Tutoriel pour développeurs : Utiliser la régression généralisée de JMP Pro pour mieux comprendre les données observationnellesLes données observationnelles se prêtent à des analyses utiles pour les grands ensembles de données, les données qui ne présentent probablement pas d'orthogonalité et les situations où l'on s'intéresse à la prédiction plutôt qu'à l'interprétation. La plateforme de régression généralisée permet de construire des modèles de régression pour les expériences planifiées et les données observationnelles. Quelques points à retenir :
- La régression pénalisée se révèle très prometteuse pour les données observationnelles.
- L'hérédité n'est probablement pas nécessaire.
- Utilisez un ensemble de validation si vous disposez de suffisamment de données, sinon l'AICc.
Découvrez comment :
- Comprendre les principes de base liés à l'estimation et les éléments à prendre en compte :
- Dans quelle mesure les estimations s'écartent-elles de la vérité (biais)
- Variabilité des estimations (Variance)
- Comment les principes de biais et de variance combinés peuvent être mesurés par l'erreur quadratique moyenne d'un estimateur
- Comprendre les techniques de régression pénalisée (Ridge, Lasso, Elastic Net, Adaptive Lasso, Double Lasso, Dantzig Selector)
- Découvrez comment l'hérédité des effets est gérée dans JMP Pro.
- Choisissez les options de contrôle de la grille
- Utilisation de termes forcés, d'arrêts précoces et de données manquantes informatives
Ressources
Modélisation prédictive et apprentissage automatique
