Entwickler-Tutorial: JMP Pro Generalized Regression zum besseren Verständnis von BeobachtungsdatenBeobachtungsdaten eignen sich für Analysen, die bei großen Datensätzen, Daten ohne Orthogonalität und Situationen, in denen Vorhersagen im Vordergrund stehen, sinnvoll sind. Die Plattform für generalisierte Regression ermöglicht die Erstellung von Regressionsmodellen sowohl für geplante Experimente als auch für Beobachtungsdaten. Dabei sind folgende Punkte zu beachten:
- Die penalisierte Regression zeigt großes Potenzial für Beobachtungsdaten.
- Vererbung ist wahrscheinlich nicht notwendig.
- Verwenden Sie einen Holdout-Datensatz, wenn Sie über genügend Daten verfügen, andernfalls den AICc.
So geht's:
- Die grundlegenden Prinzipien der Schätzung und die zu berücksichtigenden Aspekte verstehen:
- Wie weit die Schätzungen tendenziell von der Wahrheit abweichen (Verzerrung)
- Wie stark die Schätzwerte variieren (Varianz)
- Wie sich die Prinzipien der Verzerrung und der Varianz in Kombination durch den mittleren quadratischen Fehler eines Schätzers messen lassen
- Techniken der penalisierten Regression verstehen (Ridge, Lasso, Elastic Net, Adaptive Lasso, Double Lasso, Dantzig Selector)
- Erfahren Sie, wie die Vererbung von Effekten in JMP Pro gehandhabt wird.
- Wählen Sie die Optionen für die Rastersteuerung aus.
- Verwendung erzwungener Bedingungen, vorzeitiger Abbruch und informativer fehlender
Ressourcen
Prädiktive Modellierung und maschinelles Lernen
