-
JMP Pro
鎖定
- 中文名
- JMP Pro
- 開發者
- SAS公司
- 屬 性
- 統計發現軟件
- 適合人員
- 分析師、工程師、統計學家
目錄
- 1 JMP Pro軟件
- ▪ JMP Pro適合哪些人員
- ▪ 構建更佳的模型
- ▪ 改善預測模型
- ▪ 更好地構建管理模型
- ▪ 更有效的統計工具
- ▪ 預測建模和交叉驗證
- ▪ 模型比較
- ▪ 模型庫和生成評分代碼
- ▪ 連接SAS®的豐富資源
- ▪ 高級計算統計
- ▪ 分享和交流結果
- ▪ JMP Pro的其他功能
JMP ProJMP Pro軟件
JMP ProJMP Pro適合哪些人員
幾乎所有行業的分析師、工程師、統計學家、數據科學家、建模人員和數據挖掘人員。
JMP Pro構建更佳的模型
任何人都能對上一年的業績進行出色的整理和説明。但是，沒有適合的預測分析工具，就會大大增加通過建模預測新客户、新流程或新風險的難度。JMP Pro提供一系列豐富的算法，讓用户能夠利用現有數據構建高效的模型。
利用JMP Pro 構建更佳的模型
JMP Pro改善預測模型
利用各類數據增強預測模型的功效，其中包括所收集的非結構化文本數據，如修復日誌、工程報表和客户調查反饋等。可以通過JMP Pro對數據加以組織，將其轉化為實用的預測模型輔助信息，從而做出更自信的決策。
改善預測模型，幫助您做出更明智的決策
JMP Pro更好地構建管理模型
操作模型並不是一件苦差事 – JMP Pro讓用户能夠在處理多個模型的同時管理工作。可以對模型進行存儲、刻畫、對比，並通過生成代碼將其添加至SAS等其他系統中。
更好地構造及管理模型，讓您更加高效地部署您的模型
JMP Pro更有效的統計工具
JMP Pro提供一系列極為實用的統計工具，並輔以參與JMP開發工作的數學家和統計學家的支持。用户既不需要在功能中進行茫然的選擇，也無需編程，即可進行數據分析工作。此外，通過動態鏈接的數據、統計和圖形數據，JMP Pro能夠通過三維圖形或動畫生動呈現調查結果，從而生成極具價值的新見解以簡化您的説明。
提供有效的統計工具，讓您的工作如虎添翼
JMP Pro預測建模和交叉驗證
Bootstrap森林法可以識別所有可能對響應造成影響的變量
JMP Pro的“分割”平台採用先進的方法自動執行樹構建進程。此平台也適用於K最近鄰（K-NN）模型。
“自助法森林”採用隨機森林技術，能夠利用數據的隨機子集生成眾多決策樹，並計算這些決策樹中每個因子所造成影響的平均值。提升決策樹技術可以構建很多簡單樹，從而將一棵樹的殘差變異重複擬合至另一棵樹。
“樸素貝葉斯”平台採用Bayes定理原則，可用於預測分類響應。此平台甚至允許預測數據中未顯示的預測變量的組合。
藉助高級“神經”平台，用户可以利用所選的三種激活函數構建一層或兩層神經網絡，此外，該平台還提供採用梯度提升功能的自動模型結構。此平台能夠自動處理缺失值和連續X變換，可達到事半功倍的效果，並且包括可靠的擬合選項。
JMP Pro的所有平台均採用交叉驗證方法，既能實現模型驗證，又能將未來數據全面納入其中。為了更有效的進行預測建模，用户需要用有效的方法進行模型的驗證，而複雜的模型很容易導致過擬合。因此對於大型的複雜模型，我們總是需要進行交叉驗證。JMP Pro提供“數據劃分”或“保留”選項來執行該操作。交叉驗證技術能夠幫助您構建更好的模型，從而使得未來數據 - 關於新客户、新流程或者新的風險 - 也可以在這些模型上得到很好的應用，從而幫助您做出由數據驅動的未來決策。
一直以來，我們都通過將數據集劃分為訓練集、測試集和驗證集來避免過度擬合，以確保構建的模型不僅僅依賴於用來建模的樣本數據。JMP Pro一般會通過使用“驗證列”來實現交叉驗證。無論要達到何種目的，您都可以通過設置“驗證列”將原始數據劃分成不同的數據集（可採用隨機抽樣或分層隨機抽樣）。
訓練集用於構建模型，驗證集用於幫助用户在建模過程中針對模型的複雜程度做出選擇，而完全不參與建模過程的測試集，主要用於評估不同建模方法的好壞。對於數據量比較小的數據集，還會提供K重交叉驗證。此過程可幫助您構建有效推廣至新數據的模型。
需要注意的是，觀測數據的作用也僅限於此。要真正瞭解因果關係，多數情況下您可能需要採用實驗設計（DOE）。JMP為用户提供使用簡便、世界領先的最優DOE工具。
JMP Pro模型比較
在實際應用中，某些模型在一些特定的情況下擬合性較好，但在其他情況下則較差。JMP Pro提供多種擬合方法，我們需要找出在特定的情況下哪種方法的擬合效果最好。一般構建模型的典型思路是嘗試多種不同的模型：或簡單或複雜，包含或不-包含特定的因子/預測變量，採用不同的建模方法，甚至是多個模型的平均（組合模型）。
藉助“模型比較”平台，可以在一個平台/界面對模型進行比較
所有的這些模型都有相同的擬合指標用來判定模型的好壞：R2、誤分類率、ROC曲線、AUC、提升曲線等等。
使用JMP Pro的模型比較，用户可以對不同擬合模型生成的所有預測列進行比較，並選取擬合優度、簡約性、交叉驗證性組合最佳的模型。JMP Pro會自動給出最佳的結果。同時，還可以藉助模型刻畫器動態交互地查看每個模型選取的關鍵因子有哪些。藉助JMP Pro的模型比較功能，用户可以方便地對多個模型同時進行比較，還能根據需要進行模型平均。
JMP Pro模型庫和生成評分代碼
當構建多個模型時，用户的數據表將不再因包含執行模型比較所需的大量額外預測公式列而負擔過重。可將評分代碼保存至“公式庫”並應用至新數據。結果為中央建模中心，讓用户可輕鬆訪問您的模型並部署至其他系統。
公式庫是用於組織、比較、刻畫、存儲和部署JMP Pro內置模
JMP Pro連接SAS®的豐富資源
作為SAS預測分析和數據挖掘解決方案之一，JMP Pro能夠輕鬆與SAS進行連接，擴展其分析功能，依託並藉助強大的SAS分析與數據集成能力。無論是否與SAS相連接，JMP Pro均可輸出SAS代碼，使用新數據對JMP構建的模型進行快速、輕鬆的評分。
使用交叉驗證構建多層神經網絡模型並自動生成相應SAS評分代碼
JMP Pro新型建模
廣義迴歸是站在模型改進的角度而提出的一系列新的建模方法。該方法通過正則化即引入懲罰項進行迴歸來進行模型的擬合與估計。
當預測變量之間存在強相關或者預測變量數大於觀測個數時，標準的迴歸方法基本是行不通的。而預測變量之間存在多重共線性（實際情況常常如此），逐步迴歸法或者其他標準的迴歸方法也得不到令人滿意的結果。這些模型往往會出現過擬合，在新數據的應用上表現很差。但是在建模之前如何確定該剔除哪些變量--或者更糟的情況是，你要花費多少時間來手動篩選變量用以構建最終的模型
擬合模型中的“廣義迴歸”在進行迴歸時，基本會包含所有的變量和信息。廣義迴歸過程是一個完整的建模架構搭建過程，它可以幫助用户進行變量選擇、模型診斷，再到LS均值比較、逆預測乃至整個模型刻畫。這都是JMP Pro所特有的功能。
廣義迴歸特性中所涉及到正則化方法包括嶺、套索、自適應套索、彈性網絡和自適應彈性網絡，能夠幫助用户更好的識別對Y有重要影響的X變量。該方法與"擬合模型"平台下的其他建模方法一樣簡單易用--先確定響應變量，構建模型效應，再選擇合適的估計方法和交叉驗證方法。JMP可自動擬合您的數據，在合適時選擇變量，並構建可推廣到新數據的預測模型。還可以使用向前逐步迴歸技術，使用最大似然法執行分位數迴歸或簡單擬合。
最後需要指出的是，廣義分佈還為響應變量提供了多種分佈選項，因此當響應變量為計數數據、含有大量離羣點的數據或偏態數據時，都能夠進行很好的模型擬合。與JMP Pro中的所有高級建模平台相同，您可選擇交叉驗證技術。
JMP Pro可靠性框圖
用户會經常遇到這種需求：要分析一個較複雜分析系統（例如擁有多個硬盤的RAID存儲陣列，或者配備四個引擎的飛機）的可靠性。JMP為用户提供很多用於分析上述系統中單獨部分的可靠性的工具。而藉助JMP Pro，可以利用單一部件的可靠性，構建一個多部件的複雜系統並分析整個系統的可靠性。通過“可靠性框圖”，可以輕鬆設計並彌補系統弱點，獲得更詳實的系統信息，從而避免系統在將來發生故障。
藉助此平台，可通過查看不同設計和比較多個系統的設計圖，輕鬆執行假設分析。還可以確定最佳位置來添加冗餘，並降低系統故障的可能性。
JMP Pro可修復系統模擬
某些系統或複雜系統的部件離線時間過長會造成巨大損失。要保持這些系統的完整性，用户需要合理計劃系統部件的修復或通過在系統不可用期間完成額外修復，最大化出現意外停機時能夠實現的收益。藉助JMP Pro，可使用“可修復系統模擬”確定系統不可用的時長，並回答以下關鍵問題：在指定時間內將發生的修復事件數和每一修復事件的成本。
JMP Pro覆蓋矩陣
覆蓋矩陣用於檢測因子交互作用可能導致故障且每次實驗運行的成本十分高昂的應用。因此，需要設計一個試驗，在降低成本並縮短時間的同時，最大概率找到缺陷所在，實現利潤最大化。覆蓋矩陣可以幫助用户實現上述目標。可以使用JMP Pro進行實驗設計，對確定性系統進行檢測，並按照特定交互作用順序覆蓋所有可能的因子組合。
當出現不合理的因子組合時，可以使用交互式的“無效組合”過濾器，將這些因子設置組合從設計中自動排除。
運用JMP Pro進行覆蓋陣列設計的一個顯著優勢在於，JMP Pro不僅僅覆蓋陣列設計的工具，他更是一個強大的統計分析工具。可以在JMP Pro中進行各種統計分析。舉例來説，還沒有任何的覆蓋數組設計的軟件能像JMP Pro一樣可以使用廣義迴歸進行數據分析。這是JMP Pro相比其他覆蓋數組設計工具的巨大優勢。
嚴格地説，JMP Pro不僅僅是設計工具；它還可以導入任何軟件生成的覆蓋陣列設計，對其進一步優化並分析結果。用户可以自行設計陣列，不必依靠他人為用户構建實驗。JMP Pro的覆蓋陣列，讓測試變得更加智能。
在JMP Pro中設計、優化和分析覆蓋陣列。
JMP Pro混合模型
混合模型在分析中包含固定效應和隨機效應。用户可以利用這些模型分析同時涉及時間和空間的數據。例如，在進行藥物試驗時，往往存在多個受試者進行多次測量的情況，這時可以使用混合模型進行效應的估計。另外在製藥、生產或者化工行業經常會用到的交叉設計也適用於該情況。
JMP Pro提供混合模型的擬合，可以指定模型中的固定效應，隨機效應以及重複效應；指定測試的多個變量間的關聯效應，設定對象和連續性效應；以上所有操作均可在直觀的界面中拖放完成。
可創建和擬合混合模型，以分析同時涉及時間和空間的數據。
另外，對於多種情況下的數據相關您可以估計相應地協方差參數。比如我們對受試對象進行測量時，如果受試對象可以分為不同的羣體（比如來自同一個家庭），則來自同一個羣體的受試對象的數據存在相關性；又譬如對同一個受試對象進行多次測量時，則該受試對象的多次觀察數據之間可能存在相關性或者存在不同的變異。
如果存在空間上的相關性，則用JMP Pro構建混合模型時，可以很簡單的通過可視化的方式來決定您的數據到底適合什麼樣的空間協方差結構。
JMP Pro提升模型
企業也許只想給那些對營銷活動做出積極響應的個人發送產品和服務信息，以便在有限的市場營銷預算下獲取最大的收益。然而，這項任務可能看起來很艱鉅，尤其當企業面臨大量數據集以及包含眾多消費者行為和背景信息相關變量時更是如此。提升模型具有以下作用。提升模型又稱為增量建模、真提升建模或網絡建模，用於幫助優化市場營銷決策、確定個性化醫學協議，或者在更廣泛的方面來説，可用於識別可能對某項活動作出迴應的個人特徵。
提升模型可識別最有可能對某項活動作出積極響應的消費者羣體。
企業可藉助JMP Pro中的提升模型進行這些預測。JMP Pro對那些發現拆分的分割模型進行擬合，以實現處理差異的最大化。從而幫助您識別可能對某項活動作出積極迴應的特定人羣；進而制定有效的針對性決策，合理規劃資源，給此特定消費羣體帶來最強的衝擊。
JMP Pro高級計算統計
JMP Pro中的列聯表分析提供了精確統計檢驗，單因子方差分析平台則提供了精確非參數統計檢驗。此外，JMP Pro還包含可用於大多數JMP報表的Bootstrapping統計的一般方法。
Bootstrapping模擬了統計量的近似分佈。JMP Pro是一款無需編寫任何代碼，即可對統計量進行自助抽樣的統計軟件包。一鍵式bootstrapping意味着，只需點擊一下即可對JMP報告中的任何統計量進行自助抽樣。
只需點擊即可對JMP報告中的任何統計量進行Bootstrap
當用户面對的數據不符合教科書中對分佈的假設，或者某些統計方法根本不存在分佈假設，進而無法估計統計量的分佈參數時，BootStrap方法就可以派上用場了。比如，可用該方法對非線性模型中用來預測的係數進行bootstrapping的估計或者對分位數進行置信區間估計。還可以用Bootstrapping估計預測模型的不確定性。Bootstrapping讓用户可以在具有較少假設的估計中評估置信度 – JMP Pro中的一鍵式Bootstrapping使這項工作變得十分輕鬆。
JMP Pro分享和交流結果
JMP始終以發現為研究重點，堅持不懈地尋找在組織範圍內傳達這些發現成果的最佳方法。JMP Pro涵蓋了JMP的所有可視化和交互式功能，能為用户提供前所未有的數據研究方式。通過動態鏈接的數據、圖形和統計數據，JMP Pro能夠在三維圖形或動畫中呈現實時調查結果，顯示動態變化信息，從而產生極具價值的新見解，説明如何建模並詳細介紹流程。
JMP ProJMP Pro的其他功能
· 模型比較條件，用於比較多個擬合預測的擬合性
· 採用訓練、驗證和測試方法的模型驗證
·Bootstrap 森林，一種隨機森林技術
· 梯度提升決策樹
· 具有多達三種激活函數的多層神經網絡
· 具有早期停止規則的梯度提升神經網絡
· 交叉驗證逐步迴歸
· 對JMP 報告中多數統計量的一鍵式Bootstrapping
· 採用多向列聯表的精確關聯性測試
· 針對非參數單因子方差分析的精確測試
