Il existe de nombreuses façons de générer un modèle, telles que la régression linéaire de base, les arbres de décision, les réseaux de neurones et les modèles linéaires généralisés. JMP Pro peut être un excellent outil pour les fouilleurs de données, ceux qui souhaitent tirer davantage d’informations de leurs données et créer des modèles prédictifs plus précis. Il intègre des algorithmes traditionnellement compliqués qui, en vrai JMP même un novice peut créer rapidement des modèles puissants. Les forêts bootstrap, les arbres optimisés et les réseaux neuronaux multicouches optimisés ne sont qu'un échantillon des puissants outils de JMP Pro. L'un des éléments qui font de JMP Pro un puissant outil d'exploration de données est sa capacité à créer, ajuster et tester votre modèle en une seule étape.
Il y a quelque temps, ce blog contenait un excellent article sur le concept de formation, validation et test ensembles pour construire vos modèles. Construire un modèle non seulement descriptif, mais aussi prédictif, il est essentiel de valider votre modèle et de le tester par la suite.
La première étape, décrite dans l'entrée de blog, consistait d'abord à diviser vos données en trois groupes: parties de formation, de validation et de test. Ensuite, vous créez un modèle basé sur la partie formation de vos données qui a capturé le comportement des données (votre système) et pas seulement le bruit. Une fois que vous avez créé un modèle légitime, vous appliquez ce modèle à l'ensemble de validation. Si vous avez créé un modèle qui capture le comportement sous-jacent, vous devriez obtenir un comportement similaire. Si vous ne le faites pas, vous devez revenir en arrière et construire un autre modèle. ce processus peut aller et retour plusieurs fois. Une fois que vous obtenez un modèle qui donne un comportement similaire dans la validation créée avec l'ensemble d'apprentissage, vous vous attendez à ce que le modèle soit répétable de sorte que vous appliquiez le modèle à l'ensemble d'essai.
JMP Pro est une avancée majeure dans la simplification du processus. La première amélioration introduite est un moyen beaucoup plus simple de générer une colonne de validation. Dans JMP, choisissez Cols -> Nouvelle colonne, Initialiser les données -> Aléatoire -> Indicateur aléatoire. La colonne Indicateur aléatoire présente par défaut les valeurs 0 (Formation), 1 (Validation) et 2 (Test). Vous pouvez maintenant choisir la partie des données que vous souhaitez utiliser pour chaque étape.
La plupart des plates-formes de modélisation de JMP Pro disposent désormais d’une option permettant de saisir une colonne de validation. Cela vous permet de terminer le long processus de création, de réglage et de test de vos modèles, comme je viens de le décrire ci-dessus, en une étape simple. Pendant que vous entrez vos variables, choisissez votre nouvelle colonne comme option de validation.
Un fait statistique est que toutes les techniques de modélisation ne fonctionnent pas bien pour tous les ensembles de données. Chaque technique a ses forces et ses faiblesses; chacun peut vous apprendre quelque chose de différent à propos de vos données. L'un des points forts de JMP Pro est qu'il offre plusieurs techniques de modélisation sous un même toit. Vous pouvez essayer chaque algorithme, évaluer ses performances et même enregistrer le modèle (formule de prédiction) dans la table de données en tant que nouvelle colonne. JMP Pro Version 10 vous permet maintenant de comparer vos modèles une fois qu'ils ont été construits.
Exécutez la plate-forme de comparaison de modèles et choisissez les modèles que vous souhaitez comparer (ou laissez JMP les choisir).
Dans cet exemple, la forêt Bootstrap semble avoir généré le meilleur modèle. Si plusieurs modèles ont des statistiques similaires, une autre méthode pour afficher les modèles consiste à utiliser la plate-forme interactive Profiler. Cela vous permet non seulement de développer une compréhension intuitive du fonctionnement du modèle, mais également de montrer en quoi différentes entrées peuvent affecter la sortie. Vous pouvez télécharger les données que j'ai utilisées dans ce blog de l'échange de fichiers JMP et essayez-le vous-même! (Remarque: le téléchargement nécessite un profil SAS gratuit.)
Mrinal a écrit:
Est-il possible d'effectuer une validation croisée dans JMP pour la régression, le réseau de neurones et le modèle de processus gaussien?
Mohammad Mirwais a écrit:
Cher Monsieur ou Modam, Je suis un nouvel étudiant et je veux créer un modèle pour le jeu de données que j’ai maintenant. Je suis nouveau chez JMP. J'ai?
Votre coporation sera beaucoup plus appréciée.
Craig Burkhart a écrit:
Arka,
Les ensembles de formation, de validation et de test entrent normalement en jeu pour des techniques telles que les réseaux de neurones et les techniques associées. Dans la régression de réseau neuronal standard, l'ensemble d'apprentissage est utilisé activement pour créer le modèle actuel. L'objectif de l'ensemble de validation est d'indiquer à l'étape de construction du modèle à quel moment arrêter la formation. En règle générale, une métrique de la qualité du modèle, par exemple, rms error, est échantillonnée sur le jeu de validation. Une fois l'erreur efficace en fonction du nombre d'itérations (ou époques dans le réseau neuronal) s'aplatit pour l'ensemble de validation, l'échantillon d'algorithmes de réseau neuronal typique pour le moment où l'erreur efficace commence se lever. Si la hausse se poursuit pendant une certaine période, par exemple 5 à 10 périodes, l'optimisation est arrêtée et renvoyée au point juste avant la hausse . Comme l'algorithme de régression a utilisé le jeu de validation pour détecter ce point final, il ne peut techniquement pas être utilisé comme test de la valeur prédictive du modèle. C'est là qu'intervient l'ensemble de tests standard.
Arka a écrit:
Merci Aashish. Cela semble vraiment utile. Je vais vous demander pourquoi vous avez besoin d'un jeu de données de validation, puis d'un jeu de test. Ils semblent remplir la même fonction. Est-ce une question de passer le modèle à travers 2 filtres pour voir sa valeur prédictive?
