JMP 18を使用したビデオは2025年5月に投稿されました。
予測モデルを使いたいけれど、まずは基本を理解したり、復習したりする必要があるでしょうか？予測モデリングを試してみたものの、開発したモデルの精度に不安を感じていませんか？特定の限界を超える測定ができないため、外挿に頼っているのではないでしょうか？
このセッション「JMPをマスターする」では、JMPとJMP Proのツールを使って予測モデルを構築し、よくある落とし穴を回避します。具体的には以下の内容を学びます。
- 過剰適合を防ぐためにモデルの検証を実行します。
- 無意味な予測は避けてください。
- 入力変数の多重共線性を解決します。
ライブ ウェビナーで@andreacoombs 、Momena Monwar @momenta 、 ジェド・キャンベル 、 チャーリー・ホイットマン 、 ビル・ウォーリーが回答した質問:
Q:共線性とはどういう意味ですか?
A:共線性は、2つの説明変数間の線形関係を示します。2つの変数間に完全な線形関係があり、相関が1または-1である場合、2つの変数は完全共線性を持ちます。2つ以上の因子間に共線性がある場合、通常は多重共線性と呼ばれます。
質問：多重共線性に Predictor Profiler を使用できますか?
答え:予測プロファイラーでは、傾きの変化に基づいて、共線性または相互作用効果があるかどうかを確認できます。
質問：予測変数のスクリーニングで相互作用項を見ることはできますか?
回答: Predictor Screeningは、Bootstrap Forestに基づいて列の寄与度を調べるための簡単なツールです。Predictor Screeningプラットフォームのインターフェースから交互作用項を直接確認することはできません。ただし、Bootstrap Forestを実行し、プロファイラーをオンにして交互作用を選択すると、その交互作用を確認できます。
質問： JMPは予測変数スクリーニングプラットフォームに、どの変数を含めるべきか、そして真のランダム変数であるべきかを二重チェックする手段として、ヌル因子を追加しますか？数年前の自動検証に関する講演で紹介されたヌル因子のようなものを考えています。
回答:ランダムな列を1つか2つ追加し、それらの列を予測スクリーニングプラットフォームのXカテゴリに含めることができます。そのランダム変数より下の値は、おそらく含めない方が良いでしょう。
質問：予測変数はいくつまでなら多すぎるのでしょうか？VIF値を目安として使用すべきでしょうか、それともモデルによっては50個以上の予測変数を含めることができるのでしょうか？
回答:通常、5～10を超えると共線性または多重共線性が発生します。このビデオと資料では、 VIFと共線性について説明します。
質問：相関／共線性のある変数を含めたくないのはなぜですか？なぜそれらを削除するのですか？
回答:例えばニューラルネットやブートストラップを使用している場合は、両方残しておくことができます。しかし、線形モデルを構築していて、それらのパラメータ推定値に相関がある場合は、両方を含める必要はありません。どちらか一方を残し、もう一方を削除することもできます。
質問：大量のデータでのみモデル検証を行うことはできますか？一部のデータを保持するために必要な最小限のデータ量はどれくらいですか？
回答:データが少なすぎると、過学習の可能性があります。また、モデルの種類によっても異なります。50/100個のデータで試してみて、データが多いほど良い結果が得られます。
質問：トレーニング行またはホールドバック行のいずれかでモデルをフィルター処理したとき、モデルは元の行を適用する代わりに、ホールドバック行で再トレーニングしていましたか?
回答:トレーニングセットはモデルの学習に使用されました。ホールドバック部分は最初はモデルに取り込まれず、モデルにとって未知のデータとみなされます。トレーニングモデルが完了した後、ホールドバック部分を使用して、モデルが未知のデータに対してどの程度正確に予測できるかを確認します。
質問：適合不足を除去するためにボックスコックス変換を使用する必要がありますか?
答え:できます。予測変数と応答変数の関係を線形化するのに役立ちます。
質問： Box Cox 変換を実行するときに再調整する必要があることを決定するラムダ制限は何ですか?
回答:基本的には、赤い線が下がっている場所と、青い水平線と交差する場所を確認します。そのため、その領域にあるものはおそらく再調整する必要はありませんが、水平線より上にある場合は、再調整が必要になる可能性があります。
質問：深さなど、ツリーに「制限」を設定する方法はありますか?
回答：標準のJMPでは、予測変数スクリーニングを起動する際にツリーの数を指定できます。JMP Proでは、モデルを調整する方法がさらに増えています。 予測変数選択アシスタントアドインは、予測変数スクリーニングでより正確な「線」を描くのに役立ちます。これは、JMPのシステムエンジニアであるスコット・アレンによって開発されました。
質問：ワイブル分布と正規分布が良さそうだと言うとき、それはどのようにして判断するのですか?
回答:この例では、検証列を含めませんでした。検証列がない場合は、情報基準を使用して最適なモデルを判断できます。異なるモデルのAICc値を比較します（例えば、ワイブル分布のAICcと正規分布のAICc）。これらの単位の大きさは重要ではありません。重要なのは、それらを互いに比較することです。したがって、数単位以内であれば、同じと見なすことができます。ワイブル分布と対数正規分布はここではかなり近い値ですが、どちらも指数分布や正規分布よりも大幅に小さくなります（AICCが低い）。別の方法としては、検証列を含めることで、検証R二乗または検定R二乗という別の列を作成できます。つまり、真のホールドアウトのR二乗を見て検定モデルを比較することも、最適なモデルを判断する別の方法です。ビデオをご覧ください：
このビデオでは、 JMP Pro を使用して相関データと高次元データの予測モデルを構築する方法を説明します。
質問：多重共線応答が有意な場合はどうすればよいでしょうか?
回答:共線性や多重共線性がある場合、p値とモデルは信頼できないため、それを信用しないでください。パラメータ推定値やモデルの有意性検定、あるいは予測を行う前に、多重共線性に対処する必要があります。
