幾個客戶 Predictum ，我們的分析解決方案公司，已要求我們幫助他們評估能力 JMP Pro 他們的數據和分析挑戰，我們已經取得了很好的成績。
我們已經看到JMP Pro中的高級建模功能提供了超越傳統建模方法的洞察力，特別是當存在變量之間過度擬合和多重共線性的可能性時。JMP Pro還提供了一些有用的工具，用於格式化數據，使後續分析更有效。為了描述JMP Pro中存在的優點，需要對這些統計和數據格式化問題進行簡要討論。
過度擬合和多重是大數據集的兩個常見問題。過度擬合當數據集具有比預測變量更少的觀測值並且在未利用交叉驗證的情況下發生。多重共線性當兩個或更多個預測變量彼此相關時發生。過度擬合和多重共線性都妨礙了線性最小二乘回歸中係數的充分估計，這是傳統統計中最常用的預測建模技術。
JMP Pro提供了許多用於解決過度擬合和多重共線性的工具。偏最小二乘法 （PLS）回歸是一種出色的預測建模技術，可以克服過度擬合和多重共線性，特別是當預測變量是連續的時。PLS回歸的一些最有用的功能，包括驗證方法的選擇以及用於輸入缺失數據的規定，僅在JMP Pro中可用。
提升樹木和自助森林當預測變量是分類時，它們是良好的預測建模技術，可用於抵抗過度擬合和多重共線性。這兩種先進技術也僅在JMP Pro中可用。神經網絡也是一種很好的預測建模技術，可以克服過度擬合。該平台定期發現 JMP ，但JMP Pro在構建高級神經網絡方面具有許多先進的功能和靈活性。
對於偏最小二乘回歸和神經網絡，一個稱為驗證的關鍵特徵值得進一步提及。驗證是一種誠實評估的方法，它允許您測量和比較使用各種技術構建的模型的預測能力。它涉及將數據集拆分為分區（例如，訓練集和測試集），使模型與訓練集擬合，預測測試集中的響應以及測量模型的預測能力。
可以使用不同的驗證變體，包括K-fold交叉驗證，它將數據集拆分為K個分區，並將每個分區作為測試集旋轉，同時將剩餘的分區組合到訓練集中;模型的預測準確性是從K個測試集測量的預測準確度的平均值。另一種流行且有效的驗證策略是分配觀察訓練，驗證和測試集。修復每個觀察的驗證角色創建了一個公平的競爭環境，用於比較不同的建模方法。
驗證是評估模型價值的有用技術，部分或全部驗證相關功能僅在JMP Pro中可用。
我們已將JMP Pro的高級功能用於各種應用，包括半導體工廠，化學操作和呼叫中心性能。我們已經使用JMP Pro將這些方法制度化，並且在某些情況下，在執行繁重分析工作的服務器上將常規JMP與SAS相結合。在JMP Pro中使用PLS平台，我們幫助一位客戶決定哪種設施佈局能夠最好地識別問題工具。我們還使用這些工具來研究測試和產量數據，以確定有問題的過程設置和工具配置的組合。我們的客戶對結果非常滿意。
