756827_de-DE

liliconcom

Modell-Screening in JMP Pro 16: Optimierung des Workflows für prädiktive Modellierung (2021-US-45MP-846)

Mia Stephens, JMP Principal Product Manager, SAS

Bei der prädiktiven Modellierung geht es darum, das Modell oder die Modellkombination zu finden, die das gewünschte Ergebnis am genauesten vorhersagt. Doch nicht alle Probleme (oder Daten) sind gleich. Für jedes Szenario gibt es mehrere mögliche prädiktive Modelle, und kein Modelltyp eignet sich für alle Probleme optimal. In manchen Fällen liefert ein Regressionsmodell die besten Ergebnisse, in anderen Fällen ein baumbasiertes Modell oder ein neuronales Netzwerk.

Auf der Suche nach dem leistungsstärksten Modell könnten Sie alle verfügbaren Modelle nacheinander mithilfe von Kreuzvalidierung anpassen. Anschließend könnten Sie die einzelnen Modelle in der Datentabelle oder im Formeldepot speichern und dann mithilfe des Modellvergleichs die Leistung der Modelle auf dem Validierungsdatensatz vergleichen, um das beste Modell auszuwählen. Mit der neuen Modell-Screening-Plattform in JMP Pro 16 wurde dieser Workflow nun optimiert. In diesem Vortrag erfahren Sie, wie Sie mit dem Modell-Screening gleichzeitig das leistungsstärkste Vorhersagemodell anpassen, validieren, vergleichen, untersuchen, auswählen und anschließend bereitstellen können.

Automatisch generiertes Transkript...

Lautsprecher	Transkript
Mia Stephens	Es wird wahrscheinlich keine 45 Minuten dauern.
	Alles klar, alles gut.
	Verdammt, warum ist diese Nachricht gerade erschienen?
Jason Wiggins, JMP	Hast du gesehen, ich wollte gerade fragen, ob ich mit der Aufnahme begonnen hatte, aber dass jemand reinkommt und die Anfänge und Enden des Songs herausschneidet?
Mia Stephens	Ich würde sagen, du nimmst auf.
Jason Wiggins, JMP	Ja.
	Ich kann aufhören, wenn du willst.
	eins.
Jason Wiggins, JMP	Die Aufnahme hat begonnen.
Mia Stephens	Hallo, mein Name ist MIA Stevens und ich bin JMP-Produktmanagerin.
	Und heute werden wir über eine neue Funktion sprechen, die erstmals in der Bildschirmaufnahme des JMPed 16- oder JMP pro 16-Modells auftauchte.
	Moment, ich fange lieber noch einmal von vorne an.
Jason Wiggins, JMP	Die Aufnahme wurde wieder aufgenommen.
Mia Stephens	Hallo, ich bin Mia Stephens.
	Ich bin JMP-Produktmanager. Heute geht es um Modell-Screening. Modell-Screening ist eine neue Funktion in JMP Pro 16, mit der Sie mehrere Modelle gleichzeitig anpassen und so Ihren Workflow für die prädiktive Modellierung optimieren können.
	Wir werden also zunächst ein wenig darüber sprechen, was wir unter prädiktiver Modellierung verstehen, und dies steht im Gegensatz zur eher klassischen Modellierung oder erklärenden Modellierung.
	Wir werden uns die verschiedenen Modelltypen ansehen, die Sie in JMP Pro erstellen können, und kurz auf den Workflow der prädiktiven Modellierung eingehen. Anschließend werden wir sehen, wie Sie diesen Workflow mithilfe von Modell-Screening optimieren können.
	Wir werden verschiedene Kennzahlen zum Vergleich konkurrierender Modelle sehen und dazu zwei verschiedene Beispiele in JMP Pro verwenden. Ich werde JMP Pro 16.1 verwenden.
	Was verstehen wir also unter prädiktiver Modellierung?
	Die meisten von uns haben an der Universität, der Hochschule oder im Rahmen ihres Unternehmens Statistik-Kurse belegt, und typischerweise lernen wir beim Erlernen statistischer Modellierung die erklärende Modellierung kennen.
	Damit meinen wir, dass Sie daran interessiert sind, eine bestimmte Variable Y, also eine interessierende Zielgröße, als Funktion mehrerer Variablen X oder Eingangsvariablen zu untersuchen.
	Wir könnten also daran interessiert sein, wichtige Variablen zu identifizieren; vielleicht befinden wir uns in einer Problemlösungssituation, in der wir versuchen wollen, die wichtigsten Xs, die wichtigsten potenziellen Ursachen, zu identifizieren.
	So könnten wir beispielsweise mithilfe von Erklärungsmodellen feststellen, dass X1, X3 und X6 mögliche Ursachen für Variationen in Y sind, und dies könnte Sie dazu veranlassen, diese Variablen mithilfe eines geplanten Experiments weiter zu untersuchen.
	Wir könnten auch daran interessiert sein, die Art der Beziehung zu quantifizieren, zum Beispiel könnten wir daran interessiert sein zu verstehen, wie sich Y, unsere Reaktion, im Durchschnitt als Funktion der Xs verändert.
	Eine Änderung von X um eine Einheit ist mit einer Änderung von Y um fünf Einheiten verbunden.
	Das ist also das, woran wir typischerweise denken, wenn wir von Modellierung, statistischer Modellierung oder Regressionsanalyse sprechen.
	Im Gegensatz dazu geht es bei der prädiktiven Modellierung darum, zukünftige Ergebnisse genau vorherzusagen oder zu klassifizieren.
	In der klassischen Modellierung treffen wir typischerweise Aussagen über den Mittelwert, den Gesamtmittelwert. In der prädiktiven Modellierung wollen wir wissen, was als Nächstes passieren wird. Wird dieser Kunde beispielsweise abwandern? Wird dieser Kunde
	Wird das Kreditkartenangebot angenommen? Wird der Automat ausfallen? Wir möchten also vorhersagen, was als Nächstes passiert. Uns interessiert daher die Genauigkeit unserer Vorhersagen.
	Bei der prädiktiven Modellierung werden in der Regel viele verschiedene mögliche Modelle angepasst und verglichen, und dies beinhaltet oder kann einige sehr fortgeschrittene Techniken beinhalten.
	Und manche dieser Techniken sind möglicherweise nicht sehr leicht zu interpretieren. Wenn man also an neuronale Netze denkt, gelten diese typischerweise als eine Art Blackbox.
	Bei diesen komplexeren Modellen kann Überanpassung ein Problem darstellen. Was ich unter Überanpassung meine, ist, dass wir dazu neigen, ein Modell anzupassen, das viel komplexer ist, als wir benötigen.
	Daher verwenden wir in der prädiktiven Modellierung häufig die Modellvalidierung. Diese dient dem Schutz vor Über- und Unteranpassung. Die Modellvalidierung beinhaltet die Aufteilung der Daten, wobei üblicherweise ein Teil der Daten zurückgehalten wird…
	Nun, ein Teil unserer Daten wird zum Trainieren unseres Modells verwendet, ein anderer Teil wird zurückgehalten, und wir haben möglicherweise noch einen dritten Datensatz, der ebenfalls zurückgehalten wird. Wir verwenden diese Daten, indem wir unsere Modelle mithilfe der Trainingsdaten trainieren.
	Und dann sehen wir, wie gut das Modell auf den Validierungsdaten abgeschnitten hat. Und der dritte Schritt könnte verwendet werden, und dieser wird oft als Testdatensatz bezeichnet,
	Denn Validierung... die Validierungsdaten in JMP werden häufig verwendet, um die Größe des Modells zu steuern. Wir werden das in wenigen Minuten in der Praxis sehen.
	Ich werde hier nicht allzu sehr ins Detail gehen, was die Validierung betrifft, aber falls Ihnen dieses Thema relativ neu ist, finden Sie am Ende dieser Präsentation einige Folien, die ich aus unserem kostenlosen Online-Kurs STIPS übernommen habe. Darin wird veranschaulicht, warum Validierung wichtig ist.
	In JMP Pro gibt es viele verschiedene Arten von Vorhersagemodellen, die Sie anpassen können.
	Einige dieser Optionen sind über die Modellanpassung verfügbar. Wenn Sie also eine kontinuierliche Zielgröße haben, können Sie ein lineares Regressionsmodell anpassen. Wenn Sie eine kategoriale Zielgröße haben, können Sie Folgendes anpassen:
	Ein logistisches Regressionsmodell. Dies kann ein ordinales, multinomiales oder binomiales Regressionsmodell sein. Sie können verallgemeinerte lineare Modelle oder penalisierte Regressionsmodelle wie Elastic Net, Lasso und Ridge-Regression anpassen.
	Es gibt ein Menü für prädiktive Modellierung mit vielen Optionen, zum Beispiel neuronale Netze. Und Sie können neuronale Netze in JMP Pro anpassen mit
	zwei Schichten, mit mehreren Knoten, mehreren Aktivierungsfunktionen, mit Boosting. Und allgemein in JMP,
	Sie können Modelle für kategoriale oder kontinuierliche Zielgrößen mit derselben Plattform erstellen. Sie können verschiedene Baumtypen anpassen, beispielsweise Klassifikationsbäume, falls Sie über ein entsprechendes Modell verfügen.
	Bei kategorialen Zielgrößen werden Regressionsbäume verwendet, bei kontinuierlichen Zielgrößen. Es lassen sich auch komplexere Baumtypen wie Bootstrap Forest und Boosted Trees anpassen. Wie Sie sehen, stehen Ihnen darüber hinaus noch weitere Methoden zur Verfügung.
	Es gibt einige Plattformen für prädiktive Modellierung im Rahmen multivariater Methoden, beispielsweise Diskriminanzanalyse und partielle Kleinste-Quadrate-Regression. Diese Liste ist keinesfalls vollständig, und ich möchte darauf hinweisen, dass die partielle Kleinste-Quadrate-Regression auch über die Funktion „Modell anpassen“ verfügbar ist.
	Die Frage ist, warum wir so viele Modelle brauchen? In der klassischen Erklärungsmodellierung lernen wir typischerweise etwas über Regressionsanalysen, aber es gibt eindeutig viel, viel mehr Arten von Modellen, die wir anpassen können.
	Der Grund dafür ist, dass es kein allgemeingültiges Modell gibt, das immer das beste ist. Welches Modell am besten geeignet ist, hängt oft von der Struktur Ihrer Daten ab.
	Wie viele Variablen Sie haben, ob es sich um rein stetige X-Variablen handelt oder um eine Mischung aus stetigen und kategorialen Variablen, und ob nichtlineares Verhalten vorliegt.
	Es gibt also kein einzelnes Modell, das immer die besten Vorhersagen liefert. Daher testen wir in der Regel mehrere verschiedene Modelle und wählen das Modell oder die Modellkombination aus, die die besten Ergebnisse liefert.
	Wir betrachten die prädiktive Modellierung im Kontext des umfassenderen analytischen Arbeitsablaufs.
	Natürlich gibt es irgendein Problem, das wir zu lösen versuchen, ein betriebswirtschaftliches oder ein technisches Problem.
	Aber wir sammeln Daten, und diese Daten können aus einer Vielzahl unterschiedlicher Quellen stammen, und wir müssen diese Daten miteinander verknüpfen, wir müssen die Daten kuratieren.
	Wir analysieren und visualisieren die Daten, um mehr über die verfügbaren Informationen und unseren zusätzlichen Datenbedarf zu erfahren. Der Aspekt der prädiktiven Modellierung fällt unter die Datenanalyse und Modellentwicklung – und meiner Meinung nach beginnt hier der eigentliche Spaß.
	Der klassische Arbeitsablauf in JMP besteht also darin, ein Modell mit Validierung anzupassen.
	Und dann speichern Sie die Vorhersageformel in der Datentabelle oder veröffentlichen sie im Formeldepot, und wir werden das in wenigen Augenblicken sehen.
	Anschließend wird ein weiteres Modell angepasst. Man könnte beispielsweise mit einem Regressionsmodell beginnen und dann ein baumbasiertes Modell anpassen. Diesen Vorgang wiederholt man und passt so mehrere verschiedene Modelltypen an.
	Anschließend nutzen wir den Modellvergleich, um die Leistung jedes Modells anhand der Validierungsdaten zu bewerten. Wir verwenden also die Trainingsdaten, um das Modell anzupassen, aber um Modelle zu vergleichen und zu sehen, welches die genaueste Vorhersage liefert, nutzen wir die Validierungs- oder Testdaten.
	Und wir wählen das beste Modell oder die beste Kombination von Modellen aus.
	Und dann stellen wir das Modell bereit, das ist also ein typischer Arbeitsablauf.
	Das Modell-Screening vereinfacht diesen Prozess. So können alle gewünschten Modelle in die Modell-Screening-Plattform integriert werden.
	Vergleichen Sie diese Modelle anhand von Validierungsdaten und wählen Sie das beste Modell aus. Sie können die Modelle untersuchen, sogar neue Modelle aus dem Modell-Screening erstellen und anschließend das beste Modell problemlos bereitstellen.
	Um das genauer zu betrachten, werden wir ein paar Beispiele heranziehen, und das erste Beispiel ist Ihnen vielleicht bekannt.
	Die Diabetesdaten befinden sich im Beispieldatenverzeichnis. Das Szenario ist also, dass die Forscher die Geschwindigkeit des Krankheitsverlaufs vorhersagen möchten.
	Ein Jahr nach den Ausgangsmessungen. Es gibt also 10 Ausgangsvariablen und 442 Patienten, und wir werden uns hier zwei Arten von Reaktionen ansehen. Die Reaktion Y ist ein quantitatives Maß, das misst, wie stark die Krankheit innerhalb eines Jahres fortgeschritten ist.
	Es gibt auch eine binäre Antwortmöglichkeit, hoch/niedrig, wobei hoch bedeutet, dass die Krankheitsprogression sehr stark ausgeprägt ist, und niedrig bedeutet, dass die Progression sehr gering war.
	Das Ziel der Modellierung besteht darin, Patienten vorherzusagen, bei denen mit hoher Wahrscheinlichkeit ein starker Krankheitsverlauf zu erwarten ist, damit Korrekturmaßnahmen ergriffen werden können.
	Letztendlich möchten wir also ein Modell entwickeln, das es uns ermöglicht, zukünftige Patienten anhand ihrer demografischen Merkmale und der uns vorliegenden Basisinformationen zu klassifizieren. Wir möchten also in der Lage sein,
	Wir müssen genau vorhersagen können, ob die Krankheit bei ihnen stark fortschreiten wird oder nicht, damit wir dann Maßnahmen ergreifen können. Okay, das ist also das Szenario.
	Und bevor wir uns mit JMP befassen, möchte ich kurz darauf eingehen, wie wir entscheiden, welches Modell die besten Vorhersagen liefert.
	Ich habe bereits erwähnt, dass wir hierfür den Validierungs- oder Testdatensatz verwenden, und es gibt verschiedene Arten von Maßnahmen, die wir anwenden können.
	Bei kontinuierlichen Zielgrößen verwenden wir den RMSE (Root Mean Square Error) oder den RASE (Root Average Square Error), ein verwandtes Maß, das den Vorhersagefehler angibt. Hierbei gilt: Je niedriger der Wert, desto besser.
	Wir können auch den durchschnittlichen absoluten Fehler (AAE), die mittlere absolute Abweichung (MAD) oder den MAE verwenden, und auch hier gilt: Je niedriger der Wert, desto besser. Es handelt sich also um durchschnittliche Fehlermessgrößen.
	Und dann noch das Bestimmtheitsmaß R², das ja eigentlich ein Maß für die Güte der Anpassung ist: Je höher, desto besser.
	Daher verwenden wir diese eher für kontinuierliche Reaktionen; es gibt aber auch viele andere Messarten.
	Bei kategorialen Antworten interessierten wir uns oft für die Fehlklassifizierungs- oder Fehlerrate oder die Genauigkeitsrate; wir hingegen könnten uns für die Präzision interessieren.
	Es gibt weitere Kennzahlen, wie die Fläche unter der Kurve, die wir in einer ROC-Kurve sehen, Sensitivität und Spezifität, und diese werden unter verschiedenen Bezeichnungen geführt.
	Darüber hinaus haben wir beim Modell-Screening noch einige weitere Kennzahlen hinzugefügt, die sich bei unausgewogenen Daten als nützlich erweisen. Dazu gehören der F1-Score und der Matthews-Korrelationskoeffizient (MCC), der unter anderem folgende Werte annimmt: …
	oder eine Metrik, die Werte zwischen minus eins und plus eins annimmt und gut geeignet ist, um bei kategorialen Daten zu messen, wie gut die Daten in allen vier möglichen Kategorien klassifiziert werden: richtig positiv, richtig negativ, falsch positiv und falsch negativ.
	Also, lasst uns... weiter zu JMP gehen.
	Und ich werde die Daten einfach öffnen.
	Das sind also... und ich mache es noch etwas größer, das sind nochmals die Diabetesdaten.
	Und falls Sie mit diesen Daten experimentieren möchten, gibt es einen Blog, der diese Daten verwendet, und Sie können sie auch unter Hilfe und dann Beispieldaten finden.
	Und wir haben also eine Zielgröße Y, die ich etwas größer zeichne, die unser kontinuierliches Maß für den Krankheitsverlauf darstellt. Dann haben wir noch eine binäre Variable Y mit den Ausprägungen niedrig oder hoch, und wir werden uns diese nun genauer ansehen.
	Schauen wir uns zunächst an, wie Sie mit JMP Pro prädiktive Modelle anpassen würden, um Y, die kontinuierliche Zielgröße, vorherzusagen, wenn Sie JMP 15 verwenden oder kein Modell-Screening nutzen.
	Beachten Sie, dass wir mehrere demografische Variablen haben.
	Es gibt also 10 davon, und es gibt eine Validierungsspalte, und die Validierungsspalte teilt unsere Daten in Trainings- und Validierungsdaten auf.
	Wir werden also unser Modell anhand der Trainingsdaten trainieren und dann sehen, wie gut das Modell bei der Anwendung auf die Validierungsdaten abschneidet.
	Um diese Spalte zu erstellen, gibt es unter Analysieren die Funktion „Vorhersagemodellierung“ und anschließend „Validierungsspalte erstellen“. Damit können wir eine Validierungsspalte erstellen.
	Möglicherweise haben Sie Variablen, die Sie als Stratifizierungsspalten verwenden möchten, um beispielsweise sicherzustellen, dass die Daten über die verschiedenen Schichten hinweg ausgeglichen sind.
	Validierungssätze. Ich klicke hier einfach auf OK.
	Und dies ermöglicht es uns, einen bestimmten Prozentsatz unserer Daten den verschiedenen Datensätzen zuzuordnen.
	Und hier unten gibt es noch einige weitere nützliche Optionen. Die Zufallsgenerator-Funktion ist zum Beispiel sehr praktisch, wenn Sie unterrichten und möchten, dass alle Ihre Schüler die gleiche Partitionierung erhalten.
	Dies wurde also vor dem
	Beginnen wir also mit der Analyse, indem wir uns zunächst die Spalte Y ansehen, die die kontinuierliche Zielvariable darstellt. Wenn ich also Vorhersagemodelle anpassen würde, wäre ein Regressionsmodell ein naheliegender Ausgangspunkt. In JMP findet man die Regression unter „Modell anpassen“.
	Meine Antwort ist Y, und ich werde einfach...beginnen, indem ich ein Modell nur mit Haupteffekten anpasse.
	Ich gebe hier in diesem Validierungsfeld die Validierungsmethode ein. Standardmäßig ist die Methode der kleinsten Quadrate ausgewählt. Wenn Sie jedoch mit JMP und JMP Pro vertraut sind, wissen Sie, dass unter „Methoden“ viele verschiedene Optionen zur Verfügung stehen.
	Wenn ich auf „Ausführen“ klicke,
	Eine Änderung in JMP 16 besteht darin, dass man beim Betrachten des Ist-Wert-pro-Vorhersage-Diagramms oder eines der anderen Diagramme feststellen kann, dass es Punkte gibt...es gibt hier einige Punkte mit einem V anstelle eines Punktes.
	Dies soll darauf hinweisen, dass diese Punkte tatsächlich dem Validierungsset zugewiesen wurden, wir schauen uns also im Grunde Folgendes an:
	Man sieht, wie gut das Modell die zufälligen Schwankungen um diesen Wert herum vorhersagt, und man kann erkennen, dass es eine gewisse Streuung gibt.
	Denken Sie daran, wir trainieren unser Modell mit den Trainingsdaten und überprüfen seine Leistung anhand der Validierungsdaten. Weiter unten finden Sie einige Statistiken. Immer wenn Validierungsdaten vorliegen, werden zusätzliche Statistiken für die Trainings- und Validierungsdatensätze angezeigt.
	Und wir können sehen, dass es hier ein paar Kennzahlen gibt. Da ist der R-Quadrat-Wert und auch RASE.
	Wenn man ein Modell an einen Datensatz anpasst und es dann auf neue Daten anwendet, funktioniert es in der Regel nicht mehr ganz so gut. Daher sehen wir, dass das Bestimmtheitsmaß (R²) für den Validierungsdatensatz niedriger und der relative durchschnittliche Fehler (RASE) etwas höher ist.
	Einmal...das eine Ding, das wir hier unten unter dem Vorhersageprofiler sehen
	Ist das eine Beobachtung? Man sieht, dass sich das Gesamtcholesterin und das LDL an den Enden regelrecht auffächern.
	Und während ich schleppe
	Beachten Sie, wie breit das Konfidenzintervall für den Mittelwert des Cholesterinwerts wird. Wenn ich es also zum unteren Ende ziehe,
	Es wird extrem breit, und dasselbe passiert, wenn ich es zum oberen Ende ziehe. Tatsächlich werden alle diese Intervalle für jeden der Prädiktoren extrem breit.
	Das geht zwar etwas über den Rahmen dieses Vortrags hinaus, aber das liegt daran, dass wir in dieser Region tatsächlich keine oder nur wenige Daten haben. Wenn ich mir das mal ansehen würde, dann würde ich einfach mal...
	Nehmen wir zum Beispiel diese beiden Variablen, Gesamtcholesterin und LDL... für Cholesterin und LDL.
	Man beachte, dass zwischen diesen eine ziemlich starke Korrelation besteht. Ich habe keine Daten in dieser Region und ich habe keine Daten in dieser Region.
	Wenn Sie also jemals ein Vorhersagemodell oder irgendeine Art von Modell anpassen, bei dem Sie sehen, wie sich diese Bänder stark auffächern,
	Das deutet darauf hin, dass Ihre Vorhersagen in dieser Region nicht sehr präzise sein werden. Und es gibt eine neue Funktion in JMP Pro,
	Das nennt man Extrapolationskontrolle; diese kann Sie warnen, falls es sich um ein Problem handelt. Wenn ich das also hinauszögere,
	Beachten Sie, dass es mir sagt: „Hey, es besteht die Möglichkeit einer Extrapolation; Ihre Vorhersagen könnten hier problematisch sein.“ Und wenn ich die Extrapolationskontrolle aktiviere,
	Beachten Sie, dass diese Bereiche abgeschnitten werden; das bedeutet im Grunde, dass man keine Vorhersagen außerhalb dieser Grenzen treffen kann. Das ist einfach nicht gültig.
	Das geht zwar etwas über den Rahmen dieses Beitrags hinaus, aber falls Sie in Ihrem Vorhersageprofiler jemals Bänder sehen, die sich fächerförmig ausbreiten,
	Das liegt oft daran, dass Ihre Prädiktoren miteinander korreliert sind, und es kann sein, dass Ihnen in diesen Regionen einfach nicht genügend Daten für Vorhersagen zur Verfügung stehen. Daher ist es gut, sich dessen bewusst zu sein.
	Okay, zurück zur eigentlichen Aufgabe: Ich habe dieses Modell angepasst, es verkleinert und bin zufrieden damit. Das ist mein endgültiges Modell.
	Ich speichere dieses Modell in meiner Datentabelle, indem ich die Vorhersageformel speichere. Sie werden sehen, dass dadurch eine neue Spalte zur Datentabelle hinzugefügt wird. Da ich gerade ein lineares Modell erstellt habe, wurde diese Formel in der Datentabelle gespeichert.
	Eine Alternative wäre, dies zu veröffentlichen, und ich werde es im Formeldepot veröffentlichen.
	Letztendlich werde ich also verschiedene Modelltypen anpassen (und das hier dann schließen) und diese Modelle vergleichen, um die Ergebnisse nutzen zu können...
	Das kann ich entweder tun, indem ich die Formel speichere und dann auf „Analysieren“, „Vorhersagemodellierung“, „Modellvergleich“ gehe – das mache ich gleich – oder indem ich sie im Formeldepot speichere.
	Der Vorteil, es im Formeldepot zu speichern, besteht darin, dass ich nun den Scoring-Code habe. Wenn dies beispielsweise mein endgültiges Modell wäre, das ich auf neue Daten anwenden möchte,
	Ich könnte dieses Skript kopieren und es anwenden, um neue Daten auszuwerten.
	(und das werde ich hier nicht tun), oder ich kann Code in einer Vielzahl unterschiedlicher Sprachen erstellen, wenn ich dieses Modell in einer Produktionsumgebung verwenden möchte.
	Das war also ein einfaches lineares Modell. Was aber, wenn ich einen anderen Modelltyp anpassen möchte?
	Ich könnte hier im Fit-Modell ein komplexeres Modell einfügen.
	Ich kann also ein verallgemeinertes Regressionsmodell anpassen und vielleicht möchte ich auch ein Lasso-Modell anpassen, also klicke ich hier auf "Los".
	Und es gibt hier einen Modellvergleich innerhalb der verallgemeinerten Regression, aber nehmen wir an, ich möchte dieses Modell speichern, richtig?
	Ich achte hier nicht allzu sehr auf die Details, aber ich werde mir das hier merken. Ich werde die Vorhersageformel speichern. Vielleicht veröffentliche ich sie dann auch.
	Geh hierher und veröffentliche das hier.
	Und ich könnte das wiederholen, ich könnte ein Modell mit Interaktionen anpassen. Anschließend könnte ich ein neuronales Netzwerkmodell oder ein Partitionsmodell, ein baumbasiertes Modell anpassen, und wenn ich eine kategoriale Antwort habe, passt dieses Modell.
	Ein Entscheidungsbaum. Bei einer kontinuierlichen Zielgröße eignet sich ein Regressionsbaum. Alternativ kann ein Bootstrap-Wald, also eine Sammlung kleinerer Bäume, oder ein Boosted Tree verwendet werden. Es gibt also verschiedene Modelltypen, die angepasst werden können.
	Und sobald ich meine Modelle habe und die Formeln gespeichert oder im Formeldepot veröffentlicht habe, möchte ich herausfinden, welches Modell die genauesten Vorhersagen liefert.
	Ich werde also einen Modellvergleich durchführen.
	Und ich werde einfach die Validierung als meine Variable hinzufügen.
	Denn ich möchte sehen können, wie gut das Modell auf den Validierungsdaten abgeschnitten hat. Und indem ich einfach diese beiden Modelle verwende und mir die Validierungsdaten ansehe (die Trainingsdaten lasse ich außen vor),
	Ich kann sehen, dass ich beim Modell der kleinsten Quadrate einen geringeren durchschnittlichen Fehler habe und mein RASE beim Modell der kleinsten Quadrate etwas höher ist.
	Und mein R² ist beim verallgemeinerten Lasso etwas besser.
	Dies ist die typische Vorgehensweise für die prädiktive Modellierung mit JMP 15 Pro oder JMP Pro 15, also ohne Modellprüfung. Die Modellprüfung ermöglicht es uns, all dies in einem Schritt zu erledigen. Ich werde nun die prädiktive Modellierung starten und die Modellprüfung einleiten.
	Und das Modell-Screening, wenn Sie hier unten in die Ecke schauen, ermöglicht es uns im Grunde, jede der Plattformen zu starten, die für die Art der Daten, die wir haben, sinnvoll ist.
	und diese Modelle automatisch ausführen. Wir müssen also nicht mehr das Modell im Menü auswählen, sondern können es von hier aus automatisch starten. Ich werde also denselben Modelltyp anpassen, hier ein Modell, das nur die Haupteffekte berücksichtigt.
	Das sind meine Xs. Ich werde dieselbe Validierung verwenden.
	Es gibt hier eine Reihe von Optionen, die wir gleich besprechen werden, und ich klicke jetzt auf OK. Sie sehen hier einen Entscheidungsbaum, einen Bootstrap-Wald, einen Boosted Tree und K-Nearest-Neighbors.
	Standardmäßig ist Naive Bayes deaktiviert, ich kann ein neuronales Modell anpassen.
	Hier unten gibt es noch weitere. Beachten Sie, dass XGBoost installiert ist; XGBoost ist also verfügbar, weil ich das XGBoost-Add-in installiert habe.
	Es handelt sich also um ein kostenloses Add-in, das auf Open-Source-Bibliotheken zugreift. Wenn Sie es in JMP Pro installiert haben, können Sie es über die Modellprüfungsplattform starten. Ich lasse es daher deaktiviert und klicke einfach auf OK.
	Es führt also die Modelle aus, und da ist es. Es ist also gestartet und hat tatsächlich einen Schritt übersprungen, richtig? Es hat jedes dieser Modelle automatisch für mich ausgeführt.
	Und es gibt einige Simulationen, mit denen man die besten Startwerte für die Abstimmungsparameter ermittelt, sodass wir alle diese Modelle anpassen.
	Es werden Validierungstrainings- und Validierungsstatistiken für jedes der Modelle ausgegeben. Und nun gilt es herauszufinden, welches dieser Modelle das beste ist.
	Wählen Sie „dominant“. „Dominant auswählen“ bewirkt im Grunde, dass eine Grenze über die verfügbaren Metriken hinweg geschaffen wird. Deshalb klicke ich hier auf „Dominant auswählen“.
	Und stellt fest, dass für diese Daten das beste Modell das Neural Boosted Model ist; die Details zu diesem Modell finden Sie hier oben unter Neural.
	Im Grunde geht es also nur darum, die Plattform zu starten und alle Informationen direkt hier innerhalb dieser Plattform zu erfassen.
	Hier sind also alle Details für neuronale Netze aufgeführt. Im Grunde wird ein TanH-Algorithmus mit drei Knoten ausgeführt, der verstärkt wird. Ich kann die Trainings- und Validierungsstatistiken einsehen und mir das tatsächlich trainierte Modell anzeigen lassen.
	Hier ist das zugrunde liegende Modell.
	Okay, das hier ist also mein bestes Modell. Wenn ich mir diese Modelle genauer ansehen möchte, kann ich sie von hier aus aufrufen. Es gibt hier einige Optionen; ich kann mir zum Beispiel die Ist-Werte im Vergleich zu den vorhergesagten Werten ansehen.
	Ich kann diese Modelle vergleichen, und wie erwartet, gibt es in unseren Trainingsdaten etwas weniger Abweichungen als in den Validierungsdaten und im Vergleich der tatsächlichen mit den vorhergesagten Werten. Ich kann bestimmte Modelle deaktivieren, um dies genauer zu untersuchen.
	Ich kann auch den Profiler starten. In Version 16.1 ist der Profiler eine Option. In Version 16.0 ist er allerdings versteckt. Ich nutze hierfür die Pro-Version. Der Profiler ist praktisch, da wir damit die passenden Modelle genauer betrachten können. Ich habe drei Modelle ausgewählt.
	Und ich möchte das Ganze noch etwas vergrößern.
	Vielleicht nicht so groß.
	Ich habe also einen Bootstrap-Wald, das ist ein baumbasiertes Modell, bei dem im Grunde die Ergebnisse einer Reihe verschiedener Bäume addiert werden.
	Ich habe ein Boosted-Modell, und neuronale Modelle erfassen nichtlineare Verhaltensweisen wirklich sehr gut. Und ich habe das Lasso-Modell, das im Wesentlichen nur ein lineares Modell ist.
	Und man kann diese Modelle ziemlich deutlich erkennen. Beachten Sie, dass ich mit dem verallgemeinerten Lasso, richtig, diese lineare Beziehung zwischen dem BMI habe.
	Und die Reaktion. Mit Neuro Boosted sehe ich eine gewisse Krümmung. Ich kann sie hier mit LTG erkennen, und mit Bootstrap Forest sehe ich diese kleine Stufenfunktion, richtig? Sie approximiert also tatsächlich diese nichtlineare Beziehung, die wir hier haben.
	Wenn wir also entscheiden, dass das neuronale Boosting-Modell das beste ist,
	Dann können wir im Prinzip das Modell starten, es von hier aus starten, und wir können entweder die Formeln in der Datentabelle speichern oder sie im Formeldepot zur Bereitstellung veröffentlichen.
	Das spart uns viel Zeit und gibt uns trotzdem die Möglichkeit, unsere Modelle zu erkunden.
	Und was passiert bei einer kategorialen Antwort? Wir haben ja die binäre Variable Y. Diese können wir genauso verwenden. Ich gehe also auf „Analysieren“, rufe erneut das Modell-Screening auf und wähle „Recall“. Anstelle von Y verwende ich dann die binäre Variable Y.
	Wir können darin dieselben Modelltypen ausführen. Wenn ein bestimmter Modelltyp nicht sinnvoll ist, wird er nicht ausgeführt. Beispielsweise ist die Methode der kleinsten Quadrate hier nicht sinnvoll und wird daher nicht ausgeführt.
	Hier gibt es ein paar Optionen. Wenn ich „Zufallsstartwert festlegen“ auswähle, z. B. 1, 2, 3, 4, 5, erhalte ich Wiederholbarkeit, und wenn ich ein Modell von den Details aus starte,
	Es wird... es wird zum gleichen Ergebnis führen. Ich habe hier noch einige zusätzliche Optionen zur Validierung.
	Es stellt sich also heraus, dass in vielen Fällen die klassische Aufteilung in Trainings-, Validierungs- und Testdaten sinnvoll ist.
	Das ist nicht optimal, insbesondere bei kleinen Datensätzen. Daher würde ich stattdessen K-fache Kreuzvalidierung verwenden; außerdem gibt es noch die verschachtelte Kreuzvalidierung.
	Man kann auch wiederholte K-fache Faltung durchführen. Das ist also eine gute Option, insbesondere bei kleinen Datensätzen.
	Und unten gibt es noch einige zusätzliche Optionen. Sie könnten beispielsweise Wechselwirkungen zweiter Ordnung oder quadratische Funktionen hinzufügen.
	Wenn Sie wissen, dass Werte fehlen, sollten Sie informative fehlende Werte verwenden. Zusätzliche Methoden beziehen sich auf weitere verallgemeinerte Regressionsmethoden. Und wenn Sie am JMP 17-Frühanwenderprogramm teilnehmen, werden Sie feststellen, dass dieser Teil des Menüdialogs
	Oder der Dialog zum Starten des Modells wurde etwas umstrukturiert, um den Ablauf zu verbessern. Gut, ich verwende hier einfach die Standardeinstellungen mit einem Zufallswert und klicke auf OK.
	Es führt also all diese Modelle aus. Und das geht wirklich sehr, sehr schnell. Da ich nun eine binäre Antwort habe, benötige ich einige zusätzliche Metriken. Ich habe zwei.
	Das Bestimmtheitsmaß R², die Fehlklassifizierungsrate, die Fläche unter der Kurve (RASE) – all das hängt mit dem mittleren quadratischen Fehler zusammen. Ich klicke erneut auf „Dominant auswählen“ und wieder wird „Neural Boosted“ gefunden, was aber nicht immer der Fall ist.
	Wenn ich die meiner Meinung nach besten Modelle auswähle, also die Optionen unter dem roten Dreieck, kann ich mir deren ROC-Kurven ansehen. Und auch hier gibt es Kontrollkästchen, mit denen ich Modelle aktivieren und deaktivieren kann.
	Wählen Sie dies aus. Und eine meiner liebsten neuen Funktionen, die auch auf der Modellvergleichsplattform verfügbar ist und in JMP 17 zu jeder Modellierungsplattform hinzugefügt wird, die Klassifizierungsmodellierung durchführt, ist diese sogenannte Entscheidungsschwelle.
	Ich glaube, das ist eine der...eine der...eine der wirkungsvollsten Neuerungen, die wir in JMP 16 eingeführt haben.
	Mit der Auswahl dieser drei Modelle habe ich eine Zusammenfassung der Klassifizierungen für diese drei Modelle erhalten.
	Und ich werde das Ganze noch ein bisschen größer machen, damit wir es ein bisschen besser sehen können.
	Wenn wir uns das also ansehen, erkennen wir bei Neural Boosting zwei Kategorien für Neural Boosting, und wir prognostizieren die Wahrscheinlichkeit für „hoch“. Das sind also die angepassten Wahrscheinlichkeiten für „hoch“.
	Der Grenzwert liegt bei 0,5, alles unter 0,5 wird als niedrig, alles über 0,5 als hoch eingestuft.
	Wenn wir uns also diesen roten Block hier ansehen, sehen wir all die Punkte, die als niedrig eingestuft wurden, obwohl sie tatsächlich hoch waren. Die Zahl dazu sehen wir hier. Es waren 29, das waren also falsch negative Ergebnisse.
	Die untere rote Box, diese wurden als hoch eingestuft.
	Aber es waren tatsächlich niedrige Werte. Das hier sind also die falsch-positiven Ergebnisse.
	Am unteren Rand befinden sich einige Kennzahlen und Grafiken, die uns helfen, die Daten zu verstehen und Entscheidungen zu treffen. Dort sind auch die gleichen Werte wie die 29 falsch negativen und 17 falsch positiven Ergebnisse aufgeführt.
	Wir können auch die wirklich positiven und negativen Aspekte erkennen. Und was mir daran besonders gefällt, ist, dass ich dadurch verschiedene Grenzwerte untersuchen kann.
	Je nach Ihren Modellierungszielen könnten wir beispielsweise an einer hohen Sensitivitätsrate interessiert sein, wollen aber auf keinen Fall eine niedrige Spezifitätsrate haben.
	Sensitivitätsrate, und dieser Schlüssel hier ist wirklich hilfreich, Sensitivität ist die Rate der richtig positiven Ergebnisse; Spezifität ist die Rate der richtig negativen Ergebnisse.
	Wissen Sie, können wir einen Schwellenwert finden, der in beiden Bereichen etwas besser abschneidet? Und durch Klicken und Ziehen können Sie den Schwellenwert für die Klassifizierung ändern.
	und versuchen Sie, einen Schwellenwert zu finden, der bessere Ergebnisse liefert. Zum Beispiel bei 0,26 – und ich setze hier einfach eine gerundete Zahl ein – ist die Sensitivität bei einem Schwellenwert von 0,25 höher, während die Spezifität weiterhin hoch bleibt.
	Die von mir aufbewahrten Grafiken sind auch bei der Interpretation dieser Zahlen sehr hilfreich und vermitteln uns ein Gesamtbild der Fehlklassifizierung.
	Nach Schwellenwert, nach Anteil und dann nach der eigentlichen Klassifizierung. Wenn ich also einen Punkt finden möchte, der Spezifität und Sensitivität in Einklang bringt, kann ich mir dieses Diagramm ansehen.
	Die oberen Linien stellen die Sensitivität dar, die gestrichelten Linien die Spezifität. Gibt es einen Punkt, an dem die Sensitivität noch über einem bestimmten Wert liegt, bei dem...?
	Sensitivität, wo meine Spezifität hoch bleibt? Und wir können... wir können das ausgleichen. Wenn ich mir das hier ansehe, sehe ich, dass dies der Punkt ist, an dem sich diese beiden Linien schneiden.
	Das wird besonders wichtig, wenn wir unausgewogene Daten haben. Schauen wir uns also ein weiteres Beispiel an. Ich werde das jetzt abschließen und
	Das wird nicht gespeichert. Ich schließe jetzt das Formeldepot. Das Formeldepot ist übrigens eigenständig und somit nicht an den verwendeten Datensatz gebunden. Dadurch lässt sich ein Modell ganz einfach auf neue Daten anwenden. Ich schließe das Fenster jetzt.
	Das Szenario für den nächsten Datensatz, die Daten zum Kreditkartenmarketing, ist also folgendes:
	Wir führen eine Marktforschung zur Annahme von Kreditkartenangeboten durch. Die Antwort lautet: Angebot angenommen. Allerdings ist zu beachten, dass nur 5,5 % der Angebote
	Anhand historischer Daten wurden sie akzeptiert. Es handelt sich hierbei um ein geplantes Experiment, bei dem wir verschiedene Belohnungen und verschiedene Mailing-Arten untersuchen.
	Es liegen zwar unterschiedliche Finanzinformationen vor, aber das geplante Experiment basiert auf Prämien und Werbemails. Wir konzentrieren uns auf dieses spezielle Modellierungsziel: Wir möchten die Kunden identifizieren, die das Kreditkartenangebot am ehesten annehmen werden.
	Und damit werden wir versuchen,
	Wir wenden das Modell auf Neukunden an und werden auf Basis der Klassifizierung dieser Neukunden entscheiden, ob wir ihnen das Angebot zusenden oder nicht.
	Wenn Kunden das Angebot voraussichtlich nicht annehmen werden, senden wir es ihnen nicht zu. Wenn sie es aber mit hoher Wahrscheinlichkeit annehmen werden, senden wir es ihnen zu.
	Das ist also das Szenario. Zurück zu JMP: Das Angebot wurde angenommen. Ich werde jetzt einfach ein gespeichertes Skript ausführen, während ich über die Daten spreche.
	Wir haben 10.000 Beobachtungen, daher wird es etwas länger dauern. Im Moment laufen die Modelle, und ich verwende hier die Standardeinstellungen. Das Angebot wurde also angenommen.
	Die Prämienart besteht aus Flugmeilen, Cashback oder Punkten. Die Versandart ist ein Brief oder eine Postkarte. Der Rest betrifft Bankdaten ... historische Bankinformationen und einige demografische Daten.
	Sie sehen, dass Support-Vektor-Maschinen ausgeführt werden. Support-Vektor-Maschinen können etwas langsam sein, insbesondere bei großen Datensätzen, und werden standardmäßig nicht ausgeführt, wenn wir mehr als 10.000 Beobachtungen haben.
	Wir sehen, dass wir einen ausgeglichenen Durchschnitt haben. Die Daten werden in Trainings- und Validierungsdaten aufgeteilt, und JMP erkennt automatisch die Nullen als Trainingsdaten und die Einsen als Validierungsdaten. Richtig, es wurden also alle Modelle ausgeführt.
	Und wenn ich „dominant“ auswähle, können wir sehen, dass es „Fit Stepwise“ und „Entscheidungsbaum“ ausgewählt hat.
	Ich möchte aber auf diese Fehlklassifizierungsrate hinweisen.
	Das ist also... das ist etwas, was wir sehr oft sehen, wenn wir die Nadel im Heuhaufen suchen, richtig? Wenn ich mir diese Daten ansehe und sie jetzt einfach mal verteilen werde...
	Ich vergrößere das mal etwas, damit wir es besser sehen können, okay? Ich schaue mir gerade die Validierungsdaten an, beachten Sie Folgendes:
	6,25, 6,2, 6,3 %
	Wenn die Werte positiv waren, haben sie auf das Angebot reagiert, und genau das sehen wir hier bei der Fehlklassifizierungsrate.
	Um das besser zu verstehen, werde ich die Entscheidungsschwelle aktivieren.
	Und mach es ein bisschen größer.
	Man beachte, dass die vorhergesagten Ja-Werte alle null sind, und das liegt daran, dass die vorhergesagten Wahrscheinlichkeiten alle relativ niedrig waren.
	Bedenken Sie, dass in einer klassischen Konfusionsmatrix der Schwellenwert bei 0,5 liegt und dass es bei unausgewogenen Daten sehr unwahrscheinlich ist, dass Sie viele der Beobachtungen in diesem Fall als „Ja“ klassifizieren werden.
	Während ich klicke und ziehe,
	Und wenn ich diese ersten Punkte erreiche, sehe ich erste vorhergesagte Ja-Ergebnisse. Tatsächlich werde ich die Kennzahlen aktivieren.
	Bei stark unausgewogenen Daten können die vorhergesagten Wahrscheinlichkeiten sehr niedrig sein.
	Mit diesem Schieberegler können Sie also verschiedene Grenzwerte ausprobieren.
	Das kann sowohl Ihre Sensitivität als auch Ihre Spezifität beeinflussen. In einem solchen Fall könnten wir beispielsweise sagen: „Wenn wir jetzt … senden würden …“
	Ich trage hier einfach mal 0,05 ein... wenn wir den vorhergesagten Wahrscheinlichkeiten ein Kreditkartenangebot senden würden, den obersten 5 % der vorhergesagten Wahrscheinlichkeiten für „Ja“, „Richtig“, unsere Sensitivität
	Die Differenz zwischen den beiden Modellen beträgt etwa 0,72 bzw. 0,75, und unsere Spezifität ist immer noch recht hoch. Mit diesem Schwellenwert, diesem Schieberegler, können Sie also nützlichere Informationen aus Ihrem Modell gewinnen.
	Wenn ich also bei einem Wert von 0,5 sehe, dass ich einige echte positive Ergebnisse erhalte, bekomme ich auch viele falsch positive Ergebnisse, richtig? Es ist also ein Kompromiss.
	Nun, in einem solchen Fall können auch finanzielle Auswirkungen entstehen. Richtig. Daher ist es sinnvoll, darüber nachzudenken...
	Gewinnmatrix. Und da ist ein Knopf.
	Ich klicke darauf.
	Die Gewinnmatrix ist eine Spalteneigenschaft für eine bestimmte Spalte, und wir können sie festlegen
	Dieser Wert, der unter den Wahrscheinlichkeitsschwellenwert fällt, kann als Spalteneigenschaft gespeichert werden, oder wir können auch Werte einsetzen. Im klassischen Szenario wären das beispielsweise 5 Dollar.
	wenn wir uns entscheiden, jemandem ein Angebot zu unterbreiten.
	Und wenn sie auf das Angebot reagieren,
	Vielleicht ist es 100 Dollar wert. Wenn wir also jemandem ein Angebot machen und dieser nicht reagiert, verlieren wir 5 Dollar.
	Wenn wir jemandem ein Angebot unterbreiten und dieser darauf reagiert, verdienen wir im Durchschnitt vielleicht 100 Dollar. Und vielleicht entgeht uns eine Chance, vielleicht sagen wir, dass wir 100 Dollar verloren haben.
	Wenn sie nicht antworten. Und oft besteht der Nachteil darin, dass dieses Feld einfach leer gelassen wird; wir tragen einfach Werte für die „Ja“-Antworten ein. Wenn ich dies anwende und auf OK klicke,
	Dann werden einige neue Werte hinzugefügt, richtig? Jetzt haben wir also eine Gewinnmatrix, und wenn ich mir unsere Kennzahlen ansehe, können wir die prognostizierten Gewinne sehen.
	Im Durchschnitt, richtig, für jeden Kunden in diesem Datensatz bedeutet dies, dass er 1,50 $ verdienen wird, wenn wir das Entscheidungsbaummodell anwenden, und etwas weniger, wenn wir das schrittweise Modell anwenden.
	In einer solchen Situation mit unausgewogenen Daten und vorhandenen Kosten ist die Verwendung der Gewinnmatrix sinnvoll. Wenn keine Kosten vorliegen,
	Dieser Schieberegler hilft uns also dabei, einen Schwellenwert auszuwählen, mit dem wir unser Modellierungsziel erreichen können. Das kann beispielsweise die Maximierung der Sensitivität, der Spezifität oder etwas anderes sein.
	Das ist also im Wesentlichen das Modell-Screening.
	Ich schließe das jetzt und gehe zurück zur Präsentation.
	Wir haben also schon ein wenig über prädiktive Modellierung und deren Bedeutung gesprochen.
	Wir haben gesehen, dass man mithilfe der Validierung problemlos viele Modelle anpassen und vergleichen kann, und beim Modell-Screening geht es genau darum, diesen Arbeitsablauf zu optimieren.
	Sie können natürlich weiterhin einzelne Modelle anprobieren, wenn Sie möchten. Die Modellauswahl ermöglicht es Ihnen jedoch, alle Modelle gleichzeitig auf einer Plattform anzuprobieren und diese Modelle anschließend zu vergleichen.
	Für weitere Informationen stehen zahlreiche verschiedene Metriktypen und sehr viele Metriken für Klassifizierungsdaten zur Verfügung. Es gibt eine wirklich schöne
	Ich habe eine Seite in Wikipedia über Sensitivität und Spezifität und all die verschiedenen Metriken gefunden, und die fand ich sehr hilfreich, da ich versucht habe, mich näher damit zu befassen und zu verstehen, wie man die angegebenen Metriken interpretiert.
	Es gibt zahlreiche Ressourcen zum Thema prädiktive Modellierung im Allgemeinen und auch zum Modell-Screening in JMP Pro.
	in unserer Benutzergemeinschaft. Ich werde erneut auf STIPS verweisen. STIPS ist unser Kurs für statistisches Denken zur Lösung industrieller Probleme.
	Das siebte Modul ist eine Einführung in die prädiktive Modellierung. Wenn Sie also noch nie mit prädiktiver Modellierung gearbeitet haben, sollten Sie sich das unbedingt ansehen. Außerdem gibt es einen Blog, der die in unserer Community veröffentlichten Diabetesdaten verwendet. Und schließlich gibt es natürlich auch neue Funktionen.
	Die Verbesserungen werden tendenziell schrittweise erfolgen. Die Modellprüfung wurde in JMP Pro 16 eingeführt. Wir arbeiten bereits an JMP Pro 17, und viele Verbesserungen sind schon in Arbeit.
	Wenn Sie also einen Blick auf die kommenden Neuerungen werfen möchten, bietet Ihnen dies die Möglichkeit, Feedback zu geben.
	Sie können sich gerne bei uns melden, um am Early-Adopter-Programm teilzunehmen. Wir helfen Ihnen gerne weiter. Vielen Dank für Ihre Zeit und wir wünschen Ihnen viel Spaß auf der restlichen Konferenz.

Fortgeschrittene statistische ModellierungAutomatisierung und SkripterstellungGrundlagen der Datenanalyse und ModellierungVerbraucher- und MarktforschungInhaltsorganisationDatenexploration und -visualisierungVersuchsplanungPrädiktive Modellierung und maschinelles LernenQualitäts- und ProzessentwicklungZuverlässigkeitsanalyseErgebnisse teilen und kommunizieren