Bonjour. Bien matin, tout le monde.
Ce est Saijac Lami et I avoir mon coéquipier, Zhe Diao.
Essentiellement, nous sont a entreprise analytique diplômé étudiants
depuis Campus de l'Université du Connecticut-Stamford.
Petit à propos notre exposition à JMP.
Nous avoir largement utilisé JMP
dans notre P Modèle de prédiction cours dans notre premier semestre .
Nous feutre c'est a très facile et très puissant outil,
et là est a parcelle nous peut faire depuis il.
Nous sont toujours explorer le beaucoup caractéristiques de le JMP.
Aujourd'hui, nous sont ici à présenter notre travail que nous avons réalisé pendant l'été
c'est un coeur échec prédiction en utilisant moderne dépistage plate-forme.
Nous sont appel il amélioré parce que nous utiliser plusieurs Plateformes JMP
à effet de levier prédictions.
À venir à le ordre du jour aujourd'hui, donc ce est juste un aperçu glisser
depuis lequel toi serait obtenir le essentiel de quoi nous sont faire,
nous parlé à propos suivi par le trois diapositives,
lequel nous où nous parler à propos prétraitement
et quelques EDA, lequel nous avoir fait, et le modélisation.
À venir à le introduction,
nous savoir que maladies cardiovasculaires
est le nombre un causant de le la mort à l'échelle mondiale,
réclame un estimé de 70,9 milliards de vies dans 2019.
Il comptes pour autour 32 % de décès mondial chaque année.
Dans notre problème, donc nous avoir pris un rassemblement données ensemble,
et nous développé a classification modèle pour classement le cœur maladie.
Nous aussi effet de levier ce prédictions en utilisant le modèle dépistage,
capital comparaison et pièce jointe fonctionnalité dans le JMP 16.
Le modèle sortir volonté aide dans compréhension le importance de facteurs
que sont menant à cœur maladie et le probabilité.
Nous aussi trouver le probabilité de développement le cœur maladie,
sauf si sous c moyen conditions.
En résumé notre objectif est à construire le meilleur modèle et trouver le facteurs
que sont menant à le cœur échec en utilisant le JMP 16 plate-forme.
À venir à a méthodologie et petit à propos notre données ensemble,
le données ensemble compris autour 918 participants depuis différent pays.
Là sont 11 facteurs associé à cœur échec,
tel comme âge, sexe, sang pression, et sang glucose.
Comment nous y sommes allés à notre prédictions
est nous première représentation le prétraitement de le données
par explorer si là sont n'importe lequel manquant valeurs ou n'importe lequel valeurs aberrantes.
En outre, nous avons effectué le EDA analyse à comprendre le importance
et le relation de le chaque fonctionnalité dans relation à le cœur échec.
À construire le modèle,
nous incorporé le suivant JMP 16 capacités dans notre méthodologie.
Le première chose est le Modèle Dépistage.
Lequel est un efficace plate-forme, a simultanément convenable,
comparer et explorer, sélection
et alors déploiement le meilleur prédictif modèle.
Le suivant vient le Modèle Comparaison, lequel un facile plate-forme
à comparer et sélectionner le meilleur- exécution prédictif modèle.
Suivant vient le tableau de bord est un efficace chemin
à mieux représenter notre EDA de manière concise.
Nous peut courir n'importe lequel temps comme le nouveau données est disponible.
Je suis à venir à notre résultats.
Ce est juste aperçu de le résultats lequel nous avait.
En utilisant le modèle dépistage,
nous identifié que le Boosté Arbre est notre meilleur modèle.
Nous choisir et nous avoir aussi pas juste sur précision.
Nous se concentrer sur lequel est ayant le moins un taux,
parce que nous faire pas vouloir notre modèle à avoir haut FAUX points positifs,
parce que nous ne le faites pas vouloir le cœur taux,
comme cœur échec prédire patients pas à travail comme pas détecté.
Basé sur ce, nous avoir choisi le Boosté Arbre comme notre meilleur modèle.
À venir à le colonne contributions,
donc quand nous sont, quand nous essayé à identifier
quoi sont le important facteurs que sont causant le cœur échec prédiction.
Lors de l'utilisation le Boosté Arbre,
nous identifié que Angine d'effort,
donc lequel est si a personne a
le dans- utiliser douleur exigible à exercice
et aussi Jeûne Bs, taux de glucose sanguin,
ECG de repos, pente ST, type de douleur thoracique
sont quelques paramètres sur 11,
contribuent à environ 75 % de l'insuffisance cardiaque.
Vient ensuite une analyse plus approfondie, Zhe Diao va être prise soins.
D'accord, après dépistage à travers le basique information de le données,
tel comme cible fonctionnalité, prédictif variables, données types,
notre analyse travail volonté commencer avec données nettoyage.
Nous besoin à accord avec manquant valeurs et tous couches premier à obtenir a faire le ménage données.
JMP fournit a variété de façons à explorer et accord avec eux.
Pour le manquant valeur, JMP peut afficher le détails
dans le résumé tableau sont rarement afficher eux dans cellule parcelle ou arbre carte.
Aujourd'hui, nous montrer le statistique tableau ici,
lequel est aussi a chemin à obtenir les informations nous vouloir.
Nous peut voir que là est Non manquant valeur dans notre données.
Mais quand toi plus loin explorer le données distribution, toi volonté trouver que
quelques indicateurs utiliser le nombre zéro à remplacer le manquant valeur.
Nous traiter le données zéro avec effacement et le médias remplaçants parce que
le valeur de le plomb indicateur ne peut pas être zéro.
Pour le Valeur aberrante,
boîte à moustaches et explorer Module de valeurs aberrantes sont commun méthodes.
Aujourd'hui, nous utiliser le Valeur aberrante Ana fonction de lyse,
et il y a a multi-varié module,
lequel refléter le distance de a multidimensionnel espace
dans ce Mahalanobis Distance Graphique.
Nous avoir retenir ce Valeurs aberrantes dans ce analyse parce que nous considérer que
c'est un commun phénomène dans médical test résultats.
Après compléter ces mesures,
nous obtenir le faire le ménage données, et alors nous entrer le données exploration scène.
Dans ce étape, nous construit quelques communément utilisé
le graphiques à montrer quelques information contenu montant données.
JMP fournit nous beaucoup choix dans cette partie
tel comme arbre carte, anneau graphique, bar graphique et zéro.
Depuis ces graphiques, nous savoir que le proportion de mâle
souffrance depuis cœur échec est deux fois que sont femelle.
80 % de patients avec cœur échec avoir diabète
et 77 personnes avoir Non symptômes de poitrine douleur,
lequel révèle le imperceptibilité de le maladie.
Après nous dessiner ce utile conclusions,
nous viens à le modélisation scène à plus loin explorer le relation entre données.
Quand toi sont faire données analyse,
toi peut généralement pense quoi modèle I vouloir à construire,
ou quoi modèle effectue meilleur.
Modèle dépistage fonction dans JMP aide nous
résoudre ce problème dans un très intuitif chemin.
Toi juste besoin à traîner le cible variable
et le prédiction variables à le correspondant postes.
JMP va aide toi courir aussi approprié modèles.
Dans ce analyse, Écriture JMP neuf modèles automatiquement,
y compris Régression modèle, Arbre boosté, neuronal est travail et donc sur.
Toi peut obtenir a détaillé et clair sortir.
Si toi seulement soins à propos le résultats,
le résumé tableau peut aide toi choisir le meilleur modèle,
si toi considérer résiduel ou convenable degré.
Si toi vouloir à savoir le détail,
le paramètres et le résultats de chaque modèle,
toi juste besoin à cliquez le modèle toi vouloir à voir dans détails partie,
et toi peut comprendre le performance de le modèle depuis tous aspects.
Ici nous intercepter a paramètres, ordinateur matrice et profileur.
Dans profileur, toi peut entrer nouveau données
à observer le changement former de chaque variable et obtenir le prédire le résultat.
Nous voir que le influence de âge est pas significatif,
lequel peut être contrer à notre combinaison.
Où genre, diabète et ST_ pente sont le principal influence facteurs.
De plus, dans ces résultats,
nous payer attention à le classification erronée taux,
en particulier est a FAUX négatif valeur,
parce que il moyens que le patient a cœur échec,
et nous prédire que il fait pas,
lequel peut plomb à très sérieux conséquence.
Le meilleur performance modèle nous sélectionner dans ce analyse est censé à diminuer
lequel a le le plus bas le classification erronée taux et le le plus élevé sensibilités.
Alors nous peut sauvegarder tous le formules de prédiction
et le résultats pour utiliser dans le modèle comparaison.
La comparaison des modèles fournit plus concis et intuitif format
à montrer modèle performance indicateurs,
lequel est pratique pour nous à faire le final choix.
Maintenant, I prendre à travers à le dernier partie de notre présentation, lequel est le tableau de bord.
En utilisant le tableau de bord fonctionnalité,
nous créé a utilitaire où nous ajouté plusieurs important caractéristiques,
lequel nous discuté avant, et lequel sont de manière critique affectant le cœur taux.
Ici nous peut interagir par fournir le entrées
Comme I peut choisir mâle ou femelle,
et nous peut même choisir le Poitrine douleur taper.
Aussi, qu'est-ce que le ST_s lope modèle, et aussi, qu'est-ce que le excès dans génome?
Basé sur ce, I peut interagir avec le utilitaire,
et aussi basé sur que, il volonté afficher le probabilité de le cœur taux,
lequel est a joli utile fonctionnalité.
Que vient à le dernier partie.
Dans conclusion, I juste vouloir à résumer.
Nous utiliser le moderne écran plate-forme, et à travers lequel nous explorer
le meilleur prédictif modélisation pour le cœur échec prédiction.
Nous aussi effet de levier peu importe le travail nous essayez d'utiliser le JMP 16 tableau de bord.
Lequel nous développer a utilitaire à développer un interactif plate-forme
que sorties le probabilité de le cœur échec basé sur le saisir et paramètres.
C'est tous nous avoir pour aujourd'hui.
Remercier toi.
