JMP Pro gradation

Neu in JMP® Pro 13

Als erweiterte Analyseversion unserer Software enthält JMP Pro alle Funktionen, die Anwender von JMP kennen und schätzen – und mehr. JMP Pro 13 bietet Benutzern neue Funktionen, weitere Verbesserungen des Vorhersagemodelle-Arbeitsabläufe sowie Leistungsverbesserungen in nahezu allen JMP Pro-Plattformen.

So erhalten Sie JMP Pro 13

Neu in JMP Pro 13

Text Explorer-Analysen

Der neue Text Explorer von JMP 13 ist eine Plattform für die Verarbeitung unstrukturierter Daten. Während JMP 13 Methoden für die grundlegende Wort- und Begriffsextraktion bereitstellt, bietet JMP Pro zusätzliche wichtige Fähigkeiten für multivariate Analyse und Dimensionsreduktion, sodass Benutzer Textdaten in ihre Vorhersagemodelle einbeziehen können.

JMP Pro kann die Textdatentypen verarbeiten, die praktisch jedem Benutzer vorliegen, wie Reparaturprotokolle, Freitext-Umfragen, lange Beschreibungsfelder und offene Kommentare, um nur ein paar zu nennen. Durch die Verwendung maßgeschneiderter Analysen können Sie diese Textdaten in numerische Daten konvertieren, die von den Modellierungsplattformen von JMP Pro direkt genutzt werden können. Sie können die Informationen aus Ihren unstrukturierten Daten nun in Ihr bevorzugtes JMP Pro-Modell einbeziehen, sei es in einen Bootstrap Forest, ein neuronales Netz oder die generalisierte Regression.

Durch die Ergänzung Ihrer bereits vorhandenen Prädiktoren mit den Textdaten können Sie Modelle mit besserer externer Aussagekraft erstellen. Wenn Sie sich die Mühe machen, alle diese unstrukturierten Daten in Ihrer Datenbank zu speichern – warum lassen Sie sie nicht für sich arbeiten?

Formeldepot und Generieren von Scorecode

Für den Vergleich mehrerer Modelle mussten in früheren Versionen von JMP für jedes Modell Vorhersagespalten in der Datentabelle gespeichert werden. In einigen Fällen – wie etwa neuronalen Netzen – wurde dadurch der Speicherbedarf der Tabelle erheblich erhöht. Außerdem war die Namenskonvention für die neuen Spalten nur an den Namen der Spalte gebunden, deren Werte vorhergesagt wurden, und nicht an die Plattform, in der das Modell angepasst wurde. Dadurch war nur schwer erkennbar, welche Plattform zum Erstellen einer bestimmten Vorhersageformelspalte verwendet wurde. Das Formeldepot von JMP 13 Pro erfüllt nicht nur all diese Anforderungen, sondern macht die Nutzung von Modellen auch wesentlich einfacher durch die Bereitstellung eines zentralen Repository zum Organisieren, Analysieren, Vergleichen und selektiven Verwenden von Modellen in C, JavaScript, Python, SQL oder SAS®.

Verbesserungen der verallgemeinerten Regression

Ziel der verallgemeinerten Regression von JMP Pro ist es, alle Ihre Modellierungsanforderungen zu erfüllen. Die verallgemeinerte Regression ist der moderne Ansatz von JMP für verallgemeinerte lineare Modelle und Variablenauswahl. Sie ist außerdem ein erstklassiges Werkzeug für die Analyse von Versuchsplänen und Beobachtungsdaten – selbst für Lebensdauerdaten: alles in einer einzigen Funktion.

Die in JMP 13 bereitgestellte dritte Version der verallgemeinerten Regression enthält eine Reihe erweiterter und neuer Optionen:

  • Doppel-Lasso-Option: Prüft Variablen mit einem ersten adaptiven Lasso und verwendet die resultierenden Parameterschätzungen als Gewichtung für eine zweite Prüfung mit einem adaptiven Lasso, wodurch das Modell verfeinert wird
  • Neue Option zur zweistufigen Vorwärtsauswahl: Bei einem ersten Durchgang der Vorwärtsauswahl werden nur Haupteffekte berücksichtigt, bei einem zweiten Durchgang werden dann die Wechselwirkungen und Terme höherer Ordnung ausgewählt. Diese Technik bietet hervorragende Eigenschaften für die Modellauswahl bei der Versuchsplanung
  • Sie bietet die Verarbeitung zensierter Daten für eine Variablenauswahl bei der Anpassung von Lebensdauer-/Zuverlässigkeitsdaten, Unterstützung des Cox-Modells für Proportional Hazards sowie Unterstützung für Weibull-, lognormale und normale Verteilung
  • Allgemeine Verbesserungen:
    • Neue Modellauswahlkriterien, ERIC, speziell entwickelt für Probleme der pönalisierten Regression
    • ROC, Lift-Kurven
    • Konfusionsmatrizen
    • Kumulierte Verteilungen und Quantilanalysen (wie parametrische Lebensdauer)
    • Unterstützung für Modelle ohne Konstante und ordinale Prädiktoren
    • Neustart mit aktiven Effekten. Bessere Modelldiagnosen. Möglichkeit, eine Simulationsformel zu speichern, die in der Funktion „Simulieren“ verwendet werden kann

Simulation reparierbarer Systeme

In früheren JMP Versionen konnten Simulationen nur für Zuverlässigkeitsszenarios verwendet werden, in denen ein Fehler das Ende der Lebensdauer für das System bedeutete. Ein komplexes, teures System bestehend aus vielen zu wartenden Komponenten – zum Beispiel ein Flugzeugmotor – wird normalerweise nach Möglichkeit repariert entsorgt, wenn ein Problem auftritt. Mit der Simulation reparierbarer Systeme von JMP 13 Pro ist nun die Analyse reparierbarer Systeme möglich, sodass Sie Fragen wie die folgenden beantworten können:

  • Wie lange ist die durchschnittliche Zeit zwischen Problemen innerhalb der „Betriebsdauer“ der Einheiten?
  • Wie hoch ist die Verfügbarkeit der Einheiten? Das heißt, wie groß ist der Zeitanteil, in dem die Einheiten funktionsfähig sind?
  • Wie hoch sind die erwarteten Reparaturkosten während der Betriebsdauer der Einheiten?
  • Welche Komponenten sind vorrangig für Ausfallzeiten und Wartungsaufwand verantwortlich?
  • Für welche Komponenten sollten die Reparaturzeiten anderer Einheiten für eine Reparatur bzw. einen Austausch genutzt werden?

Da die Plattform „Simulation reparierbarer Systeme“ in JMP Pro 13 dieselbe Benutzeroberfläche verwendet wie die Plattform „Zuverlässigkeitsblockdiagramm“, müssen Zuverlässigkeits-Ingenieure kein neues Werkzeug erlernen – sie können sofort mit dem Erstellen von Modellen beginnen.

Allgemeine Simulationsfunktionen

Statistiker und Analysten verwenden Simulationen zur Auswertung neuer statistischer Methoden, zum Schätzen der Power für nicht standardisierte statistische Tests und für parametrisches Bootstrapping. In JMP 13 wurde der Zugriff auf allgemeine Simulationsfunktionen erheblich erweitert. Anwender müssen nun keinen eigenen JSL-Code mehr schreiben, um Simulationen durchzuführen und Ergebnisse zu analysieren. Diese Funktion ist von den meisten Plattformen aus verfügbar, die „Automatische Neuberechnung“ oder „Bootstrap“ als Optionen im roten Dreiecksmenü anbieten.

DOE ist ein weiterer Bereich, in dem Simulationen nützlich sind. In Versuchsplänen sind Ergebnisse nicht immer normal oder annähernd normal verteilt. Vor allem Systemtests können Daten generieren, die auf einer bestimmten Anzahl oder auf den Ergebnissen „bestanden“ bzw. „nicht bestanden“ basieren. Die Plattform „Design nach Maß“ in JMP 13 kann nun realistische Antwortdaten für diese Experimente generieren. JMP Pro-Benutzer können diese simulierten Ergebnisse zusammen mit den allgemeinen Simulationsfunktionen von JMP Pro verwenden, um die Power der Versuche zu ermitteln.

Außerdem wurde in JMP Pro das Analysediagramm durch das „Bagging“ (Bootstrap-Aggregation) erweitert, das es dem Benutzer ermöglicht, Vorhersageintervalle in Situationen zu erstellen, in denen keine Vorhersageintervallformeln vorhanden sind. Die Erstellung einer Validierungsspalte war früher ein weitgehend manueller Vorgang, der viele Klicks erforderte, um einen Datensatz in Training, Validierung und Test zu unterteilen. Wenn mehr als eine einfache zufällige Stichprobe der Daten für die Unterteilung benötigt wurde, mussten ein Add-in oder andere Verfahren verwendet werden, um die besten Splits zu generieren.

Nun können Sie Daten abhängig von dem Problem mithilfe eines von mehreren Algorithmen unterteilen. Wenn Sie in einer Analyseplattform auf die Validierungsspalte klicken, ohne vorher eine Spalte auszuwählen, werden Sie aufgefordert, eine Validierungsspalte zu wählen. Sie können in der Plattform aber auch selbst direkt eine Validierungsspalte erstellen. Sie müssen somit die Analyse nicht unterbrechen und können einfacher und mit weniger Klicks eine Validierung der Modelle durchführen.

Hierarchischer Bayes

Choice-Modelle können Unternehmen bei der Entscheidung helfen, welche Produkte und Funktionalitäten für ihre Kunden am wichtigsten sind und wie viel Kunden bereit sind, für bestimmte Funktionalitäten zu zahlen.

Ein Choice-Modell, das alle Kunden gleich behandelt, liefert Schätzungen, in denen die Präferenzen aller Personen gemittelt werden. Da verschiedene Personen jedoch sehr häufig ganz unterschiedliche Präferenzen haben, erfüllt das vom Modell ermittelte „optimale“ Produkt zwar die Anforderungen des – nicht existierenden – „gemittelten“ Kunden, findet aber bei keinem der tatsächlichen Kunden Anklang.

Für diese Fälle unterstützt JMP 13 Pro die hierarchische Bayes-Analyse, in der diese Unterschiede angemessen modelliert werden können. Sie erhalten damit bessere Ergebnisse und höherwertige Modelle aus Ihren Choice-Designs und können die Informationen aus Ihrem begrenzten Versuchsbudget maximieren.

Zusammenhangsanalyse

Die Zusammenhangsanalyse (häufig auch als Warenkorbanalyse bezeichnet) ist die Identifikation von Elementen, die bei einem bestimmten Ereignis, Datensatz oder einer Transaktion zusammen auftreten.

Hier einige Beispiele für Zusammenhangsregeln:

  • Achtzig Prozent der Einkäufer, die Produkt A kaufen, erwerben auch Produkt B
  • Bei vierzig Prozent der Reparaturen, bei denen Teil A repariert wird, muss auch Teil B repariert oder geprüft werden
  • Zwanzig Prozent der Personen mit Risikofaktoren A, B und C haben im Alter von 50 Jahren die Erkrankung X

Die Kenntnis solcher Zusammenhänge kann im Entscheidungsfindungsprozess in Kontexten wie Marketing, Gesundheitswesen und Produktzuverlässigkeit sehr wichtig sein.

Sie können mit der Zusammenhangsanalyse-Plattform in JMP Pro auch die Singulärwertzerlegung (Singular Value Decomposition, SVD) verwenden, eine Dimensionsreduzierungstechnik zur Gruppierung ähnlicher Transaktionen. Die Einzelvektoren können dann in Vorhersagemodell-Plattformen eingesetzt werden.

Gauß-Prozess

Gauß-Prozess-Modelle dienen zur Modellierung der Beziehung zwischen einer stetigen Zielgröße und einem oder mehreren stetigen Prädiktoren. In früheren Versionen von JMP Pro war die Durchführung dieser Modelle bei großen Datenmengen zeitaufwendig. Bei Modellen mit kategorialen Faktoren waren sie – unabhängig von der Tabellengröße – überhaupt nicht möglich. In JMP Pro 13 wurden beide Probleme beseitigt, sodass die Einsatzmöglichkeiten von Gauß-Prozess-Modellen nun deutlich umfangreicher sind.

Verbesserungen für gemischte Modelle

In JMP 13 bietet die Funktion der gemischten Modelle in der Plattform „Modell anpassen“ eine Reihe neuer Kovarianzstrukturen (Ungleiche Varianzen, Austauschbar, Antedependent, Toeplitz), wodurch sie in einer Vielzahl neuer Kontexte angewendet werden kann.

Partitionsverbesserungen und naiver Bayes

JMP Pro 13 bietet Ihnen mehr Kontrolle über die Plattform „Partition“. Mit Modelloptimierungstabellen können Sie Modelle über ein Raster von Parameterwerten ausführen. Die Randomisierung der Option für stochastisches Gradient Boosting von Boosted Trees bietet dabei Schutz vor Überanpassungen. Der Naiver-Bayes-Klassifikator ist ebenfalls verfügbar.

Dokumentation

Laden Sie eine PDF-Datei der neuen Funktionen in JMP und JMP Pro herunter oder verwenden Sie unsere durchsuchbare Online-Dokumentation.

Back to Top