JMP Pro ツリーベースの方法（パーティションプラットフォームのBoostrap Forest、Boosted Treeオプション）、ニューラルネットワーク、ペナルティ付き回帰分析（さまざまな方法）を使用して、データを使用して複数のモデルをすばやく構築するための優れたツールです。一般化回帰フィットモデルの性格）。
予測モデルを構築するときには、モデルを検証するための適切な方法が必要です。そうしないと、問題が発生しやすくなりすぎます。JMP Proの多くのモデリングプラットフォームは検証カラムをサポートしています。検証列は、トレーニング部分と検証部分にデータを分割するために使用されます。トレーニングデータはモデルを構築するために使用され、検証データを使用してモデルを調整します。時には第三の分裂 - テスト - これまで入ってきた新しいデータをシミュレートするために使用されます。これにより、モデルではこれまでモデルから見えなかったデータを使って、モデルがどのように動作するかがわかります。
モデルの構築にデータの70％を使用し、モデルの検証または微調整のために30％を節約したいとしましょう。すべての行を無作為にサンプリングすることが最善の方法かもしれないと思うかもしれません - しかし、たくさんの外れ値やまれなイベントを扱っているなら、それは容易に問題を引き起こす可能性があります。単純な無作為標本であれば、重要なデータポイントすべて（稀なイベントなど）をトレーニングセットまたは検証セットに簡単に配置できます。これは最適とは言えないモデリング条件を作成し、あまり有用ではないモデルを構築する可能性があります。
JMP ProのNeuralプラットフォームを使用すると、わずか数ステップで偏りのないバランスの取れた検証列を自動的に作成できます。私はBoston Housingデータセットを使用しています。これはJMPのサンプルデータ（[ヘルプ]> [サンプルデータ]）にあります。このデータについて、私は家の右辺値可能性のある予測子の数に基づいています。以下の分布は、応答が多数の高い値を持つことを示しています左辺値確認したいことは、トレーニングセットと検証セットに等しく分けられます。
Neural Model Launchでは、検証方法のホールドバック比率を指定できます。私は70/30に分割したいので、.3を入れます。Neuralプラットフォームは自動的に回答を最低値から最高値へとソートしてから、希望の割合に基づいてトレーニングセットまたは検証セットにレコードをランダムに割り当てます。
ここでは実際のNeuralモデルには特に興味がないので、デフォルトを受け入れて「Go」をクリックします。次に、フィットの赤い三角メニューから、[Save Validation]オプションを選択します。
これにより、データテーブルに新しい[検証]列が自動的に作成され、各行に "Training"または "Validation"というタグが付けられます。
検証として、Distributionをレスポンスに再度当てはめると、によってトレーニングセットと検証セットの特性は非常に近いことがわかります。Neuralプラットフォームは私のデータをインテリジェントな方法で自動的に分割するという素晴らしい仕事をしました。
これで、私は自分のモデルを構築するプロセスを始める準備ができました - 私は自分のデータを使って最も有益で有用なモデルを構築することを可能にするしっかりしたデータ分割スキームを持っています。ありがとうクリスゴットワルトこの強力な機能を私に示してくれたNeural Platformの開発者である。私がこれまでに見つけたことは確かにそれはJMP Proでバリデーションコラムを構築するための最も早くそして最も信頼できる方法でした。
ダニエル・ヴァレンテ書きました：
スコット、ありがとう。あなたは正しいです、あなたはこの方法で訓練と検証セットを作り出すことができるだけです。テストセットは、（プラットフォームの起動時に）検証列を使用している場合にのみ使用できます。
スコットワイズ書きました：
素晴らしいブログダン！この方法でTest、Train、Validateの分割もできますか？それともTestとTrainの分割のみですか？私は答えを知っていると思うが（いいえ）、確認したかった！
