |
| |
그래프 프로파일러에서 사용됩니다. |
| |
그래서 그래프 메뉴로 가면 |
| |
프로파일러를 로드할 수 있습니다 |
| |
수축 예측 공식 |
| |
그리고 내 예측 공식은 다음과 같습니다. |
| |
표면 상태. |
| |
확인을 클릭합니다. 이제 |
| |
내 두 모델 모두 출시되었습니다 |
| |
그래프 프로파일러. |
| |
그리고 내가 켜기 전에 |
| |
외삽 제어, 당신 |
| |
내가 전체를 가지고 있다는 것을 볼 수 있습니다 |
| |
프로필 추적. 켜면 |
| |
외삽 제어 |
| |
너는 그 흔적을 볼 수 있어 |
| |
조금 줄어들고 나도 갈 거야 |
| |
세부 정보를 켜려면 |
| |
내가 실제로 그렇다는 것을 보여주기 위해서 |
| |
정규화된 T 제곱을 사용하여 |
| |
여기 이 방법으로. |
| |
그래서 내가 정말로 하고 싶은 것은 |
| |
최적의 것을 찾고 싶다 |
| |
내가 최소화하는 조건 |
| |
수축과 최소화 |
| |
외삽법에 따른 실패 |
| |
제어하고 싶고 확인하고 싶어요 |
| |
나는 추론하지 않습니다. 나는 원합니다. |
| |
유용한 해결책을 찾아보세요. 그리고 |
| |
최적화를 하기 전에, |
| |
사실 나는 내 것을 설정해야 해요 |
| |
바람직함. 그래서 나는 할 것이다 |
| |
바람직한 설정. 이미 |
| |
수축에 대해서는 맞지만, |
| |
서비스를 위해 설정해야 합니다 |
| |
상태입니다. 최대한 활용하려고 노력하겠습니다. |
| |
통과하고 실패를 최소화합니다. |
| |
케이. |
| |
그리고 이제 나는 할 수 있어야 합니다 |
| |
최적화 |
| |
외삽법 제어가 켜짐. |
| |
극대화하고 기억하세요. |
| |
그리고 이제 나는 최적의 |
| |
외삽법을 이용한 솔루션 |
| |
제어가 켜졌습니다. 이제 살펴보겠습니다. |
| |
다시 한번 |
| |
산점도 행렬 |
| |
원본 데이터와 함께 |
| |
외삽법을 이용한 솔루션 |
| |
솔루션에서 제어를 켜십시오. |
| |
외삽 제어를 사용하여 |
| |
끄다. |
| |
그래서 이것은 산점도 행렬입니다 |
| |
분말 야금 데이터의 |
| |
내가 JMP에서 만든 것입니다. 그리고 |
| |
최적의 솔루션도 가지고 있습니다 |
| |
외삽 제어를 사용하여 |
| |
빨간 점, 그리고 최적의 |
| |
외삽법 없는 솔루션 |
| |
파란색 점으로 제어합니다. 그리고 한 번 |
| |
다시 한번 우리가 그것을 볼 수 있습니다 |
| |
외삽법을 시행하지 마세요 |
| |
제어, 최적의 솔루션 |
| |
꽤 멀리 밖에 있어요 |
| |
의 상관관계 구조 |
| |
데이터. 특히 볼 수 있습니다 |
| |
여기서는 비율과 비교해서 |
| |
압축 압력. |
| |
그래서 이제 넘겨주고 싶어요 |
| |
제레미에게 한 프레젠테이션 |
| |
훨씬 더 많은 것을 다루다 |
| |
우리의 방법에 대한 세부 사항. |
| |
안녕하세요, 여기에 몇 가지가 있습니다. |
| |
외삽 제어를 위한 목표 |
| |
우리가 배치한 |
| |
프로젝트의 시작. 우리는 |
| |
외삽법 지표가 필요했습니다 |
| |
빠르게 계산될 수 있음 |
| |
많은 수의 |
| |
관찰과 변수, 그리고 |
| |
우리는 빠르게 평가할 방법이 필요했습니다. |
| |
표시된 메트릭이 무엇인지 |
| |
외삽법이든 아니든. 이것은 |
| |
상호 작용을 유지하기 위해 |
| |
프로파일러 추적 및 |
| |
우리는 이것이 필요했습니다 |
| |
최적화를 수행합니다. |
| |
우리는 할 수 있기를 원했습니다 |
| |
다양한 변수를 지원하다 |
| |
사용 가능한 유형 |
| |
프로파일러. 이것들은 |
| |
본질적으로 연속적이며, |
| |
범주형과 순서형. |
| |
우리는 활용하고 싶었습니다 |
| |
세포가 없는 관찰 |
| |
일부 모델링 방법 때문에 |
| |
이러한 관찰을 포함할 것입니다 |
| |
안에 ???. |
| |
우리는 다음과 같은 방법을 원했습니다. |
| |
선형 종속성에 강함 |
| |
데이터. 이는 다음과 같은 경우 발생합니다. |
| |
변수의 수가 더 많다 |
| |
관찰 횟수보다 |
| |
예를 들어. 그리고 우리는 원했습니다 |
| |
쉬운 일 |
| |
필요 없이 자동화 |
| |
많은 사용자 입력. |
| |
최소 제곱 모델의 경우, |
| |
레버리지에 착륙했습니다. |
| |
이상치를 식별하는 데 자주 사용됨 |
| |
선형 모델에서 레버리지 |
| |
새로운 예측 지점은 다음과 같습니다. |
| |
이에 따라 계산됨 |
| |
공식. 많은 것이 있습니다 |
| |
레버리지에 대한 해석. |
| |
한 가지 해석은 그것이 |
| |
다변수 거리 |
| |
중심에서의 예측 지점 |
| |
훈련 데이터의 또 다른 |
| |
해석은 그것이다 |
| |
스케일링된 예측 분산. 그래서 |
| |
예측 지점이 이동함에 따라 |
| |
중심에서 더 멀리 떨어져 |
| |
데이터의 불확실성 |
| |
예측이 증가합니다. 그리고 우리는 |
| |
두 개의 공통 임계값을 사용합니다. |
| |
통계 문헌 |
| |
이 거리를 결정하는 것 |
| |
너무 큽니다. 첫 번째는 |
| |
최대 레버리지, 예측 |
| |
이 임계값을 넘어서는 포인트 |
| |
또는 볼록 껍질 외부 |
| |
훈련 데이터. |
| |
그리고 두 번째는 3배입니다 |
| |
레버리지의 평균입니다. |
| |
이것이임을 보여줄 수 있습니다 |
| |
3배에 해당 |
| |
모델 용어의 개수를 나누다 |
| |
관찰 횟수에 따라. |
| |
그리고 로라가 설명한 대로 |
| |
이전에는 변경할 수 있습니다 |
| |
이것들의 배수 |
| |
임계값. |
| |
마지막으로, 바람직성이 있을 때 |
| |
최적화되고 있습니다 |
| |
외삽 제약은 |
| |
비선형 제약 및 |
| |
이전에는 프로파일러가 허용되었습니다. |
| |
제약된 최적화 |
| |
선형 제약 조건. 이 유형의 |
| |
최적화가 더 많다 |
| |
도전적이어서 Laura가 구현했습니다. |
| |
유전 알고리즘. 그리고 만약 당신이 |
| |
이것들에 익숙하지 않은, |
| |
유전 알고리즘은 다음을 사용합니다. |
| |
분자의 원리 |
| |
최적화를 위한 진화 |
| |
복잡한 비용 함수. |
| |
다음으로는 다음에 대해 말씀드리겠습니다. |
| |
우리가 일반화하기 위해 사용한 접근 방식 |
| |
모델에 대한 외삽 제어 |
| |
선형 모델 이외의 경우. |
| |
당신은 예측을 구성하고 있습니다 |
| |
JMP에서 모델을 시작하려면 |
| |
예측 변수 집합 및 |
| |
응답 변수 집합입니다. 일부 |
| |
지도 모델이 학습되고 |
| |
그러면 프로파일러를 사용할 수 있습니다 |
| |
모델 표면을 시각화합니다. |
| |
다양한 변형이 있습니다 |
| |
JMP의 프로파일러. |
| |
내부적으로 프로파일러를 사용합니다 |
| |
모델링 플랫폼. 할 수 있습니다 |
| |
출력 예측 공식 및 |
| |
다중 프로파일러를 구축합니다 |
| |
모델. 로라가 보여준 것처럼, |
| |
프로파일러를 구성할 수 있습니다 |
| |
앙상블 모델. 우리는 |
| |
외삽 제어 방법 |
| |
그러면 이 모든 것을 일반화할 수 있을 것이다 |
| |
시나리오이므로 대신 |
| |
우리의 방법을 ~에 연결하다 |
| |
특정 모델로 가자 |
| |
감독 없이 사용하다 |
| |
접근하다. |
| |
그리고 우리는 단지 플래그를 지정할 것입니다 |
| |
예측 지점으로 |
| |
멀리 떨어져 있다면 외삽법 |
| |
데이터가 있는 외부 |
| |
예측자에 집중하다 |
| |
공간. 그리고 이것은 우리가 할 수 있습니다 |
| |
일관성을 유지하다 |
| |
프로파일러를 사용하여 |
| |
외삽 제어 방법 |
| |
모든 프로파일러에 플러그인할 수 있습니다. |
| |
다변수 거리 |
| |
레버리지 해석 |
| |
Hotelling의 T 제곱을 다음과 같이 제안했습니다. |
| |
일반적인 거리 |
| |
외삽 제어. 사실, |
| |
일부 대수 조작은 |
| |
Hotelling의 T 제곱이 다음과 같음을 보여주세요. |
| |
레버리지만 바뀌었고 |
| |
크기가 조정되었습니다. 이 그림은 |
| |
호텔링의 T 제곱 측정 |
| |
어떤 타원이 관찰인가 |
| |
타원이 있는 곳에 있습니다. |
| |
평균을 중심으로 |
| |
데이터와 모양이 정의됩니다 |
| |
공분산 행렬에 의해. |
| |
우리는 더 이상 존재하지 않기 때문에 |
| |
선형 모델, 이 지표 |
| |
같은 것이 없다 |
| |
예측과의 연결 |
| |
분산. 그래서 대신 |
| |
사용된 임계값에 의존 |
| |
선형 모델로 돌아가면, 우리는 |
| |
뭔가 만들려고 |
| |
분포 가정 |
| |
T 제곱인지 확인하려면 |
| |
예측 지점은 다음과 같습니다. |
| |
외삽법으로 간주될 수 있다. |
| |
여기서 나는 공식을 보여주고 있습니다 |
| |
호텔링의 T 제곱. 평균과 |
| |
공분산 행렬이 추정됩니다 |
| |
훈련 데이터를 사용하여 |
| |
모델. P가 N보다 작으면 |
| |
여기서 P는 수입니다 |
| |
예측 변수, N은 숫자입니다 |
| |
관찰의 경우와 |
| |
다변량 예측 변수 |
| |
정상이면 T 제곱은 |
| |
중독점에는 F가 있습니다 |
| |
배포. 그러나 우리는 원했습니다. |
| |
일반화하는 방법 |
| |
복잡한 데이터가 포함된 데이터 세트 |
| |
연속적인 혼합과 같은 유형 |
| |
그리고 P가 있는 범주형 데이터 세트 |
| |
N보다 큰 데이터 세트 |
| |
누락된 값입니다. 따라서 대신 |
| |
분포를 계산하다 |
| |
분석적으로 각 경우에 우리는 |
| |
간단한 보수적인 방법을 사용했습니다 |
| |
우리가 발견한 관리 한계 |
| |
실제로는 잘 작동합니다. 이것은 |
| |
3시그마 관리 한계 |
| |
경험적 분포를 사용하여 |
| |
훈련에서 얻은 T제곱의 |
| |
데이터와 Laura가 언급했듯이 |
| |
이 승수도 조정할 수 있습니다. |
| |
한 가지 복잡한 문제는 P가 |
| |
N보다 큰 경우, Hotelling의 T |
| |
제곱은 정의되지 않았습니다. |
| |
매개변수가 너무 많습니다 |
| |
추정을 위한 공분산 행렬 |
| |
사용 가능한 데이터와 함께 |
| |
이것은 일반적인 사용에서 종종 발생합니다 |
| |
외삽 제어의 경우 |
| |
부분 최소 제곱과 같습니다. |
| |
그래서 우리는 소설을 쓰기로 결정했습니다. |
| |
호텔링의 T를 계산하는 접근 방식 |
| |
이러한 문제를 다루는 제곱 |
| |
사례, 그리고 우리는 그것을 호출합니다 |
| |
정규화된 T 제곱. |
| |
공분산을 계산하려면 |
| |
우리는 정규화된 행렬을 사용합니다 |
| |
원래 추정자 |
| |
Schafer와 함께 개발 |
| |
고성능 스트리머 |
| |
차원 유전체학 데이터. |
| |
그냥 가중치가 있는 것일 뿐이에요 |
| |
전체의 조합 |
| |
표본 공분산 행렬, |
| |
여기가 U이고 |
| |
제약 대상 행렬 |
| |
즉 D입니다. |
| |
람다 무게의 경우 |
| |
매개변수, Schafer 및 Strimmer |
| |
분석을 도출했다 |
| |
최소화하는 표현 |
| |
MSE, 추정치 |
| |
점근적으로. |
| |
셰이퍼와 스트리머가 제안했다 |
| |
여러 가지 가능한 대상 |
| |
행렬. 우리가 목표로 하는 행렬 |
| |
선택은 대각선 행렬이었습니다. |
| |
표본 분산 |
| |
예측 변수 |
| |
대각선. 이 목표 행렬에는 |
| |
여러 가지 이점 |
| |
외삽 제어. 먼저, 우리는 |
| |
어떤 상관관계도 가정하지 마세요 |
| |
변수들 사이의 구조 |
| |
데이터를 보기 전에, |
| |
일반적인 사전 지식으로 잘 작동합니다. |
| |
또한 데이터가 적은 경우 |
| |
공분산을 추정하려면 |
| |
행렬은 N이 작거나 |
| |
많은 부분이 누락되었습니다. |
| |
타원형 제약은 |
| |
큰 무게로 확장됨 |
| |
대각 행렬과 이것 |
| |
더 보수적인 결과를 낳는다 |
| |
외삽 통제를 위한 테스트. |
| |
우리는 이것이 필요하다고 생각했습니다. |
| |
합리적인 통제를 확보하다 |
| |
거짓 양성률. 이것을 표현하려면 |
| |
더 간단히 말해서, |
| |
제한된 훈련 데이터, |
| |
정규화된 T 제곱은 더 적습니다 |
| |
예측을 다음과 같이 표시할 가능성이 있습니다. |
| |
외삽법이란 당신이 하는 것입니다 |
| |
원해, 왜냐하면 너는 더 많은 것을 원하기 때문이야 |
| |
공분산을 관찰할 가능성이 있음 |
| |
우연히. 우리는 몇 가지 |
| |
시뮬레이션 결과 |
| |
이러한 세부 사항을 보여줌 |
| |
하지만 갈 시간이 없어 |
| |
그 모든 것에. 대신에 |
| |
커뮤니티 웹 페이지에 우리는 |
| |
보관소에 대한 논문 링크 및 |
| |
우리는 이것을 제출할 계획입니다 |
| |
계산 저널 |
| |
그래픽 통계. |
| |
다음 슬라이드에서는 다른 몇 가지를 보여줍니다. |
| |
우리가 필요로 하는 중요한 세부 사항 |
| |
고려하세요. 우리는 알아내야 했습니다. |
| |
범주형을 처리하는 방법을 알아보세요 |
| |
변수입니다. 우리는 단지 |
| |
이를 지표로 변환 |
| |
코딩된 더미 변수입니다. 이것은 |
| |
여러 개에 비견되는 |
| |
대응 분석. 또 다른 |
| |
복잡성은 계산 방법입니다 |
| |
Hotelling의 T 제곱은 |
| |
데이터가 누락되었습니다. 여러 |
| |
JMP 예측 모델링 |
| |
플랫폼은 관찰을 사용합니다 |
| |
훈련할 데이터가 누락됨 |
| |
모델. 여기에는 순진한 |
| |
베이즈와 부트스트랩 숲. 그리고 |
| |
이 공식은 다음을 보여줍니다. |
| |
쌍별 삭제 방법 |
| |
공분산을 추정하는 데 사용됨 |
| |
매트릭스. 사용하는 것이 더 일반적입니다. |
| |
행 단위 삭제. 이는 다음을 의미합니다. |
| |
모든 관찰이 누락됨 |
| |
값은 삭제되기 전에 |
| |
공분산 행렬을 계산합니다. |
| |
그리고 이것은 가장 간단하지만, |
| |
유용한 것을 버리는 결과를 낳다 |
| |
표본 크기가 데이터인 경우 |
| |
훈련 데이터가 작습니다. |
| |
쌍별 삭제 관찰 |
| |
삭제되는 경우에만 |
| |
쌍의 누락된 값 |
| |
계산에 사용되는 변수 |
| |
해당 항목과 그게 |
| |
이 공식이 보여주는 것은 다음과 같습니다. |
| |
간단한 일인 것 같아요. |
| |
당신은 단지 모든 데이터를 사용하고 있습니다 |
| |
가능하지만, |
| |
실제로는 많은 결과를 초래할 수 있습니다 |
| |
문제가 있기 때문에 |
| |
다양한 관찰을 사용함 |
| |
각 항목을 계산합니다. 이것은 가능합니다 |
| |
이상한 일이 일어나게 하다, |
| |
공분산 행렬과 유사 |
| |
음의 고유값은 |
| |
우리가 처리해야 할 일이었습니다. |
| |
다음은 몇 가지 장점입니다. |
| |
정규화된 T 제곱 |
| |
다른 것과 비교했을 때 발견됨 |
| |
우리의 평가 방법. 하나 |
| |
그게 정규화인가요? |
| |
정규화 방식으로 작동합니다 |
| |
정상적으로 작동합니다. |
| |
과적합 간의 균형 |
| |
훈련 데이터와 과도한 편향 |
| |
추정자. 이것은 |
| |
노이즈에 더 강한 추정기 |
| |
및 모델 오류. |
| |
다음은 셰이퍼와 스트리머입니다. |
| |
그들의 논문에서 다음과 같이 보여주었습니다. |
| |
정규화의 결과는 다음과 같습니다. |
| |
더 정확한 추정치 |
| |
고차원 설정. |
| |
이것은 필기체에 도움이 됩니다 |
| |
차원성이 문제를 일으키다 |
| |
대부분의 거리 기반 방법 |
| |
외삽 제어를 위해. |
| |
그런 다음 필드에서 |
| |
방법론을 개발했습니다 |
| |
외삽 제어, |
| |
종종 둘 다 높다 |
| |
차원 데이터 및 고도로 |
| |
상관 관계가 있는 예측 변수. |
| |
화학정보학의 예와 |
| |
화학계량학, 화학 |
| |
기능은 종종 매우 높습니다 |
| |
상관관계. 외삽 제어 |
| |
종종 조합해서 사용된다 |
| |
PCA 및 PLS 모델을 사용하는 경우 |
| |
T 제곱 DModX는 다음과 같이 사용됩니다. |
| |
상관관계 위반을 감지하다 |
| |
구조입니다. 이것은 다음과 유사합니다. |
| |
모델 기반에서 우리가 하는 일 |
| |
다변량 관리도. |
| |
이는 일반적인 사용 사례이므로 |
| |
우리는 옵션을 원했습니다 |
| |
너무 멀리 벗어나지 않았다 |
| |
이러한 방법들. 우리의 정규화된 T |
| |
제곱은 동일한 유형을 제공합니다 |
| |
외삽 제어의 경우이지만 |
| |
투영 단계가 필요하지 않습니다 |
| |
몇 가지 장점이 있죠. |
| |
우리는 이것이 우리에게 가능하다는 것을 발견했습니다. |
| |
다른 유형을 더 잘 일반화함 |
| |
예측 모델의. 또한, |
| |
우리의 평가에서 우리는 다음과 같은 것을 관찰했습니다. |
| |
선형 투영이 아닌 경우 |
| |
귀하의 데이터에 잘 작동합니다. |
| |
비선형 관계가 있어요 |
| |
예측 변수 간의 오류 |
| |
통제 한계를 부풀릴 수 있습니다 |
| |
투영 기반 방법의 경우, |
| |
이는 가난한 결과를 초래할 것입니다 |
| |
보호 |
| |
외삽법과 우리의 접근 방식 |
| |
이것보다 더 견고합니다. |
| |
그리고 또 다른 중요한 점은 |
| |
우리가 찾았다는 거야 |
| |
단일 외삽법 지표 |
| |
사용하기가 훨씬 간단했습니다. |
| |
해석하다. |
| |
다음은 간략한 요약입니다. |
| |
외삽법의 특징 |
| |
제어. 이 방법은 더 나은 |
| |
실현 가능한 시각화 |
| |
고차원 영역 |
| |
프로파일러의 모델. |
| |
새로운 유전 알고리즘이 있습니다 |
| |
유연성을 위해 구현되었습니다 |
| |
제약된 최적화. |
| |
우리의 정규화된 T 제곱 |
| |
지저분한 관찰을 처리합니다 |
| |
데이터, P와 같은 사례가 더 큽니다. |
| |
N보다 크고 연속적이며 |
| |
범주형 변수. |
| |
이 방법은 대부분에서 사용 가능합니다. |
| |
JMP의 예측 모델 |
| |
16 Pro 및 다양한 지원 |
| |
그들의 특이성. 또한 |
| |
프로파일러에서 사용 가능 |
| |
그래프는 실제로 열려 있습니다. |
| |
당신이 운영할 수 있기 때문에 유용하다 |
| |
모든 예측 공식에 적용 가능. |
| |
그리고 앞으로의 방향으로는, |
| |
우리는 구현을 고려하고 있습니다 |
| |
K-최근접 이웃 기반 |
| |
그 이상의 제약이 있을 것입니다 |
| |
현재 상관 관계 |
| |
구조적 제약. 종종 |
| |
예측 변수는 다음에 의해 생성됩니다. |
| |
여러 분포가 발생함 |
| |
예측기의 클러스터링에서 |
| |
공간. 그리고 K-최근접 이웃 |
| |
기반 접근 방식을 사용하면 |
| |
외삽법을 제어하기 위해 |
| |
클러스터 간. |
| |
그래서 모든 분들께 감사드립니다 |
| |
이것을 보려고 채널을 맞추었고 |
| |
여기에 우리의 이메일이 있습니다 |
| |
추가 질문이 있으신가요? |
