JMP Pro 트리 기반 메소드 (Boostrap Forest, Partition 플랫폼의 Boosted Tree 옵션), 신경 네트워크 및 불이행 회귀 (다양한 유형의 메소드를 사용하여 데이터를 사용하여 여러 모델을 신속하게 구축 할 수있는 훌륭한 도구입니다. 일반 회귀 분석 성격에 맞는 모델).
예측 모델을 만들 때 모델 유효성을 검사하는 확실한 방법이 필요하거나 쉽게 과장 될 수 있습니다. JMP Pro의 많은 모델링 플랫폼에서 유효성 검사 열을 지원합니다. 유효성 검사 열은 교육 및 유효성 검사 부분에서 데이터를 분리하는 데 사용됩니다. 훈련 데이터를 사용하여 모델을 작성하고 확인 데이터는 모델을 튜닝하는 데 사용됩니다. 때로는 세 번째 분할 - 테스트 - 이전에 모델에서 볼 수 없었던 데이터로 모델이 수행하는 방식을 볼 수 있도록 새로운 데이터를 시뮬레이션하는 데 사용됩니다.
데이터를 작성하는 데 70 %의 데이터를 사용하고 30 %를 저장하여 모델의 유효성을 검사하거나 미세 조정하고자한다고 가정 해 보겠습니다. 행의 모든 샘플을 무작위로 추출하는 것이 가장 좋은 방법이라고 생각할 수도 있지만, 많은 이상 치나 희귀 한 이벤트를 처리하는 경우 문제가 발생할 수 있습니다. 간단한 무작위 표본은 훈련 세트 나 유효성 검사 세트에 중요한 모든 데이터 포인트 (예 : 드문 이벤트)를 쉽게 배치 할 수 있습니다. 이렇게하면 최적의 모델링 조건이 만들어지지 않고 그리 유용하지 않은 모델을 만들 수 있습니다.
JMP Pro의 Neural 플랫폼을 사용하면 단 몇 단계만으로도 편향되지 않고 균형 잡힌 유효성 검사 컬럼을 자동 생성 할 수 있습니다. JMP의 샘플 데이터 (도움말> 샘플 데이터)에있는 Boston Housing 데이터 세트를 사용하고 있습니다. 이 데이터에 대해 저는 주택의 mvalue 가능한 예측 인자의 수에 기반한다. 아래의 분포는 응답의 수가 많다는 것을 보여줍니다 mvalues 우리가 확실히하고 싶은 것은 훈련과 검증 세트로 똑같이 나뉘어져 있습니다.
Neural Model Launch에서 유효성 검사 방법에 대해 보류 비율을 지정할 수 있습니다. 나는 70/30으로 나뉘어서 필드에 .3을 넣을 것이다. Neural 플랫폼은 자동으로 응답을 가장 낮은 값에서 가장 높은 값으로 정렬 한 다음 원하는 비율로 훈련 또는 유효성 검사 세트에 임의로 레코드를 할당합니다.
저는 여기 실제 신경 모델에 특별히 관심이 없기 때문에 기본값을 수락하고 클릭 만하면됩니다 : 이동하십시오. 그 다음 적합 항목의 빨간색 삼각형 메뉴에서 "유효성 검사 저장"옵션을 선택하겠습니다.
이렇게하면 데이터 표에 "교육"또는 "유효성 검사"라는 태그가 지정된 각 행이 자동으로 새 유효성 검사 열을 만듭니다.
검증을 통해 응답에 Distribution을 다시 맞추면 으로 교육 및 유효성 검사 집합의 속성이 매우 비슷하다는 것을 알 수 있습니다. Neural 플랫폼은 자동으로 지능적인 방식으로 데이터를 분류하는 훌륭한 작업을 수행했습니다.
이제는 모델을 만드는 과정을 마칠 준비가되었습니다. 데이터를 가장 유익하고 유용한 모델로 만들 수있는 견고한 데이터 분할 체계가 있음을 알고 있습니다. 감사합니다. 크리스 고트 월트 , Neural Platform의 개발자로서 저에게이 강력한 기능을 보여 주셨습니다. JMP Pro에서 지금까지 발견 한 유효성 검사 열을 만드는 것이 가장 빠르고 신뢰할 수있는 방법이었습니다.
다니엘 발렌테 쓴 :
감사합니다 스콧, 다행스럽게도 즐거웠습니다! 당신이 맞다면, 당신은이 방법으로 훈련 및 검증 세트를 생산할 수 있습니다. 테스트 세트는 유효성 검사 열을 사용할 때만 사용할 수 있습니다 (플랫폼 시작시).
스콧 와이즈 쓴 :
위대한 블로그 댄! 이 방법으로 테스트, 트레인 및 밸리데이션을 수행 할 수 있습니까? 아니면 테스트 및 트레인 만 분할 할 수 있습니까? 나는 대답을 알고 있다고 생각하지만, 확인하고 싶었다.
