Beim JMP-Webcasting am 13. Oktober 2011 demonstrierte Systems Engineer Aashish Majethia die Anwendung JMP und JMP Pro hochdimensionale Daten zu modellieren. Diese Techniken sind nützlich, wenn Sie viele Indikatoren (Spalten), aber nur wenige Beobachtungen (Zeilen) haben. Dies macht die Modellierung mit linearen Regressionstechniken schwierig.
Aashish demonstrierte einige nützliche Techniken, die jetzt als verfügbar sind zwei On-Demand-Demos .
Er verwendet JMP für die Hauptkomponentenanalyse (PCA), Partial Least Squares (PLA) und die schrittweise Regression sowie JMP Pro für verstärkte Bäume, Bootstrap-Wälder und neuronale Netze. PCA hilft, die Variabilität zu erklären, indem aus den ursprünglichen Beobachtungen ein Satz unkorrelierter Variablen erstellt wird. PLS generiert latente Faktoren aus den Prädiktoren und den beobachtbaren Daten. Mit Bootstrap-Gesamtstrukturen und verstärkten Bäumen können Sie vermeiden, Vorhersagen zu machen, die aufgrund der verwendeten Daten zu optimistisch oder verzerrt sind. Mithilfe von neuronalen Netzen können Sie bestimmen, welche Daten für die Kreuzvalidierung verwendet werden sollen, Sie können ein- und zweischichtige Netzwerke mit den von Ihnen gewählten Aktivierungsfunktionen einrichten und die Verarbeitung fehlender Werte automatisieren.
Die Datentabellen, die Aashish in den Demos verwendet, sind in JMP als Beispieldaten verfügbar (HELP> SAMPLE DATA).
Wir schließen das Jahr 2012 mit zwei weiteren Live-Übertragungen am Donnerstag ab. Am 10. November wird Mary Loveless zeigen, wie sensorische Daten zur Entwicklung von Konsumgütern analysiert werden, und Jeff Perkinson wird am 17. November zeigen, wie benutzerdefinierte Karten erstellt werden, mit denen Analysen visualisiert werden können. Interessiert? Einfach registrieren und dann komm zu uns.
