758456_de-DE

liliconcom

Anabolikum, Aphrodisiakum oder Analgetikum?

Bei der Entwicklung analytischer Werkzeuge in JMP müssen wir zwangsläufig Prioritäten setzen:

1. Sollen wir das Produkt leistungsfähiger machen, indem wir ihm mehr Muskeln hinzufügen?
2. Sollen wir es sexier, aufregender gestalten?
3. Sollten wir uns auf die Schmerzlinderung konzentrieren, um die Beschwerden weniger frustrierend und belastend zu machen? Um es mit Fachbegriffen auszudrücken: Sollten wir auf Anabolika, Aphrodisiaka oder Analgetika setzen?

John Sall ist der Ansicht, dass die Lösung in der Schmerzlinderung liegt. Schmerzlinderung sollte die zentrale Triebkraft für Entwicklung sein. Natürlich schließen sich die drei Aspekte nicht gegenseitig aus. Auch die Integration einer attraktiven Leistungsfunktion kann Schmerzen lindern. Doch die Schmerzlinderung ist zentral, denn Schmerz ist der Zustand, der uns lähmen, demotivieren und uns dazu bringen kann, nur einen Teil dessen zu erfassen, was unsere Daten uns eigentlich liefern können.

Automatisch generiertes Transkript...

Lautsprecher	Transkript
Jeff Perkinson	Wenn es um die Entwicklung von JMP-Funktionen geht, hat John Sall, unser nächster Referent, einen interessanten Ansatz zur Priorisierung. Wir müssen priorisieren, welche Funktionen wir...
	In welche Funktionen wir investieren wollen. Wie entscheiden wir also, was am wichtigsten ist? Sollten wir uns auf Funktionen konzentrieren, die unser Produkt leistungsfähiger machen?
	Wie wäre es mit Funktionen, die es attraktiver oder sexier machen, oder mit Funktionen, die auf Schmerzlinderung abzielen und so die Analyse erleichtern?
	John ist der Ansicht, dass Schmerzlinderung die Hauptmotivation für unser Forschungs- und Entwicklungsteam sein sollte. John ist Mitbegründer von SAS und leitender Architekt von JMP, das er vor über 30 Jahren gegründet hat.
	Für Wissenschaftler und Ingenieure, die über Daten verfügen und eine Möglichkeit benötigen, diese zu erkunden, wird eine einfache visuelle Möglichkeit benötigt, diese Daten auf dem Desktop zu erkunden.
	Er wird über die treibenden Kräfte hinter der JMP-Entwicklung sprechen und darüber, wie wir auf Funktionen stoßen, an denen wir arbeiten möchten. Damit begrüße ich Sie, John. Vielen Dank.
John Hall	Vielen Dank, Jeff. Und hier sind wir live aus dem neuen digitalen Konferenzzentrum in Cary, North Carolina, wo wir viel mehr Menschen unterbringen können.
	Also, dimmen wir das Licht ein wenig.
	Nun ja, ich bin eigentlich gar nicht hier im digitalen Konferenzzentrum. Ich bin eigentlich zu Hause. Ich habe mir also ein Heimbüro eingerichtet. Ups. Nicht das, was ich jetzt denke.
	Wie wir alle. Ich sitze zu Hause und halte diese Konferenz. Aber wechseln wir nun in eine Unternehmenswelt und legen wir los.
	Worüber soll ich also sprechen?
	Wenn JMP-Releases anstehen, sprechen wir in den Jahren, in denen die Konferenzallianz die JMP-Releases begleitet, genau darüber. In den anderen Jahren wähle ich immer ein anderes Thema. So habe ich mich zum Beispiel einmal mit großen Statistiken, im nächsten Jahr mit Geisterdaten oder mit geheimen Funktionen beschäftigt.
	Vor zwei Jahren. Heute geht es um große Wörter, die mit dem Buchstaben A beginnen.
	Das sind also die wichtigsten Themen für die Entwicklung von JMP. Lassen Sie mich Ihnen daher meinen Bildschirm zeigen.
	Und
	minimieren
	Hier. Teilen.
	Welches Thema ist also am wichtigsten? Und hier sind die drei Wörter, die mit ... den großen Wörtern beginnen, die mit dem Buchstaben A anfangen.
	Wie Jeff gerade erwähnt hat, ist der erste Schritt anabol. Anabolika dienen dem Muskelaufbau und machen JMP dadurch wirksamer.
	Anabole Prozesse bauen Organe und Gewebe auf und führen zu Wachstum und Differenzierung von Zellen, um die Körpergröße zu erhöhen.
	Die Erweiterung der Leistungsfähigkeit von JMP wäre also eine Chance, und das ist natürlich sehr wichtig, aber das nächste
	Ein Aphrodisiakum, das JMP sexier und aufregender macht – der Nervenkitzel der Entdeckung. Das soll also auch eine Eigenschaft sein.
	Uns liegt aber auch Ihr Fortschritt während des Arbeitsprozesses am Herzen, deshalb ist Analgetikum das dritte Wort, und das bedeutet Schmerzlinderung.
	Schmerzlinderung.
	Ich möchte also, dass die Leute Dinge wie die folgenden imaginären Zitate äußern: „Version 15 hat mir gerade sehr geholfen … sie hat mir stunden- oder sogar tagelange Arbeit erspart, die ich früher mühsam erledigen musste.“ Das ist eine enorme Erleichterung.
	Oder: „Früher musste ich jeden Schritt einzeln erledigen, jetzt geht alles mit einem Schlag!“ Das ist eine echte Erleichterung. Oder: „Früher brauchte ich mehrere andere Tools, um alles zu erledigen, aber jetzt kann ich alles in JMP machen!“
	Oder: „Ich habe meinen Kollegen gezeigt, wie einfach ich das gemacht habe. Und sie waren verblüfft!“ Oder: „Früher musste ich das alles manuell programmieren, und jetzt reichen ein paar Mausklicks, und es ist erledigt!“
	Oder: „JMP hält mich im Arbeitsfluss und lenkt meine Aufmerksamkeit auf die Datenanalyse, anstatt sie zu sehr in operative Details zu verlieren.“ Das sind die Ausdrücke der Erleichterung, die wir hören wollen.
	Warum? Nun, Schmerz und Frustration sind echte Demotivatoren. Flow ist wichtig. Im Flow sind Sie ungestört. Und im Flow lernen Sie eher etwas aus den Daten und machen Entdeckungen.
	Die Befähigung der Nutzer ist zwar auch wichtig, aber neue Funktionen werden tendenziell nur von wenigen genutzt, während alte Funktionen von vielen verwendet werden. Deshalb möchten wir die alten Funktionen verbessern.
	Um die Nutzung zu vereinfachen. Und natürlich hängt die Produktivität maßgeblich davon ab, wie effizient unsere Werkzeuge im Hinblick auf die Zeitnutzung sind. Wenn wir also den Weg zu den Ergebnissen erleichtern und beschleunigen können, ist das ein großer Gewinn. Sehen wir uns dazu einige Beispiele an.
	Zunächst die Skripte, die zu den Datentabellen gehören. Hier sehen Sie nebeneinander ein Beispiel aus einer früheren JMP-Version. Ich glaube, es ist JMP 14 oder 13, wo
	Früher musste man die Maustaste auf dieser Schaltfläche gedrückt halten, dann erschien ein Menüpunkt, und dort fand man dann eine Schaltfläche zum Ausführen des Skripts.
	Die neue Methode bietet einen Wiedergabe-Button direkt neben dem Skript. Man klickt einfach auf diesen Button und spart sich das Öffnen eines Menüs.
	Nun, das ist vielleicht kein riesiger Gewinn, man könnte meinen, der Unterschied zwischen einem Klick auf einen Button und dem Öffnen eines Menüs sei nicht sehr groß. Aber es ist auch ein großer Gewinn für neue Benutzer, denn diese müssen nicht mehr verstehen
	Dass ein Hotbutton einen darunterliegenden Ablauf hat. Aber der Play-Button befindet sich direkt neben dem Skript. Dadurch wird deutlicher, dass es sich um Skripte handelt.
	Die Möglichkeit, Skripte zusammen mit Ihren Daten zu speichern, ist ein wichtiger Vorteil von JMP, und wir möchten, dass die Leute das sofort lernen.
	und man muss nicht erst lange suchen oder einen Tipp nachschlagen, um herauszufinden, wie es funktioniert. Und es ist ungemein praktisch, alle Skripte speichern zu können.
	Die Daten werden direkt in der Datentabelle gespeichert, anstatt an anderen Stellen. Für neue Benutzer gibt es daher die Wiedergabetaste. Diese einfache Änderung erleichtert die Bedienung erheblich.
	Und wir bedauern, diese Änderung nicht schon viel früher in JMP vorgenommen zu haben.
	Sprechen wir über die Datenaufbereitung. Und eine der wichtigsten Aufgaben bei der Datenaufbereitung ist das Zusammenführen von Daten aus verschiedenen Quellen.
	JMP benötigte bereits in der ersten Version eine Join-Funktion. Dies erforderte jedoch weiterhin komplexe Dialoge und die Arbeit mit mehreren Datentabellen.
	Hier ist also das klassische Beispiel, in dem ich Filme ausleihe und wir unsere Transaktionstabelle für Filmverleihe haben.
	Diese Tabelle enthält den Kunden, die Artikelnummer, das Bestelldatum, das Bestelljahr und unseren Bestand an Leihfilmen mit Details zu jedem Film. Außerdem haben wir die Kundendaten und so weiter. Wir möchten nun Fragen stellen und alle drei Tabellen einbeziehen.
	Welche Geschlechter sind in welchen Filmgenres vorherrschend? Nun, das beinhaltet die Frage, welche Geschlechter in welchen Genres überwiegen.
	Ich durchlaufe alle drei Tabellen, und natürlich ist der Join-Befehl der richtige Weg. Ich nehme die Transaktionsdaten und ich
	Führen Sie es mit den Kundendaten zusammen. Und natürlich dient die Kunden-ID als Zuordnung.
	Ich möchte die Spalte und die nicht übereinstimmenden Einträge aus der Transaktionsseite einbeziehen. Selbst wenn keine Kundendaten vorhanden sind, gehen meine Transaktionsdaten also nicht verloren. Dies nennt man Left Outer Join. Dadurch wird die neue Datentabelle erstellt. Diese möchte ich nun mit den folgenden Daten verknüpfen:
	zu den Inventardaten. Ich verknüpfe diese also über die Artikelnummer, die ich dann abgleiche, und möchte außerdem einen Left Outer Join durchführen, und jetzt habe ich
	Eine weitere Tabelle. Und so habe ich jetzt statt drei Tabellen fünf Tabellen, das Ergebnis dieser Verknüpfung. Jetzt kann ich die Frage nach dem Geschlecht nach Genre beantworten.
	Welche Filmart wird tendenziell eher von einem bestimmten Geschlecht ausgeliehen?
	Und dazu gehörte auch die Erstellung all dieser neuen Zwischendatentabellen.
	Es stellt sich heraus, dass es einen viel einfacheren Weg gibt und der Aufwand für diese zusätzlichen Schritte und Tabellen erheblich reduziert werden kann. Also lasst mich diese Tabelle in dieser Tabelle rückgängig machen.
	Ich möchte außerdem darauf hinweisen, dass es unter dem Befehl „tables“ einen Befehl namens „JMP Query Builder“ gibt, der die Sequel-Funktion aufruft.
	Das ist beim Verknüpfen von Tabellen viel einfacher als all diese Join-Dialoge, aber es wird trotzdem eine neue Datentabelle erstellt.
	Vor einigen Versionen haben wir jedoch etwas noch Besseres eingeführt, das den Aufwand weiter reduziert: den virtuellen Join. Wenn ich mir also diese Transaktionstabelle ansehe,
	Mir ist aufgefallen, dass es bereits beigetreten ist.
	Folgendes ist passiert: Als ich die Filminventartabelle erstellt habe, wurde jeder Artikel eindeutig anhand seiner Artikelnummer identifiziert. Und so gebe ich die Artikelnummer an.
	Eine Link-ID gibt an, dass sie eindeutig identifiziert wird, und so kann ich die Tabelle indizieren. Analog dazu habe ich eine Artikel-ID zur Identifizierung der Kundendaten. Und wenn ich meine Transaktionsdaten aufbereite, verwende ich diese beiden als Fremdschlüssel.
	Es handelt sich um eine Linkreferenz, die anhand der identifizierenden ID auf verschiedene Datentabellen verweist. Dadurch wird die Verknüpfung automatisch hergestellt, und ich habe bereits alle notwendigen Informationen, um die Frage zu beantworten. Ich kann also Folgendes tun:
	für jeden
	Geschlecht, ich kann
	Ich suche mir das Genre des Films aus, den ich drehen möchte. Und so sehe ich hier, dass Actionfilme eher bei Männern und Familienfilme eher bei Frauen beliebt sind.
	Rom-Com mehr von den Frauen und so weiter. Ich habe also meine Frage zu den drei Tabellen beantwortet, ohne alle Joins durchgehen zu müssen, da die Verknüpfung praktisch durch den Abgleich der ID-Spalten in den Tabellen erfolgt.
	Also habe ich Folgendes gemacht
	Das hat mir eine große Schmerzlinderung gebracht. Also lasst uns das jetzt beenden.
	Die Verknüpfung von Datentabellen hat, glaube ich, im Laufe der Releases eine große Erleichterung gebracht.
	Neukodierung
	Das ist eine der wichtigsten weiteren Aufgaben, die wir bei der Aufbereitung von Datensätzen erledigen.
	Wir begannen vor vielen Versionen mit einer sehr einfachen Neucodierung, bei der wir lediglich ein Feld für den alten und den neuen Wert hatten. Der neue Wert begann mit dem gleichen Anfangswert wie der alte, und ich konnte diese Werte dann per Kopieren und Einfügen oder Bearbeiten neu codieren.
	in eine neue Spalte oder die bestehende Spalte.
	Und jede neue Version von Recode hat sich dramatisch verbessert, und wir sind mit dem aktuellen Stand sehr zufrieden. Schauen wir uns also diesen Datensatz von Krankenhäusern, genauer gesagt von Kreiskrankenhäusern, an. Und Recode ist jetzt genau auf dem neuesten Stand.
	Rechtsklickmenü in der Spaltenüberschrift. Und ich kann einfach durchgehen und
	Wählen Sie eine Reihe von Dingen aus und gruppieren Sie sie nach einem neuen Wert, wie zum Beispiel Klinik.
	Aber ich glaube, es gibt auch viele Abkürzungen. Und eine meiner Lieblingsabkürzungen ist:
	Um ähnliche Werte zu gruppieren. Ich kann also einen Schwellenwert für die Anzahl der Zeichenunterschiede usw. festlegen, und das Programm gruppiert automatisch alle Einträge. So werden beispielsweise alle Bezirkskrankenhäuser mit leicht unterschiedlichen Schreibweisen zu einem zusammengefasst.
	Und ich kann immer noch...
	Scheinbar fehlte eines. Aber das ist in Ordnung, ich kann es jetzt zu den anderen zusammenfassen.
	Alle ländlichen Krankenhäuser wurden automatisch nach Übereinstimmungen gruppiert, und es sieht so aus, als könnte ich hier noch ein weiteres finden.
	Und jetzt habe ich plötzlich etwas. Ich habe mir die ganze Mühe des Neucodierens erspart.
	Und natürlich haben wir in JMP 15 neue Funktionen hinzugefügt, die ich hier nicht zeigen werde, aber ich möchte darauf hinweisen. Wenn Sie einen anderen Datensatz mit allen
	...bewiesen, dass...ich die besten Kategorienamen für diese Kategorien ermitteln kann. Ich kann einen Abgleichprozess durchführen und die passendste Bezeichnung auswählen lassen, sobald eine Übereinstimmung gefunden wird.
	ReCode hat sich also im Laufe der Releases stark weiterentwickelt, um diesen Vorgang zu vereinfachen. Und denken Sie mal darüber nach: Wie viel Zeit verbringen wir mit der Datenaufbereitung im Vergleich zur Datenanalyse?
	Oftmals verbringen wir 70 bis 90 % unserer Zeit mit der Datenaufbereitung. Daher ist es ein großer Erfolg, diesen Prozess zu vereinfachen und die dafür benötigte Zeit zu verkürzen. Kurz gesagt: Erleichterung bei der Datenerfassung.
	Auf die Werte klicken. Hier ist
	der Datensatz der Städte.
	Und nehmen wir an, wenn ich mir die Details einiger dieser Dinge ansehe, beispielsweise einen Ausreißer, möchte ich ihn genauer betrachten. Und daraus kann ich dann einen Link erstellen. Also los!
	Lass uns daraus eine Wiki-Seite machen. Ich kopiere den Text dorthin, gehe zu den Spalteninformationen und erstelle daraus einen Link – das ist der Ausdruckshandler.
	Und jetzt kann ich nehmen
	Das
	Tabelle und wandeln Sie sie in ein Web um
	Adresse. Also
	Ich werde zu wikipedia.org gehen und dann die
	Ich ändere den Namen der Stadt in Großbuchstaben und kann ihn in dieser Zeile testen. Dann erscheint Albany.
	Und nun sage ich...
	Ach okay.
	Und jetzt kann ich auf jede beliebige Stadt klicken und den Wikipedia-Artikel dazu aufrufen. Oder ich kann mir die Koordinaten auf einer Karte anzeigen lassen. Also kann ich... ich kopiere diesen Text und gehe zur Spalteninformation, und stattdessen werde ich jetzt...
	Bitte verwenden Sie Groß- und Kleinschreibung für den Titel.
	Mal sehen, ob das korrekt funktioniert. Jetzt kann ich auf Denver klicken, und es werden Denver und Google Maps abgefragt.
	Okay, ich habe also verschiedene Dinge verlinkt... Ich kann jetzt Suchanfragen durchführen, Kartenanfragen stellen und so weiter. Ich kann sogar
	Fügen Sie diesen Text ein, klicken Sie darauf und lassen Sie sich den Namen der Stadt vorlesen. Dadurch ergeben sich meiner Meinung nach große Möglichkeiten, Verknüpfungen in unseren Datentabellen zu speichern.
	Diese Links führen zu Webseiten oder anderen Aktionen – alles, was Sie mit ACLs ausdrücken können, können Sie auch mit diesen Ereignisbehandlern realisieren. Das kann viel Aufwand ersparen.
	Eine meiner bevorzugten Techniken zur Schmerzlinderung ist die Mehrfachanalyse. Dabei hält man die Befehlstaste (⌘) oder die Strg-Taste gedrückt, um mehrere Analysen mit ähnlichen Parametern durchzuführen. Okay, also
	Dies funktioniert nicht nur für Menübefehle, sondern auch für viele Schaltflächen und zum Ändern der Größe von Diagrammrahmen und für andere Aktionen, z. B. zum Einfügen von Elementen in Diagramme usw.
	Betrachten wir dazu ein Beispiel. Und klicken wir auf... oder führen wir einfach eine Verteilung über alle diese Spalten durch.
	Und sagen wir, ich wollte loswerden
	dieses Boxplot.
	Und wenn ich einfach gedrückt gehalten hätte
	Bei diesem Menüpunkt würde ich den Boxplot für diesen Eintrag ausblenden. Ich möchte ihn aber für alle Einträge deaktivieren. Daher halte ich die Befehlstaste gedrückt und deaktiviere den Boxplot. Nun ist er für alle Einträge deaktiviert. Jetzt kann ich die Quantile deaktivieren.
	und es wird alle Überprüfungen aufheben, weil es diesen Befehl empfangen und an alle aktiven Objekte in diesem Fenster gesendet hat, und für diejenigen aktiven Objekte, die diesen Befehl verstehen, zum Beispiel den Quantils-Befehl, wird dieser Befehl dann befolgt.
	Das funktioniert sogar für einige Dinge, die mit Dialogoptionen zu tun haben. Schauen wir uns also die zusammenfassenden Statistiken an. Ich halte die Befehlstaste gedrückt und passe die zusammenfassenden Statistiken an.
	Nehmen wir an, ich möchte die Konfidenzintervalle nicht, aber die Anzahl der fehlenden Werte. Dann sage ich: „Okay“, und das wird auf alle Werte angewendet.
	all die Dinge. Um das zu erreichen, musste es
	Nimm die Ergebnisse dieses Dialogs, erstelle daraus ein Skript und sende dieses Skript dann an alle anderen Stellen in diesem Fenster.
	Das passiert nicht immer. Manchmal erhält man bei jeder Analyse eine Eingabeaufforderung. Wir versuchen, bei jeder Veröffentlichung eine solche Eingabeaufforderung zu erstellen.
	Um noch ein paar Details zu implementieren, wird der Dialog vor der Ausstrahlung erstellt, sodass er überall gleich lautet. Und natürlich kann ich auch alles andere ändern, beispielsweise die Größe der einzelnen Elemente.
	Durch Ändern der Hintergrundfarbe kann ich alle Hintergrundfarben in allen Diagrammen auf Orange ändern.
	Das scheint für diesen Frame-Bereich relevant zu sein. Daher wird diese Art der Übertragung zu einem sehr leistungsstarken Werkzeug.
	Also,
	Das hat den meisten von uns viel Ärger erspart, aber es gibt immer noch Fälle, in denen man 40.000 in Gruppen unterteilt hat, wie es Anfang dieses Jahres der Fall war, und er möchte eine inverse Vorhersage für alle 40.000 durchführen, und das fordert einen 40.000 Mal dazu auf.
	Das wird in Version 16 behoben sein. Das ist eine große Erleichterung für den betroffenen Benutzer.
	Formelspalten speichern.
	Ich liebe Formelspalten. Wenn man ein Modell anpasst, kann man eine Spalte mit Vorhersagen speichern. Diese Vorhersage enthält eine dynamische Formel, die man untersuchen, anpassen und auf neue Daten anwenden kann. Man kann sie in der gespeicherten Formel profilieren.
	wenn Sie haben
	Mit JMP Pro kann man auf den Formelspeicher zugreifen und viele weitere Dinge tun. Man kann daraus Code generieren und so weiter. Die Möglichkeit, Formeln zu speichern, ist also wichtig, aber manchmal
	Wenn Sie beispielsweise mit Gruppen arbeiten, ist das Speichern von Formeln mit vielen zusätzlichen Feinheiten verbunden.
	Nehmen wir zum Beispiel die Diabetesdaten, bei denen wir die Antwortvariable anpassen.
	gegen all diese Prädiktoren und wir wollen es aber für jedes Geschlecht separat durchführen.
	Also, lasst es uns tun.
	Wir haben also zwei Gruppen, eine für Geschlecht eins und eine für Geschlecht zwei. Und nehmen wir nun an, wir möchten sparen.
	Der vorhergesagte Wert gilt tatsächlich für beide. Nun
	Früher, bevor wir dies vielen Schmerzlinderungsmethoden unterzogen haben.
	Wenn Sie die Daten speichern, werden sie in einer lokalen Datentabelle gespeichert. Im Datentabellenfenster unter „Wiederherstellen“ wird die Tabelle „Nach Gruppe“ angezeigt.
	Für Geschlecht=1 gibt es also tatsächlich 235 Einträge in dieser virtuellen Datentabelle, die Sie für Geschlecht=1 anzeigen können. Es gibt hier eine Tabellenvariable, die die Gruppierung dafür anzeigt.
	Und es würde in dieser temporären Tabelle gespeichert werden, anstatt in der eigentlichen Tabelle, die tatsächlich gespeichert wird.
	Aber
	Als Sie vor einiger Zeit die Vorhersageformel gespeichert haben, haben wir sie in der Tabelle mit den realen Daten gespeichert. Und wenn ich mir das hier ansehe, habe ich sie nur für Geschlecht=1 gespeichert.
	Und wenn ich mir die Formel dafür ansehe, zeigt sie, dass, wenn Geschlecht=1, das die Gruppierungsklausel war, diese lineare Kombination eine Vorhersage für diese Variable bildet.
	Wenn ich dann `gender=2` eingebe oder die Befehlstaste gedrückt halte, um die Vorhersageformel zu übertragen, stehen mir nun beide Klauseln für Geschlecht 1 und Geschlecht 2 zur Verfügung. Es wird also gruppenweise jeweils eine Klausel zur Ausgabe hinzugefügt.
	Übrigens passiert das Gleiche, wenn man andere Dinge speichert, zum Beispiel wenn ich eine Spalte mit Residuen speichere, und halten wir diesmal die Befehlstaste gedrückt.
	Wenn ich eine Spalte mit Residuen speichere, wird diese für jede Gruppe einzeln gespeichert, wobei das jeweilige Residuum gespeichert wird. Das ist so, als ob man die vorhergesagte Formel von der ursprünglichen Antwort subtrahiert hätte, nur dass es sich diesmal nicht um eine Formelspalte handelt.
	In fast allen Bereichen von JMP haben wir es getan, nicht überall, aber in den meisten, indem wir in einer Gruppe gespeichert haben.
	Oder in manchen Fällen mithilfe einer WHERE-Klausel werden die Daten dann mit der Bedingung aus der IF-Anweisung in der ursprünglichen Datentabelle gespeichert. Okay, das hat also
	Das hat uns viel Arbeit erspart. Wäre das nicht möglich gewesen, hätte man die Formel in einer temporären Tabelle speichern und sie dann in die Originaltabelle kopieren und mit WENN-Bedingungen verknüpfen müssen. Diese Probleme haben wir also gelöst. Nehmen wir nun an, ich speichere die Daten erneut und führe den gesamten Prozess noch einmal durch.
	Und
	und habe noch etwas anderes gemacht, zum Beispiel mit anderen Variablen, von denen einige entfernt wurden.
	und jetzt habe ich es wieder gespeichert.
	Also,
	Ich speichere die Vorhersageformel, indem ich diesmal die Broadcast-Taste gedrückt halte. Tatsächlich wird aber eine neue Formel erstellt, anstatt die alte zu speichern, und eine 2 angehängt. Woher weiß das System, dass es sie nicht in der alten speichern soll?
	Jede Passform hat eine ID. Und wenn ich mir die Eigenschaften ansehe…
	Anhand der ID erhält es eine eindeutige Nummer, die für jede Anpassung neu generiert wird, und solange es eine unterschiedliche ID hat,
	Die verschiedenen Gruppen haben dieselbe ID wie eine Partition. Solange die IDs übereinstimmen, werden die Daten im selben Verzeichnis gespeichert. Andernfalls wird ein neues Verzeichnis erstellt, um die Daten dort zu speichern.
	Immer wenn wir von Vorhersagewerten sprechen,
	insbesondere Vorhersageformeln,
	Es erstellt ein Attribut, den Ersteller und in manchen Fällen weitere Informationen. In diesem Fall enthält es die Zielvariable y, die vorhergesagt wird, und den Ersteller, der mittels der Methode der kleinsten Quadrate angepasst wird.
	Und wenn Sie dann andere Plattformen nutzen, beispielsweise den Modellvergleich in JMP Pro, erkennt dieser, welche vorhergesagten Werte sich auf welchen Ersteller und welches Ziel beziehen. So kann er all diese Informationen für diese Mehrwertplattformen erfassen.
	Also,
	Formelspalten funktionieren durch das Hinzufügen neuer Klauseln und anderer Eigenschaften, einschließlich der ID-Klausel.
	Und wenn man die Vorhersageklauseln in kategorialen Variablen speichert, spart man eine ganze Reihe von Variablen, um die Wahrscheinlichkeiten für jede Antwortstufe zu erhalten, und all das inklusive aller Metadaten und Anforderungen. Das sollte viel Ärger ersparen.
	Also,
	Effekte aus Modellen entfernen.
	Schauen wir uns ein Beispiel an.
	passend
	Einfach die passende Größe anhand des Gewichts auswählen.
	Hier ist ein Beispiel für ein Polynom hohen Grades. Es handelt sich um ein Polynom siebten Grades.
	das besser passt als
	Polynome sechsten Grades und so weiter. Aber würden Sie dieser Anpassung vertrauen?
	Es hat sich herausgestellt, dass ein flexibleres Modell, beispielsweise durch die Einführung höherer Polynomterme oder zusätzlicher Variablen, deutlich mehr Anpassungsmöglichkeiten bietet. Und in diesem Fall ist es so:
	Es ermöglicht die Flexibilität, einen detaillierten Vergleich zwischen den vorherigen Daten und dem letzten Datenpunkt durchzuführen, um diesen letzten Datenpunkt besser anzupassen.
	Und so kommt es zu Überanpassung. Es verwendet diesen Parameter, um Rauschen anzupassen, anstatt die Daten anzupassen.
	die Daten selbst.
	Überanpassung ist also immer dann ein Problem, wenn man große Modelle hat.
	Man möchte das Signal anpassen, nicht das Rauschen. Okay, große Modelle führen tendenziell zu mehr Varianz in der Vorhersage, denn die Vorhersage ist schließlich …
	eine Funktion der verwendeten y-Variablen, aber auch, dass diese y-Variable einen systematischen Anteil dieser Variablen plus den Fehleranteil dieser Variablen darstellt, falls diese Variablenkomponente
	Wenn etwas zufällig ist, dann bezieht Ihre Vorhersage diese Zufälligkeit mit ein. Und wenn Sie ihr zu viel Flexibilität erlauben, wird sie am Ende zu Folgendem führen:
	Ein Überanpassungsproblem, bei dem die Vorhersagen deutlich schlechter ausfallen, wenn man alle Variablen in das Modell einbezieht.
	Die Lösung besteht also darin, das Modell zu verkleinern, seine Größe oder die Größe der Koeffizienten im Modell zu reduzieren.
	damit weniger von der Variation des Zufallsterms im Modell in den vorhergesagten Wert einfließt. Und so
	Bei kleineren DOE-Problemen stellt dies kein Problem dar, da die Datenmenge gering und gut auf das gewünschte Modell abgestimmt ist. Bei Beobachtungsdaten in größeren Modellen ist Überanpassung jedoch ein ernstzunehmendes Problem.
	Daher wurde dies von den Nutzern oft erst bemerkt, nachdem wir die Kreuzvalidierung in JMP Pro eingeführt hatten. Wenn Sie also JMP Pro verwenden, können Sie eine Validierungsspalte einrichten,
	Dabei werden einige Daten zurückgehalten, um den Fehler dieses zurückgehaltenen Datensatzes abzuschätzen. Hier ist ein Beispiel, in dem ich versuche, die konkreten Eigenschaften vorherzusagen.
	Das hängt von all diesen Bestandteilen des Betons ab, und ich habe ein umfangreiches Modell dafür. Wenn ich dieses Modell ausführe, aber einen Teil der Daten zurückhalte und mir das Bestimmtheitsmaß (R²) ansehe,
	Bei SLUMP erziele ich eine hervorragende Anpassung. Mein R²-Wert beträgt 79, aber im Validierungsdatensatz ist er negativ.
	Ein negatives R² bedeutet, dass die Anpassung schlechter ist als die Anpassung des Mittelwerts. Würde ich also den Mittelwert anpassen, hätte ich ein R² von null. Passe ich das gesamte Modell an, ist das R² deutlich schlechter. Bei großen Modellen kann die Anpassung also schlechter sein als die des Mittelwerts.
	Das ist in gewisser Weise irreführend, da das Modell so groß ist und wir keinerlei Anstrengungen unternommen haben, es zu verkleinern. Es wird vom Rauschen und nicht vom eigentlichen Signal dominiert. Diesem Problem sollten Sie unbedingt Beachtung schenken.
	Der wichtigste Aspekt ist also, die Größe des Modells reduzieren zu können.
	Und nun haben wir einen Modelldialogbefehl eingeführt, um genau das zu tun.
	Kommen wir nun zum Diabetes-Modell.
	Ich kann dieses Modell ausführen, und wenn ich beispielsweise viele dieser Faktoren entfernen möchte, sind sie nicht sehr bedeutend. Wissen Sie, das Alter.
	hat einen völlig unbedeutenden Beitrag zum Modell, daher möchte ich das Alter eliminieren. Nun gut, dann könnte ich ja zum Modell zurückkehren und
	Ich könnte das Alter entweder zurückrufen oder entfernen. Alternativ könnte ich direkt zum Modelldialog zurückkehren, das Alter anpassen und es dann entfernen. Allerdings habe ich hier möglicherweise eine lange Liste von Modellen, und das ständige Hin- und Herwechseln ist ziemlich aufwendig.
	Und anstatt das zu tun...
	Mal sehen, was mache ich hier eigentlich?
	Vor einigen Versionen haben wir einen neuen Bericht namens „Wirkungsübersicht“ eingeführt.
	Und mit der Effektzusammenfassung wird es trivial einfach, das Modell zu unterteilen, um bessere Vorhersagen zu erzielen.
	Verleihe ihm weniger Flexibilität.
	Ich kann also sagen: Nun ja, das Alter, das kann ich ausschließen.
	Oder, nun ja, es gibt eine Menge Variablen. Entfernen wir drei weitere.
	LDL, nun ja, das sieht nach einer signifikanten Steigerung aus. Daher kann ich dieses Modell speichern.
	Speichern wir es einfach in der Datentabelle.
	Und später komme ich zurück und sage: „Nun, ich merke mir das Modell, das das hat.“
	Ich kann die vorherige Aktion tatsächlich rückgängig machen. Und wenn ich das also rückgängig mache, wird die Aktion wiederhergestellt.
	Drei der Variablen kann ich ändern, und das Alter wird wiederhergestellt. Es speichert also tatsächlich die Informationen, wenn ich die Effektübersicht zum Bearbeiten des Modells verwende. Und wenn ich mir das Skript ansehe,
	Ich kann diesen Verlauf sehen. Jedes Mal, wenn ich ein Effektmodell verwende, wird ein Eintrag im Verlauf gespeichert. Und wenn ich die Aktionen rückgängig mache, wird auf diesen Verlauf zurückgegriffen.
	Das Entfernen ist also einfach. Ich kann aber auch Dinge hinzufügen. Wenn ich diese beiden Dinge abziehe, könnte ich sie wieder hinzufügen. Ich könnte zum Beispiel das Alter wieder hinzufügen.
	Das ist zwar keine gute Idee, aber ich kann es tun. Ich kann das Modell auch bearbeiten, indem ich eine kleinere Version des Modells wiederherstelle und
	des Modelldialogs und Hinzufügen von zusammengesetzten Effekten und so weiter.
	Nun gibt es noch eine weitere Sache, die bei großen Modellen passiert, und
	(Ich mache das jetzt rückgängig).
	Bei großen Modellen
	Du führst viele Hypothesentests durch.
	Wenn Sie also eine große Anzahl von Hypothesentests durchführen, sollten Sie einige Anpassungen berücksichtigen. Eine davon ist die sogenannte Fehlentdeckungsrate (FDR). Anstatt also all diese p-Werte so zu behandeln, als wären es unabhängige Tests,
	Ich möchte eine Korrektur vornehmen, um die p-Werte hinsichtlich der Verzerrung durch multiple Tests und der Selektionsverzerrung bei der Modellauswahl zu bereinigen. Dadurch kann ich eine Falsch-Entdeckungsrate anwenden.
	Korrektur: Anstelle des regulären p-Werts verwende ich nun den für die Fehlentdeckungswahrscheinlichkeit korrigierten p-Wert. Dadurch werde ich realistischer. Dies wird mir bei der Überanpassung und der Hypothesenprüfung helfen – insbesondere beim Selektionsbias, der bei vielen multiplen Tests auftritt.
	Dinge.
	Also,
	Jetzt
	Lass uns
	Das nächste Thema ist Transformation.
	Vermuten
	Du möchtest ein Modell erstellen,
	Aber
	Statt y möchten Sie den Logarithmus von y anpassen.
	Als Erstes würde man eine neue Spalte im Datensatz erstellen.
	Protokollieren und,
	und dann für Log y, du
	spezifizieren Sie ein...
	Führe eine Formel durch.
	Und ich kann nehmen
	ein Protokoll davon.
	Und jetzt kann ich zu meiner Modellspezifikation zurückkehren und das Log y durchführen.
	Und dann bekam ich meinen Anfall.
	Oh, es fehlt, was habe ich getan?
	Ich habe vergessen, das Feld einzugeben.
	Objektiv betrachtet, ist das Argument fraglich.
	Und nun kann ich
	Passe den Logarithmus von Y an
	Und nun
	Ich habe es erledigt. Aber lasst uns den Profiler machen.
	Mein Profiler verwendet den Logarithmus von Y. Ich speichere den vorhergesagten Wert. Meine Vorhersageformel verwendet den Logarithmus von y.
	Und jetzt muss ich das wohl noch manuell bearbeiten...
	diese Formel und nimm die Exponentialfunktion davon
	Um es wieder auf den ursprünglichen Maßstab zu bringen. Das ist also eine Menge Aufwand, Transformationen auf diese Weise durchzuführen.
	Nun ja, vor einigen Veröffentlichungen
	Wir haben Transformationen eingeführt.
	Ich kann also diese Transformation durchführen und
	transformiere es in das Protokoll
	Und nun wird sie direkt dort als Transformation verwendet und ist nicht Teil der Datentabelle. Es handelt sich um eine virtuelle Variable mit einer Formel, die jedoch nicht der Datentabelle hinzugefügt wird.
	Und jetzt kann ich mein Modell an den Logarithmus von y anpassen. Los geht's!
	Entfernen Sie das Alter, damit es etwas besser passt.
	Hoppla.
	Das hatte ich auch ausgewählt.
	Und nun habe ich die Antwort Log y angepasst.
	Wenn ich das also profiliere, was erhalte ich dann?
	Faktorprofilierung, Profiler. Anstatt den Logarithmus von y zu profilieren, profiliert er y selbst. Der Profiler betrachtet dies als Transformation und sagt: „Ich kann diese Transformation umkehren und zur ursprünglichen Skala zurückkehren.“ Und genau das tut er.
	Es
	Die Transformation wird rücktransformiert, anschließend wird über den Logarithmus von y zurücktransformiert, um die Vorhersage auf die ursprüngliche Skala zu bringen.
	Und das funktioniert bei den meisten Transformationen, die sich rückgängig machen lassen. Wenn eine Transformation mehrere Variablen usw. beinhaltet, kann sie das nicht und führt die Transformationen einfach durch.
	Dasselbe passiert, wenn ich eine Spalte speichere. Wenn ich die Vorhersageformel speichere,
	Es speichert eine Vorhersageformel auf der Skala von y anstatt auf der Skala des Logarithmus von y.
	Diese Funktionen sind also unglaublich zeitsparend und reduzieren den Aufwand bei der Verwendung von Transformationen erheblich.
	Also, es gibt...
	Lass mich
	Geh wieder zum Diabetes.
	und führe eine weitere Transformation durch... überlege dir eine weitere Transformation.
	Wenn Sie mit Variablen arbeiten,
	Es gibt eine Box-Cox-Transformation, die Sie erhalten können.
	Und
	Unter den Faktorenprofilen ist die Box-Cox-Option
	zeigt Ihnen an, ob Sie eine ganze Reihe von Leistungsfunktionen umgestellt haben.
	Was wäre die beste Vorgehensweise? Sollte man einfach die Transformation rückgängig machen? Das entspräche einem Box-Cox-Lambda-Wert von eins.
	Wenn Sie null nehmen würden, wäre das gleichbedeutend mit der Logarithmierung. Wenn Sie -1 nehmen würden, wäre das gleichbedeutend mit der Kehrwertbildung.
	Die Potenz -1. Wenn man ungefähr 0,5 rechnen würde, wäre das gleichbedeutend mit der Quadratwurzel daraus.
	Und es besagt, dass dieses Modell besser zu einer an diese Transformation angepassten Transformationsskala passen würde, wenn es eher der Quadratwurzeltransformation entspräche, bei der Lambda 0,453 beträgt. Das ist der optimale Wert bei der Box-Cox-Transformation.
	Und Sie können darauf hineinzoomen.
	mit einer Lupe, um
	Um es genauer zu verstehen.
	Also,
	Jetzt kann ich mich also transformieren, und das schon vor einigen Versionen.
	Ich kann... Ich habe mehrere Spalten hinzugefügt. Eine davon heißt „Refit with Transform“ und erstellt ein neues Fenster mit der Transformationsantwort.
	Eine weitere Möglichkeit ist das Ersetzen der Transformation, und das werde ich jetzt tun. Anstatt 0,453 werde ich einfach die Quadratwurzeltransformation (0,5) anwenden und das Modell nun mit dieser Transformation anpassen.
	Und nun liegt Lambda Best bei etwa 1, was korrekt ist, da es bereits durch die Box-Cox-Transformation transformiert wurde. Jetzt kann ich den vorhergesagten Wert speichern.
	Ich kann es profilieren und so weiter. Und ich kann es sogar rückgängig machen. Wenn mir die Transformation also nicht gefällt und ich zum Original zurückkehren möchte, kann ich das tun und die Änderungen wiederherstellen.
	Also,
	Wir haben viel Schmerzersparnis erreicht.
	bei der Umwandlung von Reaktionen.
	So nun
	Es gibt einen besonderen Schmerz, einen ganz besonderen Ort des Schmerzes, wenn man über große Datenmengen verfügt.
	Und wir haben uns große Mühe gegeben, große Probleme mit weniger Schmerz zu lösen.
	Egal ob Sie viele Zeilen, viele Spalten, viele Gruppen oder viele Modelle zum Ausprobieren haben,
	In der heutigen Welt leben wir in einer Welt der Big Data und der damit verbundenen großen Probleme.
	Wenn wir also Analysen haben, die ursprünglich für die Bearbeitung kleiner Probleme konzipiert wurden, sind sie möglicherweise nicht für große Probleme geeignet, und das zentrale Problem bei großen Problemen besteht darin, dass es einfach zu viele Ergebnisse gibt, die durchgesehen werden müssen.
	Wenn ich dasselbe Modell auf 1.000 Variablen anwende, erhalte ich 1.000 Berichte, die ich durchsehen muss. Wenn ich in 1.000 Spalten nach Ausreißern suche, erhalte ich für jede Spalte einen separaten Bericht und so weiter. Ich möchte in der Lage sein,
	Um große Datensätze effizienter zu verarbeiten, haben wir das Screening-Menü entwickelt.
	Dies ist darauf ausgelegt, solche komplexen Probleme zu lösen. Darüber hinaus bietet JMP zahlreiche weitere Funktionen, die sich ebenfalls hervorragend für die Lösung komplexer Probleme eignen. Beispielsweise für Zeitreihen. Die neue Plattform für Zeitreihenprognosen prognostiziert mehrere Zeitreihen gleichzeitig, anstatt nur einer.
	Die Elemente der Screening-Plattform dienen also der Suche nach Ausreißern, fehlenden Werten und Mustern. Sie werden zur Datenprüfung und anschließenden Suche nach Zusammenhängen sowie zum Antwortscreening verwendet.
	Prozess-Screening, Prädiktor-Screening. Und natürlich ist die Zeitreihenprognose ein neues Element. Sie ist nicht im Screening-Menü enthalten, sondern für die Bearbeitung komplexer Probleme konzipiert.
	Und all diese Dinge nutzen nicht nur kompaktere Darstellungsformen der Ergebnisse, sodass Sie nicht Tausende von Berichten erstellen müssen, sondern sie sind auch recheneffizient. Sie verwenden Multithreading, um Ihre Rechenleistung optimal zu nutzen.
	die Mehrfach
	Kerne in Ihrer CPU, um sie sehr schnell zu machen.
	Angenommen, Sie verfügen über eine große Menge an Prozessdaten; Sie haben 568 Variablen. Welche dieser Variablen sehen also gut aus? Genau das kann das Prozess-Screening beantworten. Es kann nach Stabilität, Fähigkeit (Ppk) oder nach Fehlern sortieren.
	Kontrollkartenmaßnahmen, außer Kontrolle geratene Konten usw.
	Aber was mir noch besser gefällt, sind einige Tools, die alle Prozesse in einem Diagramm darstellen. Zwei davon finde ich besonders gut. Das eine ist das
	das Tordiagramm, das zeigt
	wie sich jeder Prozess im Hinblick auf die Spezifikationsgrenzen verhält und ob es sich um einen fähigen Prozess handelt, der sich hier in dieser grünen Zone befindet.
	Liegt der Wert im Grenzbereich, befindet er sich im gelben Bereich. Ist er nicht im Grenzbereich, liegt er im roten Bereich, und liegt er weit darüber, weist er zu große Schwankungen auf. Befindet er sich außerhalb dieses Bereichs, besteht ein Problem.
	Mit...
	Es ist nicht mittig, es verfehlt das Ziel.
	Befindet es sich jedoch im grünen Bereich, ist es ein guter Prozess, und mit Version 15 führen wir die
	Graphlets, die Hover-Hilfe
	So können Sie jeden einzelnen Prozess sehen, wenn Sie mit der Maus darüberfahren. Und dann das andere
	Ein Diagramm, das ich besonders schätze, um all diese Informationen zusammenzufassen und die Suche nach Berichten zu vereinfachen, ist dieses Prozessleistungsdiagramm. Auf der vertikalen Achse wird anhand der Fähigkeit Ppk angezeigt, ob die Spezifikationen eingehalten werden.
	Wenn Ihr Wert also über dieser Linie bei 1,33 liegt, dann ist die Werteverteilung im Hinblick auf die Spezifikationsgrenzen in Ordnung. Sie liegen deutlich innerhalb der Spezifikationsgrenzen.
	Wenn... dann befindet sich der Stabilitätsindex auf der x-Achse. Es handelt sich also um einen ziemlich instabilen Prozess, selbst wenn er grundsätzlich leistungsfähig, aber instabil ist. Wenn man sich diesen Prozess ansieht, könnte er einige
	Eine Stabilitätssache, die etwas herumwandert. Und wenn du dich in der gelben Zone befindest, dann bist du
	Leistungsfähig, aber instabil usw. Die rote Zone markiert den kritischen Bereich, in dem das System sowohl leistungsfähig als auch instabil ist. Die Überprüfung von Hunderten oder Tausenden von Prozessen ist nun ein Kinderspiel, wo sie früher sehr mühsam war.
	Die Frage ist: Was hat sich am meisten verändert? Hier sind einige Umfrageergebnisse, aus denen hervorgeht, dass…
	Über viele Jahre hinweg haben Sie Fragen zu ihren Aktivitäten gestellt. Haben Sie
	Camping gehen? Oder im Casino spielen? Oder hattest du eine Erkältung? Du weißt schon, all diese Aktivitäten und du willst wissen, welche von all diesen Aktivitäten (und es gibt
	Ich glaube, es gab 95 verschiedene Aktivitäten, und ich wollte herausfinden, welche davon den größten Unterschied gemacht hat. Man könnte zum Beispiel eine nach der anderen durchgehen.
	und diese Aktivität dem jeweiligen Erhebungsjahr zuzuordnen.
	Anstatt mir jedes Ergebnis einzeln anzusehen, kann ich mir die Antwortprüfung ansehen.
	Man muss sich nur ein Diagramm ansehen, um zu sehen, was sich am meisten verändert hat.
	Hier wird also eine Grafik für alle 95 dieser Punkte dargestellt. Zunächst die Signifikanz, ausgedrückt als negativer Logarithmus des p-Wertes.
	Diesen Wert nennen wir Logarithmus des p-Werts, der um die Falsch-Entdeckungsrate korrigiert ist. Dadurch wird ein Teil der Selektionsverzerrung ausgeglichen, da all diese p-Werte sortiert werden.
	und die Auswahl derjenigen mit den niedrigen P-Werten. Ich stelle fest, dass sich vor allem das Ausleihen von Videokassetten verändert hat, und diese sind natürlich überholt. Also, natürlich hat sich das geändert.
	Ein weiteres Videokassettenband veränderte vieles, das Sammeln von Dingen zum Recycling veränderte vieles, die Unterhaltung der Menschen in meinem Haus veränderte vieles.
	Und hier ist die Frage, die zwar weniger bedeutend ist, aber dennoch einen großen Effekt hat: Nutzen Sie das Internet? Diese Umfrage wurde natürlich vor der Zeit des Internets durchgeführt. Daher hat sich vieles verändert. Die Frage nach der größten Veränderung lautete also:
	Es ist jetzt einfach, wo es früher schwierig war.
	Eine weitere Frage zu Big Data: Wo bleiben die fehlenden Werte? Hier sind sie.
	280 Variablen.
	Wo befinden sich die fehlenden Werte? Muss ich mir deswegen Sorgen machen? Und wenn ich mir den Bericht über fehlende Werte ansehe, sehe ich, dass es nur fünf dieser Variablen mit fehlenden Werten gibt.
	Manche dieser Daten enthalten nur eine Variable, einen fehlenden Wert, andere hingegen viele. Wenn ich also eine Analyse durchführe, beispielsweise eine multivariate Analyse, möchte ich diese wahrscheinlich nicht alle berücksichtigen.
	376 von 452 Variablen. Oder wenn ich J einbeziehen möchte, kann ich Folgendes durchgehen:
	und die fehlenden Werte zu ersetzen.
	Okay, wenn Sie das tun.
	Also,
	Nächste Frage: Gibt es Ausreißer in den Daten?
	Ich führe in diesem Prozess 387 Messungen durch. Und ich möchte herausfinden, ob es Ausreißer gibt. Dafür haben wir jetzt eine Funktion im Screening-Menü. Ich kann
	Dies empfindlicher oder unempfindlicher machen.
	Lasst es uns empfindlicher machen.
	Dadurch gibt es weniger Ausreißer und es wird erneut gescannt.
	Ich kann schauen
	bei
	Die Neunen. Oft wird eine Folge von Neunen verwendet, um einen fehlenden Wert darzustellen. Diese Neunen können echte Neunen sein, aber sie können auch nur ein Indikator für einen fehlenden Wert sein. In solchen Fällen kann ich sagen: „Wir fügen diese Neunen zu den Codes für fehlende Werte hinzu, und damit hat sich der Speicher geändert.“
	Und jetzt kann ich
	Gehen Sie zurück nach oben (es gibt hier viele Variablen) und scannen Sie erneut, dann müssen Sie sich um weniger fehlende Werte Sorgen machen.
	Die Suche nach Ausreißern war also früher mühsam.
	Es kann immer noch eine große Aufgabe sein, aber es ist viel einfacher als früher.
	In Version 15 haben wir eine weitere Screening-Plattform hinzugefügt. Weisen die Daten verdächtige Muster auf? Hier sind einige Labordaten aus einer klinischen Studie. Es handelt sich um Labordaten zu Nicardipin. Es gibt 27 Laborergebnisse, die ich mir möglicherweise genauer ansehen möchte. Daher rufe ich … auf.
	Die neue Plattform ermöglicht die Untersuchung fehlender Werte. Sie zeigt mir an, ob ich eine Wertefolge habe. Ich habe zum Beispiel den Wert 0,03536, aber es gibt sieben aufeinanderfolgende Werte, beginnend mit Zeile [Zeile einfügen].
	2065. Ich kann diese Zellen farbig markieren und mir die Werte ansehen. Vielleicht ist es der letzte übertragene Wert, was nicht verdächtig sein muss. In diesem Fall ist es der...
	Es handelt sich um dieselbe Person. Daher mag die Übertragung des letzten Wertes sinnvoll sein, aber das ist ein äußerst seltener Fall, wenn man diese Dinge verteilt hat...
	vorausgesetzt, man geht von einer zufälligen Verteilung dieser Dinge aus.
	Außerdem die längste Sequenz mit identischen Werten. Bei dieser Variable, beginnend in Zeile 2816 und auch in Zeile 3034, gibt es vier aufeinanderfolgende Einträge mit denselben Werten. Wenn ich diese Einträge farblich markiere, sehe ich, dass es sich um vier aufeinanderfolgende Einträge handelt. Und wenn ich
	In der nächsten Sequenz befinden sich vier aufeinanderfolgende Einträge mit identischen Werten. Dies könnte ein Hinweis darauf sein, dass dieselben Werte kopiert und eingefügt wurden.
	Das Erkunden von Mustern bedeutet also, nach solchen Dingen zu suchen. Und es gibt viele weitere Aspekte, bei denen man sich die Details jeder dieser 27 Variablen ansehen und nach Anzeichen für verdächtige Vorgänge suchen kann.
	negative Auswirkungen der Art und Weise, wie Sie die Daten verarbeitet haben usw.
	Also,
	Mustererkennung ist Teil der Lösung großer Probleme.
	Also,
	Schmerzlinderung. Ein Großteil unserer Entwicklung konzentriert sich darauf, den Analyseablauf reibungsloser, weniger belastend, zeitsparender und schmerzärmer zu gestalten. Schmerzmittel.
	Wir wissen nicht immer, was schmerzhaft ist. Deshalb sind wir auf Feedback angewiesen, um zu wissen, worauf wir uns konzentrieren sollen. Wenn wir diese E-Mails bekommen, auf die ich hunderte Male antworten musste,
	Wir haben zugehört, wir verstehen den Schmerz und wir haben das Problem behoben, sodass Sie jetzt in eine Gruppe mit Tausenden von Dingen senden können.
	Wir haben das Ergebnis eines einzigen Dialogs veröffentlicht, anstatt ihn mehrmals zu führen. Dadurch war es für alle anderen besser, da wir den Fehler beim ersten Mal übersehen hatten. Wir freuen uns daher über Ihr Feedback.
	Dank all der Verbesserungen, die wir bereits erzielt haben, glauben wir, dass der Prozess der Datenaufbereitung und -analyse bereits viel reibungsloser, viel weniger unterbrochen und viel flüssiger geworden ist.
	Also,
	Statt Ihre Zeit damit zu verbringen, Hindernisse zu überwinden, verbringen Sie Ihre Zeit damit, aus Ihren Daten zu lernen und Ihre Daten zu verstehen.
	Analytik. Man könnte sich fragen, ob sie denselben Ursprung haben; natürlich kürzen wir diese beiden Wörter nicht gern ab.
	Analytics kommt vom griechischen Wort analyein, und ich weiß nicht, wie man das ausspricht.
	Im Griechischen bedeutet es jedoch so viel wie auflösen, freigeben oder befreien. Es bedeutet, etwas Kompliziertes in seine Einzelteile zu zerlegen, damit wir es verstehen können.
	Und genau das tun wir natürlich bei der Datenanalyse, der Datenwissenschaft. Das Wort „Analgetika“ stammt von einer anderen Wortkombination: „an-“, was „ohne“ bedeutet, und „algesis“, was Schmerzempfindung heißt. Also gleiches Präfix, aber etwas andere Wurzeln.
	Und kürzen Sie diese nicht ab.
	Anabol und aphrodisierend. Uns geht es um Kraft.
	Ein Großteil unserer Arbeit besteht darin, Ihnen leistungsfähigere Werkzeuge zur Datenanalyse zur Verfügung zu stellen, vieles davon in JMP Pro, aber auch in JMP.
	Und wir hoffen, dass die Daten es spannend machen, Sie wissen schon, den Nervenkitzel der Entdeckung.
	Es ist faszinierend, die leistungsstarken Funktionen von JMP kennenzulernen, und wir finden das spannend. Wissen Sie, es wirkt wie ein Aphrodisiakum.
	Macht und Begeisterung sind also auch für uns wertvoll. Es geht nicht nur um Schmerzlinderung.
	Was werden wir also nächstes Jahr machen?
	Nun ja, große Wörter, die mit dem Buchstaben B beginnen.
	Wir beginnen mit A, als nächstes kommt B, richtig?
	Nächstes Jahr erscheint JMP 16. Darüber werden wir dann sprechen. Wer weiß, worüber wir im Jahr darauf sprechen werden. Vielen Dank. Und wir hoffen, dass Ihnen die Datenanalyse leichtfällt.
Jeff Perkinson	Vielen Dank, John. Das wissen wir sehr zu schätzen. Es war ein fantastischer Vortrag, und da ich im Laufe der Jahre viel Leid miterlebt habe,
	Es stimmt absolut, dass alles, was Sie sagen, wahr ist. Schmerzlinderung ist uns sehr wichtig.
	Uns erreichten eine oder mehrere Fragen; einige davon haben wir in der Fragerunde beantwortet, aber was ich Ihnen eigentlich stellen wollte
	Es diente sowohl der Schmerzlinderung als auch der Attraktivitätssteigerung und machte JMP wirkungsvoller?
John Hall	Ich denke, die größte Freude aller ist der Graph Builder.
	Es ist unglaublich einfach, diese Variablen per Drag & Drop zu verschieben, ein paar weitere Klicks auszuführen und schon hat man das gewünschte Diagramm – und man kann es so leicht ändern.
	Es ist also ein tolles Gefühl. Es ist eine wirkungsvolle Funktion und lindert Schmerzen; früher war das schwieriger. Ich denke, das ist jedermanns Lieblingsfunktion.
	Aber natürlich gibt es da noch... JMP ist ein umfangreiches Produkt, und wir sind stolz auf alle seine Funktionen. Versuchsplanung, alles.
	Die damit verbundene enorme Macht und wir haben versucht, diesen Prozess ebenfalls zu vereinfachen. Und mir kommen so viele Dinge in den Sinn.
Jeff Perkinson	Sehr gut. Vielen Dank, John, ich weiß das sehr zu schätzen. Wenn Ihnen dieser Vortrag gefallen hat, habe ich zwei Vorschläge für Sie. Erstens, wir werden dies veröffentlichen.

Grundlagen der Datenanalyse und ModellierungDatenexploration und -visualisierungPrädiktive Modellierung und maschinelles LernenZuverlässigkeitsanalyse