JMP用于交互式数据挖掘(Data Mining)
JMP产品群既提供探索性数据挖掘方法，又提供预测性数据挖掘方法。运用交互式数据挖掘，您可以在一个庞大的数据表中便捷地找到数据模式。而运用预测性数据挖掘技术，您就可以建立合适的模型来进行有效的预测了。
JMP不仅集成了像回归(Regression)和聚类分析(Clustering)这样的经典方法，还具备了建立决策树(Decision Tree)或回归树(Regression Tree) 以及神经网络(Neural Network)模型的强大能力。在JMP中，您可以非常方便地分割数据，建立、优化、验证和测试备选模型，而众多的可视化工具可以帮助你在单一的交互式环境中回顾和比较各种模型。
多线程代码和数据压缩技术意味着只要您的硬件条件允许，无论多么复杂的问题，您都能借助JMP进行处理。数据无处不在，JMP突出的易用性将帮助您以前所未有的方便、快捷和高效进行数据挖掘。
- 分割
- 神经元
- 聚类
JMP中的“分割”平台可以帮助您找到能够最好地预测输出变量(Y)变异的输入变量(Xs)的分隔或组。 这种分割数据的过程是递归进行的——您可以持续分割数据直到您获得有用的结果。您可以用如下方式中的任何一种来扩展分割数据的树形结构：Decision trees，Bootstrap forests 或者 Boosted trees（后两种在JMP Pro中具备）。
您完全可以基于训练和验证数据交互地建立一个决策树。
JMP中的“神经网络”平台可以帮助您建立完全互联的、具有一到两层隐藏节点的神经网络。每个节点可以具备三种不同激活功能中的一种，而且您可以在每个层中拥有任意的节点数。您还可以用Boosting算法来帮助您的神经网络分析高难度的问题，并根据需要指定四种惩罚项法中的一种。
比较一个boosted neural拟合上不同神经架构的效应
聚类分析是无监督学习的一种关键技术，它能生成不同的子组，每个子组的情况与其它子组的情况有明显的不同，JMP中的聚类分析平台能让您在分析之前缩放和转换数据，包括交互式层次聚类和K-means聚类。
层次聚类可以建立一个交互式的系统树图，您也可以在此基础上对感兴趣的子组进行进一步分析。热量图和平行坐标图可以帮助您判断最佳的子组数量。
Demos
应用案例
白皮书
Classification of Breast Cancer Cells Using JMP®
Interactive Data Mining and Design of Experiments
幻灯片演示
联系JMP中国区
86 21 61633088
- JMP中国区 电话: 86 21 61633088 • 上海市浦东新区陆家嘴环路1233号汇亚大厦15楼
- Terms of Use
- Privacy Policy
- Site Map
- Contact