2011 년 10 월 13 일 Mastering JMP 웹 캐스트 인 Aashish Majethia 시스템 엔지니어는 JMP 과 JMP Pro 고차원 데이터를 모델링합니다. 이러한 기술은 지표 (열)가 많지만 관측 (행)이 거의없는 경우에 유용합니다. 선형 회귀 기술을 사용하여 모델링을 어렵게 만드는 상황입니다.
Aashish는 유용한 기술을 시연했으며 현재 두 가지 주문형 데모 .
그는 Principal Component Analysis (PCA), Partial Least Squares (PLA) 및 단계별 회귀에 JMP를 사용하고 부스트 된 나무, 부트 스트랩 포레스트 및 신경망에 JMP Pro를 사용합니다. PCA는 관측치의 원래 세트에서 상관되지 않은 변수 세트를 생성함으로써 변동성을 설명하는 데 도움이됩니다. PLS는 예측 인자와 관찰 가능한 데이터로부터 잠재 인자를 생성합니다. 부트 스트랩 포리스트와 강화 된 나무를 사용하면 지나치게 낙관적 인 예측이나 사용 된 특정 데이터에 의한 비뚤어 짐 예측을 피할 수 있습니다. 신경망을 사용하면 교차 검증에 사용할 데이터를 결정하고, 활성화 함수를 선택하여 단층 및 두 계층 네트워크에 맞추고 누락 된 값의 처리를 자동화 할 수 있습니다.
Aashish가 데모에서 사용하는 데이터 테이블은 JMP에서 샘플 데이터 (HELP> SAMPLE DATA)로 사용할 수 있습니다.
목요일 라이브 웹 캐스트 2 회를 통해 2012 년을 마감합니다. 11 월 10 일, Mary Loveless는 소비자 제품을 개발하기 위해 감각 데이터를 분석하는 방법을 시연하고 11 월 17 일 Jeff Perkinson은 분석을 시각화하는 데 도움이되는 사용자 정의지도를 작성하는 방법을 보여줍니다. 관심이 있으십니까? 간단히 레지스터 우리와 함께하세요.
