El vídeo se grabó en marzo de 2025 utilizando JMP 18 y JMP Pro 18.
¿Trabaja usted con procesos complejos donde posibles variables no consideradas podrían estar afectando sus predicciones? ¿Le resulta difícil a veces identificar la validez de los factores que influyen en los resultados de interacciones complejas? ¿Están los factores colineales obstaculizando la eficiencia de sus proyectos de mejora de procesos?
En esta sesión de Dominando JMP, utilizaremos herramientas de aprendizaje automático para un estudio de caso que nos permitirá determinar las condiciones ideales para el mecanizado de piezas de precisión para la industria aeronáutica. Vea cómo:
- Examine los datos y descubra gráficamente posibles relaciones de colinealidad.
- Explora los modelos de regresión lineal simple y determina por qué no son suficientes.
- Utilice las herramientas de aprendizaje automático de JMP Pro para construir y evaluar un modelo que identifique y gestione con precisión los efectos de colinealidad.
Preguntas respondidas por @Peter_Polito y @Bill_Worley en el seminario web en directo:
P: ¿Se pueden realizar análisis de componentes principales (PCA) y redes neuronales en JMP o requieren JMP Pro?
A: Ambas opciones están disponibles en la versión estándar de JMP. Las redes neuronales en JMP ofrecen una única función de activación. Sin embargo, las redes neuronales en JMP Pro también ofrecen múltiples funciones de activación, boosting y validación de modelos.
P: ¿El VIF requiere mediciones repetidas en los datos?
A: No. Y las medidas repetidas son útiles en cambio para comprender la variación en los modelos.
P: ¿Podemos usar RSM con componentes principales?
A: Sí.
P: Mencionaste Random Forest. ¿Es un análisis disponible en JMP y, de ser así, podemos especificar el criterio (por ejemplo, Gini, entropía, etc.)?
A: Lo llamamos Bootstrap Forest . Está disponible en JMP Pro.
P: ¿Podrías revisar VIF, por favor?
A:VFactor de inflación de la avarianza (VIF) está disponible para cada término del modelo cuando la distribución es normal. AltoVIFLos valores indican un problema de colinealidad entre los términos del modelo. Para ver el VIF,Haga clic con el botón derecho en la tabla de estimaciones de parámetros y seleccione Columnas >VIF o configúrelo en Preferencias para las opciones de Ajuste de modelo: Ajuste por mínimos cuadrados, Ajuste de respuesta y Ajuste mixto. Vea el video a continuación para obtener más información sobre VIF.
