Argile barker a été occupé à étendre l'utilité de la Régression généralisée plate-forme dans JMP Pro, en ajoutant de nombreux nouveaux modèles et en améliorant la facilité d'utilisation. La régression généralisée (ou GenReg en abrégé) a fait ses débuts dans JMP Pro 11 en tant qu’endroit pour faire un trio de techniques de régression pénalisées populaires: Lasso , Filet élastique et crête . Ces techniques pénalisées sont attrayantes car elles conduisent à des modèles plus simples, moins sujets à surapprentissage . Après avoir ajouté davantage de techniques de modélisation et de sélection dans JMP Pro 12 et maintenant JMP 13, GenReg est devenu un lieu de choix pour la sélection de variables, rapidement et facilement, pour une grande variété de problèmes.
La sélection variable est l’essentiel de «l’art» dans la construction de modèles, et plus encore dans la génération de données de plus en plus volumineuses.
«Les clients demandent depuis un certain temps la sélection de variables pour les données d’événement, et GenReg pourra désormais le faire. Il n’existe pas beaucoup d’options simples pour sélectionner des variables dans autant de scénarios différents », déclare Clay, développeur statisticien en recherche senior chez JMP.
Vous pouvez maintenant utiliser la régression généralisée sur les données temporelles.
L'une des améliorations les plus importantes de la plate-forme de régression généralisée pour JMP Pro 13 est la capacité de gérer les données censurées pour effectuer une analyse paramétrique de la survie et des modèles de risques proportionnels. Son collègue développeur, Peng Liu, a même ajouté un lien vers la plate-forme de régression généralisée à partir de la plate-forme d'analyse de survie (dans JMP Pro).
La sélection de variables est un domaine de recherche actif en statistiques. Pour bien sélectionner les variables et créer des modèles vraiment utiles, vous avez besoin d’une panoplie d’outils et même d’approches hybrides utilisant des techniques de sélection automatisées telles que Lasso et Elastic Net. Mais la nature interactive de GenReg facilite l’adoption d’une stratégie hybride permettant d’explorer facilement d’autres modèles pris en charge par la technique de sélection automatisée. Maintenant, JMP Pro fournit de nouvelles méthodes de sélection de variables puissantes, y compris une méthode de sélection avancée à deux étapes modifiée - d'abord sur les effets principaux, puis sur les effets d'ordre supérieur impliquant les effets principaux, faisant de la régression généralisée un outil privilégié pour l'analyse d'expériences conçues.
Autre nouveauté dans JMP Pro 13, le Double Lasso, une technique de modélisation en deux étapes dans laquelle un premier passage des écrans Lasso pour les variables à sélectionner, puis un second passage du Lasso sont effectués sur les variables sélectionnées lors du premier passage. Effectuer deux passes du lasso sépare efficacement le processus de sélection et de retrait du lasso, ce qui peut conduire à de meilleures prévisions. Un autre point fort est l’ajout de la Critère d'information régularisé étendu (ERIC). ERIC est semblable dans l'esprit au Critère d'information bayésien , mais il a été dérivé spécifiquement pour le lasso adaptatif.
Vous pouvez en savoir plus sur l’avenir de JMP Pro 13 en visitant le page d'aperçu sur notre site Internet. Vous pourrez vous y inscrire pour regarder en direct le 21 septembre la tournée de l'architecte en chef de JMP John Sall, John Sall, et visionner de courtes vidéos sur JMP 13 et JMP Pro 13.
Anne Milley a écrit:
Merci d'être venu, Phil! Je pense que les utilisateurs seront très satisfaits des améliorations apportées par Clay.
Phil Kay a écrit:
Très excitant. Vous pouvez trouver le modèle le plus utile en utilisant la sélection de variable sur cette plate-forme. Et dans des situations où vous ne pouviez pas faire auparavant de sélection variable, comme les données censurées et les événements. Cela signifie que vous pouvez trouver les meilleurs modèles pour la survie du patient ou la valeur à vie du client. Ou pour l'analyse d'un DoE pour lequel vous avez des données censurées, par exemple lorsque la réponse correspond à la quantité d'une impureté chimique et que certaines analyses peuvent conduire à des résultats inférieurs à une limite de détection.
