是什麼促使你提出這個願望清單請求？
此說明頁面（ https://www.jmp.com/support/help/en/19.1/#page/jmp/example-of-confidence-intervals-using-bagging.shtml ）介紹了一種使用 bagging 演算法為神經網路預測模型產生置信區間的方法。我認為，透過使用 RASE 作為常態誤差項的估計值，可以輕鬆地將此方法擴展到預測區間。此外，新的資料點和預測區間視覺化工具可以與此預測區間實作結合使用。這將允許使用者直觀地檢查模型對資料點的覆蓋情況。 JMP 目前僅對模型的點預測進行模型檢查。這將有助於確保誤差項也得到正確估計。
您希望看到哪些改進？
以下是 bagging 方法得到的信賴區間的輸出結果：
我使用 RASE 和常態誤差計算了預測區間，然後修改了列屬性，使用 JMP 18 中的新預測區間視覺化功能產生了類似這樣的圖表。基本上，我希望神經網路 bagging 產生的預設置信區間分析器產生的圖表類似於下圖，而不是上圖。我附上了幫助頁面中輪胎胎面範例的 JMP 表格，以便您可以查看我的計算和實作。第一個腳本「Bagging Profiler」與幫助頁面中的腳本完全相同。第二個分析器「Pred Formula ABRASION Profiler」是我自訂的分析器，增加了資料點和預測區間。
現在預測區間已經計算出來了，我可以既在分析器中直觀地檢查資料點覆蓋率，又在表格中以數值方式檢查資料點覆蓋率。
為什麼這個想法很重要？
令我感到非常奇怪的是，神經網路和類似的預測性黑箱模型明明應該擅長預測，卻或多或少忽略了不確定性。我一直希望能夠獲得預測區間，以便檢驗模型（包括誤差項）是否能很好地模擬現有數據和新數據。使用 bagging 產生置信區間是一個正確的方向，但你仍然無法透過將資料與平均置信區間進行比較來驗證模型。你需要將數據與預測區間進行比較。這種方法本質上提供了一種檢查誤差項本身有效性的方法，並將實際數據與模型的預測區間進行比較，以確保大多數數據點都落在預測區間內。所有這些都將提供另一種模型檢驗方法，如果模型擬合良好且預測區間覆蓋率也不錯，那麼就能增強人們對模型的信心。這種方法的優點在於，它應該可以用於大多數通常不具備置信區間或預測區間的模型，例如神經網路。
