여러 고객 예언 , 우리의 분석 솔루션 회사, 우리는 그들이 능력을 평가하는 데 도움을 요청했습니다 JMP Pro 그들의 데이터 및 분석 과제와 함께, 그리고 우리는 우수한 결과로 그렇게했습니다.
JMP Pro의 고급 모델링 기능은 기존의 모델링 방법에서 제공되는 것 이상의 통찰력을 제공합니다. 특히 변수 간의 과장 및 다중 선 선형 가능성이있는 경우에 유용합니다. JMP Pro는 또한 후속 분석을 효율적으로 수행 할 수있는 방식으로 데이터 서식을 지정하는 몇 가지 유용한 도구를 제공합니다. JMP Pro의 장점을 설명하기 위해 이러한 통계 및 데이터 형식 문제에 대한 간략한 설명이 필요합니다.
초과 적합 및 다중 공선 성 큰 데이터 세트의 두 가지 공통적 인 문제입니다. 피팅 데이터 집합에 예측 변수보다 적은 수의 관찰 값이있는 경우 및 교차 유효성 검사가 악용되지 않는 경우에 발생합니다. 다중 선선도 는 두 개 이상의 예측 변수가 서로 관련되어있을 때 발생합니다. overfitting과 multicollinearity는 기존의 통계에 사용되는 가장 일반적인 예측 모델링 기법 인 선형 최소 자승 회귀 계수의 적절한 추정을 방해합니다.
JMP Pro는 overfitting 및 multicollinearity를 해결하기위한 많은 도구를 제공합니다. 부분 최소 자승 (PLS) 회귀는 특히 예측 변수가 연속 일 때 overfitting 및 다중 공선 성을 극복하는 우수한 예측 모델링 기법입니다. 유효성 검사 방법의 선택과 누락 된 데이터를 입력하기위한 조항을 포함하여 PLS 회귀의 가장 유용한 기능 중 일부는 JMP Pro에서만 사용할 수 있습니다.
부스트 된 나무 과 부트 스트랩 숲 예측 인자가 범주 형 일 때 좋은 예측 모델링 기법이며 과핑 및 다중 공선성에 대응할 수 있습니다. 이러한 고급 기술은 모두 JMP Pro에서만 사용할 수 있습니다. 신경망 또한 overfitting을 극복하는 좋은 예측 모델링 기술입니다. 이 플랫폼은 일반 JMP 하지만 JMP Pro에는 고급 신경망을 구축하는 데 필요한 많은 고급 기능과 유연성이 있습니다.
부분 최소 제곱 회귀 및 신경망의 경우 유효성 검사라는 핵심 기능에 대해 언급 할 가치가 있습니다. 확인 는 정직한 평가 방법으로 다양한 기법을 사용하여 만들어진 모델의 예측 능력을 측정하고 비교할 수 있습니다. 여기에는 데이터 집합을 파티션 (예 : 교육 세트 및 테스트 세트)으로 분할하고, 모델을 교육 세트로 맞추고, 테스트 세트의 응답을 예측하고 모델의 예측 능력을 측정하는 작업이 포함됩니다.
데이터 세트를 K 파티션으로 분할하고 각 파티션을 테스트 세트로 회전시키는 한편 나머지 파티션을 트레이닝 세트에 결합하는 K- 폴 교차 유효성 검사 (K-fold cross-validation) 모델의 예측 정확도는 K 테스트 세트에서 측정 된 예측 정확도의 평균입니다. 또 다른 대중적이고 효과적인 검증 전략은 관측 훈련, 검증 및 테스트 세트를 할당하는 것입니다. 각 관측치에 대한 유효성 검사 역할을 고정하면 여러 모델링 방법을 비교할 수있는 수평적인 경기장이 만들어집니다.
유효성 검사는 모델의 가치를 평가하는 데 유용한 기술이며 유효성 검사 관련 기능의 일부 또는 전부는 JMP Pro에서만 사용할 수 있습니다.
우리는 JMP Pro의 고급 기능을 사용하여 반도체 팹, 케미컬 운영 및 콜 센터 성능을 포함한 다양한 애플리케이션을 사용했습니다. 우리는 JMP Pro로 이러한 방법을 제도화했으며 경우에 따라 정규 분석 JMP와 SAS를 결합하여 무거운 분석 작업을 수행했습니다. JMP Pro의 PLS 플랫폼을 사용하여 한 고객이 문제 도구를 가장 잘 식별 할 수있는 시설 레이아웃을 결정할 수있었습니다. 또한 이러한 도구를 사용하여 테스트 및 산출량 데이터를 연구하여 문제가되었던 프로세스 설정과 도구 구성의 조합을 확인했습니다. 우리 고객은 결과에 매우 만족합니다.
