La vidéo a été enregistrée en mars 2025 à l'aide de JMP 18 et JMP Pro 18.
Travaillez-vous avec des processus complexes où des variables non prises en compte pourraient influencer vos prédictions ? Avez-vous parfois du mal à identifier la validité des facteurs qui affectent les résultats d’interactions complexes ? Des facteurs colinéaires entravent-ils l’efficacité de vos projets d’amélioration des processus ?
Dans cette session « Maîtriser JMP », nous utilisons des outils d'apprentissage automatique pour une étude de cas visant à déterminer les conditions idéales de découpe de pièces de précision pour l'industrie aéronautique. Découvrez comment :
- Analysez les données et identifiez graphiquement les éventuelles relations de colinéarité.
- Explorez les modèles de régression linéaire simples et déterminez pourquoi ils ne sont pas suffisants.
- Utilisez les outils d'apprentissage automatique de JMP Pro pour construire et évaluer un modèle qui identifie et gère avec précision les effets de colinéarité.
Réponses aux questions posées par @Peter_Polito et @Bill_Worley lors du webinaire en direct :
Q : Est-il possible d'effectuer des analyses en composantes principales (ACP) et des réseaux de neurones dans JMP ou faut-il JMP Pro ?
A : Les deux sont disponibles dans la version standard de JMP. La fonctionnalité « Réseaux de neurones » de JMP offre une seule fonction d'activation. En revanche, la version « Réseaux de neurones » de JMP Pro propose plusieurs fonctions d'activation, le boosting et la validation du modèle.
Q : La VIF exige-t-elle la présence de mesures répétées dans les données ?
ONU : Non. Et les mesures répétées sont en revanche utiles pour comprendre la variation des modèles.
Q : Peut-on utiliser la RSM sur les composantes principales ?
ONU : Oui.
Q : Vous avez mentionné Random Forest. Cette analyse est-elle disponible dans JMP ? Si oui, pouvons-nous spécifier le critère (par exemple, Gini, entropie, etc.) ?
ONU : Nous l’appelons Bootstrap Forest . Il est disponible dans JMP Pro.
Q : Pourriez-vous examiner le VIF, s'il vous plaît ?
UN:VFacteur d'inflation de l'ariance (VIF) est disponible pour chaque terme du modèle lorsque la distribution est normale.VIFLes valeurs indiquent un problème de colinéarité entre les termes du modèle. Pour voir le VIF,Faites un clic droit dans le tableau des estimations des paramètres et sélectionnez Colonnes >Vous pouvez également définir le VIF dans les préférences, dans les options de modèle d'ajustement : Ajustement par moindres carrés, Ajustement de la réponse et Ajustement mixte. Consultez la vidéo ci-dessous pour en savoir plus sur le VIF.
