756771_ko-KR

liliconcom

JMP와 실행 가능한 솔루션 알고리즘을 사용한 회귀 모델의 상호 작용 탐색(2021-US-45MP-841)

조슈아 램버트, 신시내티 대학교 조교수

회귀 모델을 구축하는 과정에서 과학자들은 때때로 관심 있는 하나 이상의 변수의 효과를 평가하는 과제를 맡게 됩니다.가산 회귀 모델에서는 효과(예: 치료)가 모든 가능한 하위 그룹(예: 성별, 인종, 연령)에서 동일하다고 가정합니다.모든 가능한 상호 작용 효과를 확인하는 것은 너무 많은 시간이 걸리거나 데스크톱 컴퓨터로는 불가능합니다.새로운 JMP 추가 기능은 다중 변수 회귀 모델에 추가할 2방향 및 3방향 상호 작용을 식별하여 대규모 데이터 세트에서 하위 그룹별 효과를 탐색하는 알고리즘인 FSA(Feasible Solutions Algorithm)를 구현합니다.이 강연에서는 FSA에 대한 간략한 소개를 제공하고, R 패키지를 JSL로 옮긴 방법을 설명하며, FSA JMP 추가 기능을 사용하여 자신의 회귀 모델에서 상호 작용을 탐색하는 방법에 대한 자습서를 제공합니다.

자동 생성된 대본...

스피커	성적 증명서
조슈아 W 램버트	안녕하세요.
로빈 고드프리	안녕하세요, 저는 로빈이고 조쉬입니다.
	예.
로빈 고드프리	네오.
조슈아 W 램버트	네 만나서 반가워요. 죄송하지만 지금 파워포인트를 열어보고 있어요.
로빈 고드프리	좋아요.
	공동 발표자가 있나요?
조슈아 W 램버트	아니요.
로빈 고드프리	좋아요, 여기 목록을 살펴보겠습니다. 우리가 이것을 녹음하고 있으니, 녹음되고 있다는 것을 구두로 확인해 주세요.
	예.
로빈 고드프리	휴대폰 인터넷 알림은 무음 처리됩니다.
조슈아 W 램버트	예.
로빈 고드프리	네, 윈도우 작업 표시줄 같은 것 같아요. 그리고 이메일이 중간에 사라지는 것 같아요.
조슈아 W 램버트	그리고 내가 모든 것을 꺼 놓았다고 생각하지 않나요? 전에는 이렇게 할 필요가 없었거든요.
로빈 고드프리	작업 표시줄에 있는 것 같아요.
	여기서 봅시다.
	그냥 이메일을 닫으면 괜찮을 거야.
	좋아요.
조슈아 W 램버트	타코를 먹었어요.
로빈 고드프리	좋아, 좋아. 난 여기에 숨을게요.
	이렇게 하려면, 매번 이렇게 할 때마다, 저는 이렇게 해야 합니다. 알겠어요, 제가 뭘 한 거지.
조슈아 W 램버트	그럼.
	프레젠테이션에 관한 한 여러분은 제가 시작한 부분부터 잘라내실 것 같아요.
	네. 그리고 궁금한 점이 있으면 물어보세요.
로빈 고드프리	아뇨, 아뇨. 그럼 평소처럼 프레젠테이션을 하면 돼요.
	그렇죠. 슬라이드를 꺼내서 모든 걸 설명하면 됩니다.
	먼저 이야기를 나누고 나서 슬라이드를 꺼내고 싶다면, 다시 시작해야 하거나 그런 경우라면 알려주시면 우리가 함께 할 수 있으니 큰 문제는 없습니다.
	좋아요, 카메라처럼 작은 클립이 있는데, 정말 가까이 있어서 조금 뒤로 물러설 방법이 있나요?
	나는 당신의 얼굴 전체를 볼 수 없어요. 마치 보이는 것 같아요.
조슈아 W 램버트	내가 잊었다는 걸 알았어.
로빈 고드프리	네, 조금은요.
	아니면 카메라를 조금 낮추는 게 어떨까요?
	좋아요.
	좋아, 그렇군요. 어깨와 다른 부분도 더 잘 보이네요.
	그러니 음소거 모드로 전환하고 몇 초만 기다려 주세요. 그러면 됩니다.
	준비가 되면 시작하세요.
	엄청난.
조슈아 W 램버트	안녕하세요 여러분. 저는 조쉬 램버트입니다. 저는 신시내티 대학교의 조교수이고, JMP를 10년 정도 사용해 왔습니다.
	그리고 저는 제가 개발한 실행 가능 솔루션 알고리즘을 사용하는 추가 기능을 사용하여 회귀 모델에서 상호 작용을 탐색하는 것과 관련하여 제가 해오던 작업을 여러분과 공유하게 되어 기쁩니다.
	그래서
	오늘 우리가 이야기할 내용 중 일부입니다. 그래서 저는 우리의 토론을 동기부여할 작은 예와 제가 작업해 온 것, 문제에 대한 개요로 시작하겠습니다.
	잠재적인 해결책.
	그리고 솔루션을 R 패키지에 구현한 다음 JMP 추가 기능으로 옮긴 방법과 그 과정에서 취한 프로세스에 대해 논의합니다. 그리고 미래의 노력과 그 과정에서 배운 몇 가지 사항에 대해 이야기하겠습니다.
	그럼 오늘의 토론을 작은 예를 들어 설명하겠습니다. 저는 이 사람을 데이터 과학자 톰이라고 부르겠습니다. 톰을 만나보세요. 그는 데이터 과학자이고 톰은 전형적인 데이터 과학 활동을 많이 합니다. 특히 톰은 JMP에서 다변수 회귀 모델을 구축합니다.
	그는 주로 많은 변수가 있는 표 형식 데이터를 다루고, 톰은 이러한 다변수 회귀 모델이 복잡성이 부족하다는 것, 특히 상호 작용 항과 이차 항이 부족하다는 것을 깨닫습니다.
	그리고 톰은...그게 좌절스러웠고, 톰은 바로 머신 러닝에 들어가고 싶어하지 않았습니다.
	그래서 그는 회귀 모델에서 상호작용 효과를 탐구할 수 있는 방법이 있었으면 좋겠다고 바랐습니다.
	그는 테스트하고 싶은 상호작용이 있지만, JMP의 적합 모델 플랫폼에 그것을 직접 구현해야 합니다.
	그리고 아시다시피, 이 모든 것을 실행하려면 많은 시간이 걸립니다. 예를 들어, 톰이 데이터 세트에 200개의 변수가 있고 모든 양방향 상호 작용을 찾아야 한다면, 확인해야 할 양방향 상호 작용이 19,900개입니다. 너무 많은 거죠.
	그래서 톰은 궁금해합니다. 회귀 모델에서 상호작용 효과를 탐색할 수 있는 알고리즘과 데이터 기반의 방법이 있을까요? 모든 것을 직접 작성하고 모든 가능한 조합을 확인할 필요 없이 말이죠.
	그러니 이 문제를 수학적으로, 통계적으로 좀 더 엄밀하게 살펴보겠습니다. 그러니까 이 문제에는 볼륨과 복잡성의 문제가 있습니다.
	그래서 볼륨과 복잡성
	정말 빠른 속도로 계속 성장할 것입니다. 우리는 항상 더 많은 데이터를 사용할 수 있으며, 이러한 데이터의 복잡성도 증가하고 있습니다.
	상호작용의 문제점은 확인할 수 있는 상호작용이 너무 많다는 것입니다.
	일반적으로 데이터 과학자, 통계학자, 과학자는 알려진 상호작용 세트를 사용하여 분석에 참여해야 합니다.
	그리고 계속해서 체크를 진행하세요. 이것은 여러 가지 면에서 문제가 됩니다... 여러 가지 이유에서요,
	상호작용이 존재하거나 존재하지 않을 수 있는 것에 대한 좋은 아이디어가 없을 수 있으며 데이터에서 이를 탐색하고 싶어한다는 것입니다.
	랜덤 포레스트나 주성분 분석과 같은 모델을 사용하지 않고도 어떤 종류의 데이터 축소를 수행하거나 더 복잡한 작업을 수행할 수 있습니다. 회귀 모델을 구축하는 동안 작업을 수행할 수 있으면 정말 좋을 것입니다.
	랜덤 포레스트와 주성분, 그리고 다른 머신 러닝 유형의 작업에 대한 또 다른 문제는 이러한 것들이 종종 해석하기 어렵다는 점이며, 상호 작용을 탐색하는 동안 회귀 모델의 해석 가능성을 유지하고 싶습니다.
	따라서 일반적으로 회귀에서의 우리의 워크플로는 다음과 같습니다.
	그래서 통계학자는 필요한 변수만 포함하고 상호 작용 효과는 추가되지 않은 간결한 기본 모델을 만드는 데 많은 시간을 쏟습니다.
	통계학자는 이 기본 모델에 많은 시간과 자원, 관심을 쏟고, 이것이 해석 가능한지, 맥락상 잘 통하는지에 대해 생각하는 데 시간을 쏟습니다.
	복잡성을 포함하지 않는 이러한 기본 모델의 문제점은 효과가 성별, 인종, 연령과 같은 모든 가능한 하위 그룹에서 일관적이라고 가정한다는 것입니다. 하지만 일반적으로 이는 사실이 아닙니다.
	복잡성의 부족
	실제로 사람들이 그것을 사용하는 것을 막습니다. 예를 들어 머신 러닝 모델과 비교했을 때, 이 복잡성을 모델링하는 데 정말 좋은 성과를 보입니다. 따라서 문제는 다음과 같이 요약할 수 있습니다.
	우리가 전통적인 다변수 회귀 모델에 완전히 도달할 수 없고 기계 학습 모델에 완전히 도달할 수 없는 방법이 있습니까?
	하지만 우리가 회귀 모델의 훌륭한 해석성을 취할 수 있는 중간 지점을 찾아서 상호 작용 하나 또는 두 개를 추가합니다.
	이 빅데이터에서 발견한 것을 바탕으로 우리는 모델에 흥미로운 뉘앙스와 복잡성을 추가할 수 있었습니다. 이를 통해 예측 성능은 물론 좋은 문맥적 의미도 추가할 수 있었습니다.
	그러니 그런 방법이 있다면, 우리가 정말 하고 싶은 것은 통계학자, 데이터 과학자, 조사자들이 기본 모델을 구축한 후 상호작용을 탐색할 수 있는 도구를 개발하는 것입니다.
	기본 모델이 먼저 이루어지고, 복잡성 탐색은 보통 두 번째로 이루어집니다.
	따라서 이와 같은 도구를 개발하려면 몇 가지 제약과 선호 사항이 있습니다. 전통적인 통계 모델에 기반한 선형 로지스틱 회귀가 있기를 바랍니다.
	우리는 그것들이 해석 가능한 상태로 유지되기를 바랍니다. 가능하다면 더 적은 모델을 확인하고 싶고, 최적보다 실현 가능한 모델을 선호합니다. 나중에 그것이 의미하는 바에 대해 조금 더 자세히 설명하겠지만, 본질적으로 그것이 의미하는 바는 다음과 같습니다.
	우리는 단 하나의 훌륭하고 실현 가능한 해결책이 아닌 다양한 해결책이 있기를 바랍니다.
	그리고 우리는 또한 그것이 유연하기를 바랍니다. 선형 회귀, 로지스틱 회귀, 콕스 비례 회귀와 함께 작동할 수 있도록 조정할 수 있습니다. 우리는 그것을 포아송 회귀, 모든 유형의 회귀에 사용할 수 있습니다. 이 프레임워크나 도구는 사용될 수 있습니다.
	그리고 다시 전통적인 통계적 방법과 머신 러닝의 하이브리드가 될 것입니다. 나올 결과는 반드시 추론적이지는 않지만 탐색적일 것이고 우리가 미래에 무엇을 할 것인지에 동기를 부여하고 영향을 미칠 것입니다.
	그럼 이제 잠재적 해결책, 즉 실행 가능한 해결책 알고리즘에 대해 이야기해 보겠습니다.
	알고리즘...실현 가능한 솔루션 알고리즘은 때때로 FSA라고도 불리며, 제가 그렇게 부르고 싶어하는 이름입니다.
	이 논문에서 처음 논의되었습니다...사실 제가 2018년에 쓴 이 논문에서 처음으로 자세히 논의되었습니다.
	그리고
	여기서 알고리즘이 무엇을 하는지 요약하겠습니다.
	따라서 알고리즘의 목표는 m 순서의 상호작용을 식별하는 것입니다(즉, m이 2이면 2방향 상호작용이 되고, m이 3이면 3방향 상호작용이 됩니다).
	실현 가능한 기준이 있으므로 그 기준이 반드시 최상의 기준은 아니지만
	기준은
	어떤 면에서는 준최적이라고 여겨질 수도 있습니다.
	이를 위해 다음 단계를 따릅니다. 가장 먼저 할 일은 m 순서의 무작위 상호작용으로 시작하는 것입니다. 우리의 경우, 양방향 상호작용이라고 가정해 보겠습니다. 즉, m은 2입니다.
	우리는 변수 중 하나의 모든 교환과 다른 모든 변수에 대한 상호작용을 고려할 것입니다. 예를 들어, 무작위로 시작한다고 가정해 보겠습니다.
	변수가 5개이므로 이것은 단지 작은 예시일 뿐이고, 여기의 단계를 설명하기 위한 것일 뿐입니다. 그러나 변수가 5개 있다고 가정하고 X3, X5에서 무작위로 시작하고, 무작위 시작 지점에 대한 R 제곱인 기준은 .5라고 가정해 보겠습니다.
	그리고 알고리즘이 작동하는 방식은 X3 또는 X5 변수 중 하나를 다른 변수로 교환하는 것을 고려하는 것이라고 가정해 보겠습니다. 따라서 우리의 선택은 다음과 같습니다.
	X3 X1, X3 X2, X3 X4, X5 X1, X5 X2, 그리고 X5 X4. 그러니까 가능한 모든 것 중에서, 내가 스왑이라고 부르는 것에는 적어도 시작 위치 변수가 하나 있다는 것을 알아두세요, 알겠죠?
	그리고 우리가 할 일은 이 모든 것 중에서 모델을 맞추고 그 모델의 기준이 무엇인지 알아내는 것입니다. 여기서 볼 수 있는 것은
	X3 X5 모델의 경우 기준은 .5이고, X3 X1의 경우 기준은 .4입니다.
	그리고 R 제곱을 사용하면, 우리는 당연히 더 나쁜 곳으로 가고 싶지 않고, 더 나은 곳, 더 높은 R ​​제곱으로 가고 싶어합니다. 그래서 우리는 가능한 모든 선택지 중에서 가장 좋은 곳은 어디인지 알아낼 것입니다.
	이 예에서 가장 좋은 교환 장소는 3번째 교환, 즉 X3 X4입니다. 따라서 우리가 할 일은 3단계로 넘어가서 2단계에서 가장 좋은 교환을 하는 것입니다.
	그런 경우에는 X3, X4로 이동한 다음 2번으로 돌아와서 더 이상 개선이 없을 때까지 이를 반복합니다.
	그래서 우리는 이 과정을 반복합니다. 장소를 옮겨 다니며, 거기에서 시작하여 모든 교체를 고려합니다. 결국에는 개선이 불가능해질 때까지요.
	그리고 우리는 그것을...실현 가능한 해결책이 도출된 지점으로 부를 것입니다.
	그리고 우리는 다른 실행 가능한 솔루션을 찾기 위해 1~4단계를 반복할 것입니다. 우리는 이것을 계속해서 반복할 수 있으며, 이 프로세스, 이 실행 가능한 솔루션 알고리즘은 최적의 솔루션을 제공할 것이라고 보장할 수 없지만, 때때로 최적의 솔루션을 제공할 수는 있습니다.
	그럼 이 알고리즘을 사용한 부산물 중 일부, 실행 가능한 솔루션 알고리즘에 대해 이야기해 봅시다. 그리고 이것들은 논문에 요약되어 있습니다.
	제 동료인 엘리엇은 2021년에 다음과 같이 글을 썼습니다. 그 글에서 그녀는 실행 가능한 솔루션이 제가 앞서 말했듯이, 선택한 기준에 대해 최적이라는 보장이 없다고 설명했습니다.
	즉, 모든 최적 솔루션은 실현 가능하지만 모든 실현 가능한 솔루션이 최적은 아닙니다. 따라서 실현 가능한 솔루션은 준 최적 솔루션의 한 유형이며, 좋은 기준, 실현 가능한 기준을 제공하지만 반드시 최적의 기준은 제공하지 않습니다.
	이러한 실행 가능한 솔루션 기준은 일반적으로 최적의 기준에 매우 가깝기 때문에 꽤 좋은 경향이 있습니다. 단지 최상의 기준만큼 좋지 않을 수도 있습니다.
	많은...이 과정을 반복하면, 이...이 네 단계를 거치면 잠재적으로 많은 실행 가능한 해결책을 얻을 수 있습니다. 따라서 이 알고리즘을 10번 수행하면 4개의 실행 가능한 해결책을 얻을 수 있습니다.
	10개의 실행 가능한 솔루션을 얻을 수 있습니다. 사용하는 데이터와 해당 데이터 세트의 공분산 분산에 따라 다르므로 약간 다릅니다.
	얼마나 많은 해결책을 얻을 수 있을지는 아직 알 수 없습니다.
	그래서 우리는 일반적으로 사용자에게 실행 가능한 솔루션 알고리즘을 여러 번 반복하도록 권장합니다. 그렇게 하면 최적의 솔루션과 실행 가능한 솔루션을 얻을 가능성이 높아지고
	공간을 적절히 검색했습니다. 그리고 우리는 (관심이 있는 분이 계시다면 저에게 연락해 주시면 감사하겠습니다) 최적의 것을 얻을 수 있는 합리적인 확률을 보장하기 위해 얼마나 많은 무작위 정렬을 해야 하는지에 대한 또 다른 논문을 가지고 있습니다. 우리는
	그에 대한 이론 논문도 있죠.
	하지만 본질적으로 이것이 작동하는 방식은 이러한 상호 작용 중 일부가 더 매력적이라는 것입니다. 그들은...베타 공간이 다른 사람들보다 더 매력적이기 때문에 결국 어떤 때는 다음과 같은 것을 얻게 됩니다.
	상호작용이 최적의 상호작용이 아니며 때로는 데이터가 상호작용을 이끌 수 있습니다.
	실행 가능한...실행 가능한 솔루션 알고리즘은 종종 최적의 해결책보다 더 자주 해당 지점으로 안내할 수 있으며, 이는 데이터가 어떻게 상관관계를 맺고 있는지 등과 관련이 있습니다.
	그러면 R 패키지에 대해서 이야기해보고 그것을 어떻게 JMP 추가 기능으로 옮겼는지 알아보겠습니다.
	그래서
	R 패키지는 rFSA라고 불리며, R을 꽤 광범위하게 사용한 사람이 있고 그렇지 않은 사람이 있을 수도 있다는 것을 알고 있습니다. 그리고
	그래서 R은 정말 좋은 프로그래밍 언어이고 통계 프로그램에서 자주 가르쳐지므로 제가 논문을 쓸 때 바로 찾아간 곳이 바로 R이었습니다.
	알다시피, 이 알고리즘을 작성하고 커뮤니티에 자체 데이터 세트에서 상호작용을 식별하고 탐색할 수 있는 도구를 제공하는 것이죠.
	그래서 rFSA 패키지는 내가 방금 언급한 이 실행 가능한 솔루션 알고리즘을 구현합니다.
	대규모 데이터 세트의 상호 작용을 위해 이 패키지는 R 제곱, 조정된 R 제곱, AIC와 같은 다양한 기준의 최적화를 지원합니다.
	상호작용, P 값 등등. 또한 선형 모델과 일반화 선형 모델과 같은 다양한 모델링 전략을 지원하며, Cox 비례 위험 모델과 같은 다른 유형의 모델링에 쉽게 적용할 수 있습니다.
	또한 지정한 횟수만큼 알고리즘을 반복하므로 여러 가지 솔루션이 제공됩니다.
	그럼...제가 이 패키지를 JMP로 옮기게 된 동기에 대해 잠깐 이야기하고 싶습니다. 그리고 왜, 언제, 어떻게 이 작업을 하게 되었는지 이야기해 보겠습니다.
	그래서 첫 번째 질문은, 왜 이걸 하는가? 첫 번째는 재밌기 때문입니다. 저는 다양한 프로그래밍 언어로 글을 쓰는 것을 좋아합니다. JMP 스크립팅 언어로 글을 쓴 경험이 많지 않았는데, JMP 스크립팅 언어는 JMP의 버전입니다.
	통계 프로그래밍 언어이기 때문에 그것을 배우고 싶었고 4년의 대부분을 투자한 R 패키지를 JMP로 옮기는 것이 재미있을 것이라고 생각했습니다.
	저는 JMP를 정말 좋아합니다. 저는 JMP가 훌륭하다고 생각합니다. 저와 제 데이터에 정말 좋은 도구입니다.
	분석 파이프라인. 저는 보통 모든 프로젝트를 JMP에서 시작하고 데이터를 탐색하고, 데이터를 플로팅하고, 사물을 살펴보고, 그러면 그 데이터에 대한 많은 좋은 직관이 생깁니다. 그리고 저는 제
	동료 여러분, 특히 제 자문위원 중 한 분은 JMP에서 주로 작업하시고, 항상 JMP에서 FSA 패키지를 제공해 달라고 요청하셨어요.
	그래서 저는 생각했습니다. 아시다시피, 왜 그에게 주지 않을까요? 그는 확실히 그것을 받을 자격이 있으니까요. 그래서 저는 그것이 좋은 도구가 될 것이라고 결정했고, 바라건대 다른 사람들도 그럴 것이라고 생각했습니다.
	그걸 좀 활용하세요. 그리고 그게 제가 왜 이걸 해야 하는지에 대한 다른 요점으로 이어지고, 저는 rFSA에 대해 많은 좋은 피드백을 받았습니다.
	구체적으로, 저는 제 R 패키지를 얼마나 많은 사람들이 다운로드했는지 추적해 왔는데, 2019년에 출시한 이후로 16,000명이 넘는 사람들이 이를 다운로드했습니다.
	저는 전 세계 사람들로부터 수많은 이메일을 받았고, JMP를 사용하는 사람들도 동일한 기능에 접근할 수 있기를 바랍니다. 이 추가 기능을 통해 사람들이 데이터를 해석하고 이해하는 방식을 바꾸는 정말 멋진 상호 작용을 찾을 수 있기를 바랍니다.
	그리고 당신은 이렇게 물을 수 있습니다. 글쎄요, 언제 이걸 하려고 했을까요? 이건 누군가가 제게 돈을 주고 하는 일이 아니거든요. 아시다시피, JMP는 제게 돈을 주고 하는 일이 아니거든요.
	제가 지금 맡고 있는 일은 그들이 흥미롭게 생각할지 몰라도, 제가 이 일을 하는 데에 더 많은 시간을 할애하는 데는 별로 관심이 없을 것 같아요.
	하지만 다행히도 제 직위에 내재된 한 가지는 금요일에 자유 시간이 있다는 것입니다. 저는 금요일 오후나 금요일 아침을 그저 재미있게 보내도록 하려고 노력합니다.
	제 직업과 관련된 재밌는 것들. 저는 그것을 Fun Friday Free Time이라고 부르고, 지난 몇 달 동안 제가 하기로 결정한 것은 Fun Friday Free Time을 JMP 애드인을 만드는 데 사용하는 것이었습니다.
	당신은 이렇게 물을 수 있습니다. 글쎄요, 어떻게 이걸 할 수 있었을까요? 알다시피, 저는 JMP 스크립팅 언어를 몰랐습니다. 어떻게 이걸 할 수 있었을까요? 그래서
	첫 번째는, 알다시피, 제가 그것을 배우려고 했다는 것입니다. JSL을 배우는 방법에 대한 정말 좋은 자료가 많이 있습니다.
	따라서 실제 JMP 소프트웨어 자체 내에 JMP JSL 코드 지원이 있습니다. 도움말로 이동하면 바로... 바로 들어갈 수 있습니다.
	거기에 있는 스크립팅 인덱스. 온라인에 있는 수많은 것들이 있습니다.
	JMP 스크립팅 언어를 이해하는 방법과 시작 방법에 대한 내용입니다. 그리고 community.jmp.com이 있습니다.
	시작하기에 정말 좋은데, 질문을 하거나 다른 사람들이 한 질문을 보고, 공개적으로 게시한 코드를 빌려서...사람들이 즐길 수 있게 할 수 있어요. 저는 여기서 여러 번 그렇게 했고, 정말 좋았어요.
	그래서 저는 이 각각의 것들을 조금 더 자세히 살펴볼 것입니다. R 패키지를 옮기거나, 자신의 알고리즘을 작성하거나, 자신의 JSL 코드를 작성하는 데 관심이 있다면,
	어디서 시작해야 할지 아이디어를 얻을 수 있을 겁니다. 그리고 이걸 다 마쳤을 때 제 애드인으로 들어가서 구체적으로 무슨 일을 하는지, 어떻게 사용하는지 설명하겠습니다.
	그럼 JSL은 어떻게 배우나요? ​​글쎄요, 다시 말해서...
	JMP의 JSL 리소스를 통해 배울 수 있습니다. 864페이지 분량의 스크립팅 가이드가 있는데, 여기 링크되어 있습니다.
	구글링할 수 있고, 이 슬라이드를 이 과정이 끝난 후에 얻을 수 있고, 이 링크들을 얻을 수 있습니다. JMP 내에 스크립팅 인덱스가 있는데, 도움말로 가서 스크립팅 인덱스를 클릭하면 됩니다. 여러분을 위해 여기에 올려두었습니다. 사용하기 정말 쉽고 시작하기도 쉽습니다.
	JMP에 연락할 수 있습니다. 그래서 제가 가장 먼저 한 일은 JMP에 연락처가 있었습니다. 그녀의 이름은 루스 허멜이었고, 저는 "이걸 하고 싶은데, 어디서부터 시작해야 할까요?"라고 물었습니다.
	그녀는 나에게 그 아이디어에 대한 지지와 격려를 해주었습니다. 그녀는 그것이 훌륭하다고 생각했고, 그런 다음 그녀는 나를 JSL 코드 전문가와 연결해주었습니다.
	이름은 Mark Bailey입니다. 그리고 Mark는 이 전체 과정에서 엄청났습니다. Mark는 스크립팅 언어에 대한 일반적인 지원을 도와주었고, 코드를 검토하고, 코드의 일부를 작성하는 데 도움을 주었습니다.
	그것의 일부를 시작하세요. 그리고 우리는...우리는 지난 몇 달 동안 이메일을 통해 약 22번이나 주고받았습니다. 그리고
	JMP가 제 프로젝트를 도와주려고 직접 고용한 직원들과 관련하여 제공한 리소스
	정말 대단했습니다. 제 말은, 더 나은 것을 바랄 수 없었을 겁니다. 제 말은, 다른 플랫폼을 위해 무언가를 만들려고 할 때 이런 종류의 지원을 받은 적이 없습니다. 그러니 JMP에 찬사를 보냅니다.
	이런 것들을 제공하는 것이 그들의 역할이고, 이것이 존재하는 주된 이유는 그들이 환상적인 리소스를 제공했기 때문입니다.
	따라서 community.jmp.com에서 질문을 하고 답변을 얻을 수 있으며 코드를 빌릴 수도 있고 인증을 받을 수도 있습니다.
	JMP 스크립팅 언어입니다. 커뮤니티에서 원하는 것을 검색할 수 있습니다. Google과 같지만 JMP 전용입니다.
	그리고 원하는 것은 무엇이든 검색할 수 있으므로 JSL과 JSL을 원하는 대로 입력할 수 있고, 아마 이미 그것에 대해 게시한 사람이 있을 것입니다. 없다면 토론 게시판에 추가할 수 있습니다.
	그리고 코드 빌리기가 있는데, 마크가 나에게 전해준 것 중 하나가 코드 빌리기였습니다. 커뮤니티 웹사이트에는 많은 코드가 있습니다.
	그리고 사람들이 그것을 공유하는 데는 이유가 있습니다. 그래서 저는... 오른쪽에 제가 개발한 애드인에 빌린 것이 있습니다. 저는 사용자들이 어디에 있는지 알기를 원했습니다.
	알고리즘을 실행하는 데 얼마나 더 걸릴지, 그리고 얼마나 많은 진전이 있었는지에 관한 것입니다.
	그래서 저는 JMP에서 내 진행률 표시줄을 직접 쓰고 싶지 않았기 때문에 커뮤니티 게시판에 있는 진행률 표시줄을 빌려서 내 애드인에 바로 추가했습니다.
	이 사람, JMP의 은퇴한 직원인 크레이그 헤일즈가 이 코드를 작성했고 저는 그것을 빌렸습니다. 그러니 고맙습니다, 크레이그; 코드 빌림을 추천해 준 마크에게 고맙습니다. 덕분에 많은 시간을 절약할 수 있었고, 정말 감사했고 애드인이 훨씬 좋아졌습니다.
	그럼 이제 마지막으로 애드인에 대해 이야기해 봅시다. 그래서 저는 이 애드인이 왜 필요한지에 대해 이야기했죠. 다른 사람들은 R 패키지를 사용했고, 왜 JMP 사용자가 이 애드인으로부터 이익을 얻을 수 있을지에 대해 이야기했고, 저는 제가 어떻게 했는지에 대해 이야기했습니다.
	그리고 이제 실제로 작동 방식을 보여드리고 싶은데, 이것이 이 모든 것에서 가장 재밌는 부분이기를 바랍니다. 그래서 저는 몇 달 후에 제가 가진 Fun Friday Free Time에서 이 전체 패키지, R 패키지를 JMP로 옮겼습니다. 금요일에 몇 시간밖에 안 됩니다. 그리고 JMP 애드인
	현재는 선형 및 로지스틱 회귀 모델에서만 작동합니다. 나중에 다른 모델로 확장할 수 있기를 바라지만 지금은 선형 및 로지스틱 회귀 모델에서 작동합니다. 또 다른 점은 추가 기능입니다.
	다른 모든 내장 JMP 모듈이 가지고 있는 화려한 장식이 많지 않아요. 예를 들어, 범주형 변수를 응답 변수에 넣으면 성격 유형이 자동으로 로지스틱 회귀로 전환되지 않습니다.
	저는 그걸 하지 못했습니다. 이 패키지로 개선하고 싶은 다른 많은 것들이 있는데, 사람들이 그것을 사용하고 좋아하거나 그것에 대한 피드백을 주면 좋겠습니다.
	그래서 일부 기능이 부족합니다. 그리고 애드인 관리자의 멋진 점은 JSL 코드를 가져와서 애드인을 만들 수 있다는 것입니다... 애드인 관리자, JMP 애드인,
	이를 통해 JSL 코드에서 나만의 추가 기능을 만들 수 있습니다. 간단히 몇 번의 버튼 클릭만으로 JSL 코드를 추가 기능으로 만들어 전체 JMP 커뮤니티와 공유할 수 있습니다.
	그리고 저는 모든 사람이 나가서 제가 곧 보여드릴 준비가 된 그 애드인에 액세스할 수 있도록 community.jmp.com 웹사이트에 이것을 게시했습니다.
	그리고 내가 사용할 데이터 세트에도 액세스합니다. 하지만 이것은 내 예뿐만 아니라 여러분이 가지고 있는 모든 데이터 세트에 적용됩니다.
	그래서 저는 이 추가 기능에 대한 라이브 튜토리얼을 아주 빠르게 제공해 드리겠습니다. 이 추가 기능의 이름은... 저는 이 추가 기능을 상호 작용 탐색이라고 불렀습니다.
	이 모든 것은 내가 앞서 언급한 실행 가능한 솔루션 알고리즘을 통해 이루어질 것입니다. 이 예는 선형 모델입니다.
	여기서 두 변수를 수정하여 기본 모델이 될 것입니다. 기본 모델에는 연속 응답 변수와 조정할 수 있는 두 개의 공변량이 있습니다.
	그리고 제가 하고 싶은 것은 제 데이터 세트에 있는 10개의 변수 간의 2차 상호 작용을 고려하여 해당 모델에 추가하는 것입니다.
	그리고 나는 5개의 무작위 시작을 하고 싶고, 내 기준이 현재 내장되어 있는 유일한 기준인지 확인하고 싶습니다.
	JMP 추가 기능은 상호작용의 P 값을 최소화하려는 것입니다. 따라서 우리가 확인하는 이러한 상호작용 각각은
	P 값을 생성하고 내가 원하는 것은 내 솔루션이 다음과 같은 것이 되기를 원한다는 것입니다.
	매우 작은 P 값입니다. 그래서 그것은 상호작용의 P 값이 무엇인지에 따라 공간을 검색하고 가장 좋은 것을 가진 것으로 이동합니다. 그래서 우리의 결과는 작은 P 값을 가진 많은 상호작용을 가질 것입니다. 그리고
	일반적으로 이러한 유형의 절차를 수행한 후 내가 권장하는 것은 실행 가능한 솔루션 알고리즘입니다.
	데이터를 플로팅하고, 모델에서 상호작용을 살펴보고, 맥락적 관점에서 이를 비판적으로 생각하는 것이 중요합니다. 결국 우리는 여기에서 데이터를 탐색하고 있기 때문입니다.
	이것은 어떤 식으로든 추론적인 것이 아닙니다. 우리는 단지 데이터의 신호를 사용하여 이 데이터에서 어떤 상호작용이 존재할 수 있는지 지시하고 있습니다.
	그리고 다시, 데이터와 추가 기능은 커뮤니티 웹사이트에 게시됩니다.
	좋습니다. 그럼 멈추고 정말 빨리 이 문제를 해결하고 다시 시작하겠습니다.
	내가 가지고 있는 JMP 데이터 세트. 여러분이 이걸 볼 수 있기를 바랍니다.
	그리고 보시다시피, 정말 간단한 개요입니다. 사실 이건 제가 생성한 무작위 데이터입니다. 여기에는 실제 구조가 전혀 없습니다. 이건... 이건 실제 데이터가 아니라 JMP에서 무작위로 생성된 데이터입니다.
	여기에는 20개의 관찰치가 있습니다. 저는 10개의 연속 변수, 설명 변수를 가지고 있습니다.
	연속형 반응 변수가 있고, 반응 변수를 0보다 크거나 작은 것으로 분류했습니다.
	따라서 로지스틱 회귀 결과를 살펴보고 싶다면 해당 데이터로 로지스틱 회귀 예제를 수행할 수 있습니다.
	그러니까, 애드인을 받으면 웹사이트로 가서 애드인을 다운로드하고, 더블클릭하기만 하면 JMP에 바로 설치됩니다. 정말 쉽죠.
	그런 다음 여기로 가서 추가 기능으로 이동하고... 데이터 세트를 연 다음 추가 기능으로 가서 상호 작용을 살펴보세요.
	그리고 여기 팝업이 나올 겁니다. 몇 가지가 있습니다. 그래서 JMP의 다른 모듈과 마찬가지로 여기 왼쪽에 모든 변수가 표시됩니다.
	그래서 저는 제 반응 변수를 선택할 텐데, Y가 될 겁니다. 그리고 고정할 겁니다. 여기가 제 기본 모델을 구성하는 곳입니다. 이게 제가 제 모델에 추가하는 모든 선형 주효과입니다. 그래서 이 모델에는 두 개의 변수가 있습니다.
	X1과 X2, 여기에 추가할 것입니다. 이제 해야 할 일 중 하나는 모델링 유형을 지정하는 것입니다. 따라서 내
	선택할 수 있는 추가 기능입니다. 하나는 표준 최소 제곱 모델링 유형이고 하나는 로지스틱 회귀입니다.
	그리고 이것은 내가 앞서 말했듯이, 여기에 입력한 내용에 따라 자동으로 선택되지 않습니다. 따라서 범주형 응답 변수를 입력해도 전환되지 않습니다. 직접 전환해야 합니다. 이것은 멋진 장식 중 하나이며, 나중에 다루겠습니다.
	그것을 없애세요. 이것을 여기 다시 넣으세요.
	좋습니다. 이게 우리의 설정이고, 이것은 모델 y가 베타 0 더하기 베타 1 X 1 더하기 베타 2 X 2와 같다는 것을 맞추는 것입니다. 그리고 이제 여기 아래에 내가 기꺼이 넣을 변수를 넣을 것입니다.
	...또는, 그 사이의 상호작용을 찾고 싶어서 X1에서 X10까지 모두 선택하겠습니다. 그 위에 추가할 겁니다.
	그리고 나서 알겠습니다, 몇 번이나 알고리즘을 실행하고 싶은지 말해요. 시간을 아끼기 위해 여기서는 5번을 할게요.
	그리고 상호작용을 고려해야 하므로 두 가지만 하려고 합니다.
	나는 3개 이하로 유지하는 것이 좋습니다. 일반적으로 4방향 상호 작용, 5방향 상호 작용은 해석하기가 훨씬 더 어려워집니다.
	알고리즘... 아니면 내가 이걸 설정한 방식은 원한다면 그렇게 높이 올라갈 수 있다는 거예요. 사실 한계를 정한 건 아니지만, 여기서 더 높이 올라갈수록 이걸 실행하는 데 걸리는 시간이 더 길어진다는 걸 알아두세요.
	그래서 확인을 누르려고 합니다. 1초 정도 걸릴 겁니다.
	제가 빌린 코드를 보실 수 있죠.
	여기 보시면 완료율이 20%, 40%라고 나와 있습니다.
	그래서 이것들은 해결책입니다. 그래서 그 검사가 진행될 때마다 실행 가능한 해결책이 발견되고, 마지막에 튀어나오는 것은 데이터 테이블입니다.
	아시다시피, 이것은 그런 기능 중 하나가 아닙니다... 상호작용을 선택한 다음 클릭할 수 있는 선택 상자가 있었으면 좋겠습니다.
	모델을 만들면, JMP가 이미 여러 가지 다른 것에 대해 하는 것처럼, 그게 다 당신을 위해 할 겁니다. 하지만 저는 아직 거기에 도달하지 못했습니다. 이건 그저 해결책이 무엇인지 말해줄 뿐입니다.
	그래서 그것은 당신에게 그것이 한 일에 대한 요약을 제공합니다. 그래서 그것은 5개의 무작위 시작을 했습니다. 그것은 당신에게 반응 변수, 고정 변수가 무엇인지 알려줍니다.
	발견한 상호작용 변수, 알겠어요, 그리고 R 제곱, 해당 모델에 대한 조정된 R 제곱, 평균 제곱근 오차, 그리고 상호작용 P 값. 알겠어요, 그럼 여기서 볼 수 있는 것은
	(여기를 클릭하면 보여집니다) 해결책은 두 가지뿐이므로...X2 X3는 하나의 상호작용이고 X10 X7은 또 다른 상호작용입니다.
	그래서 지금 제가 할 수 있는 일은 지금은 하지 않겠지만 이 모델을 구축하고 결과를 재생산하고 결과를 살펴보고 이것이 좋은 통계적 결과인지 확인하는 것입니다.
	알고리즘...아니면 내가 여기서 찾은 좋은 통계적 상호작용? 알다시피, 내 레버리지 플롯은 어떻게 생겼을까? 내 모든 다른 기준은 무엇일까
	플롯은 어떻게 생겼나요? 그리고 내 진단 플롯은 어떻게 생겼나요? 그런 종류의 것들. 그리고 나서 나는 질문을 시작할 수 있습니다. 이 상호작용이 매개변수 추정치 측면에서 의미가 있나요?
	탐색적이므로 잠재적 해결책을 제공하지만 그에 따라 실사를 거쳐 실제로 얻은 결과에 대해 생각해야 합니다.
	그리고 이 분야의 맥락적 전문가인 사람들에게 질문을 합니다. 보통 건강 과학에서 이것을 사용하는 방식입니다. 건강 데이터와 함께 이것을 사용하고, 상호작용을 생성한 다음, 의사에게 가서 이것이 이 효과가 의미가 있는지 묻습니다.
	아시다시피, 연령이나 성별 또는 무엇이든 일관되지 않을 것입니다. 그리고 그들은 보통 그것에 대해 우리에게 이야기할 것입니다. 그것에 대해 생각해보세요. 전체적인 아이디어는 이것이 미래의 연구에 영향을 미칠 수 있기를 바라는 것입니다. 우리는 연구를 통해 이러한 상호 작용 효과를 더
	강력한 방법.
	좋아요, 그럼 이제 제 PowerPoint로 돌아가겠습니다. 이게 이 튜토리얼이었습니다. 보시다시피 사용하기 꽤 쉽습니다. 정말 작은 예였습니다. 이걸 늘릴 수 있고,
	알아두세요, 알다시피, 데이터 세트가 클수록 제가 방금 한 전체 프로세스가 더 오래 걸릴 것입니다. 10초가 걸리지 않을 것입니다.
	알다시피, 잠재적으로, 알다시피, 데이터 세트의 크기에 따라 5-10분 정도 걸릴 수 있어요. 저는... 알고리즘을 사용했고, 100개의 변수가 있는 데이터 세트를 만들기 위해 추가 기능을 사용했어요.
	설명 변인을 사용하고, 약 5~10번의 무작위 시작을 하는 데 약 7분 정도 걸렸습니다.
	R 패키지의 작업은 JMP 추가 기능보다 더 빠르지만, 아시다시피 이게 제가 처음 시도한 작업이기 때문에 그렇고, 반복 작업을 통해 더욱 빠르고 좋아지기를 바랍니다.
	그럼 앞으로의 개선에 대해 이야기해 봅시다. 그래서 저는 사용자가 최적화하거나
	그들이 원하는 모든 기준에 따라 실행 가능한 솔루션을 찾습니다. 따라서 R 제곱 최적화, AIC 최적화 또는 오분류율 최적화를 기반으로 실행 가능한 솔루션을 찾고자 하는 경우,
	아시죠, 로지스틱 회귀 모델에서, 저는 그들이 그렇게 할 수 있도록 허용하고 싶습니다. 그리고 그것은 실제로 그렇게 어려운 일이 아닙니다. 저는 그냥 들어가서 그것을 해야 합니다.
	변수 선택에 따라 모델링 개성을 자동으로 저장하거나 선택합니다. 간단합니다.
	이진 로지스틱 변수, 아시다시피, 그것은 자동으로 당신을 위해 로지스틱 회귀를 선택할 것입니다. 저는 그것이 아마도 엄청나게 어려울 것이라고 생각하지 않습니다. 아마도 저는 그것을 꽤 빨리 할 수 ​​있을 것입니다. 저는 R 패키지를 옮기는 이 과정을 거쳤기 때문에 그것을 하는 데 자신감이 있습니다.
	속도를 좀 개선하고 싶어요. 속도를 개선하기 위해 할 수 있는 일이 많아요.
	그래서, 저는 그것을 할 수 있기를 바랍니다. 리콜 버튼이 있으면 좋겠어요. 지금은 그게 없어요. 제가 JMP에서 가장 좋아하는 기능 중 하나는 리콜 버튼을 클릭할 수 있다는 것입니다.
	그리고 FSA에서 얻은 결과를 바탕으로 모델을 구축하는 과정을 간소화할 수 있기를 바랍니다. 그래서
	이미 할 수 있는 일인데, JMP나 Lasso나 그런 것에서 전방 선택을 할 때처럼, 그냥 모델 만들기를 클릭하면 모든 변수가 매우 쉽게 불러와집니다.
	이 실행 가능한 솔루션 알고리즘으로 이를 수행할 수 있기를 바랍니다. 이러한 유형의 결과를 얻고 모델 만들기를 클릭하면 모든 작업이 자동으로 수행되기를 바랍니다.
	여러분이 탐색할 수 있도록 하고, 다시 한번 여러분이 발견한 상호작용을 잘 이해할 수 있기를 바랍니다.
	제가 살펴보고 싶은 감사의 말씀이 있습니다. 먼저 Mark Bailey입니다. 당신 없이는 할 수 없었을 겁니다. JSL 코드에 대한 지원에 정말 감사드립니다. Ruth에게 감사드립니다.
	Mark와 연락을 주고받을 수 있게 해준 것과, 장군이 되어준 것에 대해 감사드립니다.
	이 프로젝트를 지원하는 사람이고 좋은 피드백을 제공했습니다. Anne과 Larry, 정말 감사합니다.
	JMP와 관련된 모든 일과 우리의 과거 관계에 대한 도움과 이 Discovery Summit에 참여하도록 격려해 주셔서 정말 감사합니다. 정말 좋았고 JMP 커뮤니티에서 더 많은 사람들을 만나게 되어 기쁩니다.
	그걸 통해서, 고맙습니다. 여러 가지 방법으로 저와 연락할 수 있습니다. 제 대학 이메일로 이메일을 보내거나, 트위터로 연락할 수 있습니다. 그게 당신이 좋아하는 방식이라면요.
	또한, 이 JMP 추가 기능을 github과 커뮤니티 웹사이트에 게시할 계획입니다. 두 곳 모두에서 추가 기능의 향후 업데이트 사항을 확인하시기 바랍니다.
	네, 초대해 주셔서 감사합니다. 그리고 할당된 시간 동안 여러분의 질문을 받을 수 있어서 기쁩니다. 감사합니다.

고급 통계 모델링자동화 및 스크립팅기본 데이터 분석 및 모델링소비자 및 시장 조사데이터 탐색 및 시각화실험 설계예측 모델링 및 머신 러닝품질 및 공정 엔지니어링신뢰성 분석