예측 모델링 및 교차 검증

지난해 성과를 설명하는 일은 누구라도 어렵지 않게 해낼 수 있습니다. 그러나 신규 고객, 신규 프로세스 또는 신규 위험으로 인해 벌어질 일을 예측하는 모형을 개발하는 데 올바른 도구와 최신 기법이 없으면 큰 난관에 봉착하게 됩니다. JMP Pro에는 더 나은 데이터 모형을 구축하기 위한 풍부한 알고리즘 세트가 포함되어 있습니다. 예측 모델링에 가장 유용한 기법 중 일부는 결정 트리, 붓스트랩 포레스트, Naive Bayes 및 신경망입니다.

JMP Pro의 분할 플랫폼은 현대적인 방법으로 트리 구축 프로세스를 자동화합니다. 이 플랫폼은 K 최근접 이웃(K-NN) 모형에도 적합합니다.

랜덤 포레스트 기법을 사용하는 부트스트랩 포레스트는 데이터의 임의 부분집합을 사용하여 수십 개의 의사결정 트리를 확장하고 이 트리에서 각 요인의 영향력을 계산하여 평균값을 구합니다. 부스티드 트리 기법은 한 트리에서 다음 트리까지의 잔차 변동 적합을 반복하면서 다수의 간단한 트리를 구축합니다.

Naive Bayes 플랫폼은 Bayes의 정리 원칙을 사용하여 범주형 반응을 예측할 수 있습니다. 이 플랫폼은 데이터에 나타나지 않는 예측 변수 조합에 대한 예측도 허용합니다.

고급 신경 플랫폼에서는 3가지 활성화 기능과 그래디언트 부스팅을 이용한 자동 모형 구성을 선택적으로 이용하면서 1계층 또는 2계층 신경망을 구축할 수 있습니다. 이 플랫폼은 결측값과 연속 X의 변환을 자동으로 처리하므로 시간과 노력이 절약되고 로버스트 적합 옵션이 포함됩니다.

JMP Pro의 이러한 각 플랫폼은 교차 검증을 사용하여 모형을 검증하고 미래의 데이터에 대해 효과적으로 일반화할 수 있는 방법을 제공합니다. 효과적인 예측 모델링을 위해서는 확실하게 모형을 검증할 방법이 필요합니다. 큰 모형의 경우 과대적합 문제에 빠지기 쉽습니다. 큰 모형은 항상 교차 검증을 해야 합니다. JMP Pro는 데이터 분할 또는 검증 집합을 통해 교차 검증합니다. 교차 검증 기법을 통해 신규 고객, 신규 프로세스, 신규 위험과 관련하여 미래의 데이터에 효과적으로 일반화하는 모형을 구축할 수 있습니다. 즉 데이터에 기초하여 미래를 추론할 수 있게 됩니다.

구축 중인 모형이 과대적합을 피하고 모형 구축에 사용한 표본의 속성에 의존하지 않도록 데이터를 훈련, 검증, 테스트 데이터 세트로 분리하는 방법이 오래전부터 사용되고 있습니다. JMP Pro의 일반적인 교차 검증 방식은 검증 열을 사용하는 것입니다. 검증 열 유틸리티(순수한 임의 표본 또는 임의로 층화한 표본 이용)를 이용하면 서로 목적이 다른 세트로 데이터를 쉽게 분리할 수 있습니다.

훈련 세트는 모형 구축에서, 검증 세트는 모형 구축 과정에서 모형 복잡도를 결정하는 데 쓰입니다. 마지막으로 테스트 셋은 모형 구축 과정에는 관련되지 않다가 모형의 품질을 평가하는 데 쓰입니다. 작은 데이터 세트의 경우 K 폴드 교차 검증도 사용할 수 있습니다. 이 과정은 효과적으로 새로운 데이터로 일반화하는 모형을 구축하는 데 도움이 됩니다.

관측 데이터는 일부만을 설명할 수 있다는­점을 고려해야 합니다. 인과관계를 정확하게 이해하기 위해 실험계획법(DOE)을 여러 차례 적용해볼 수 있습니다. JMP는 최적의 DOE를 위한 세계적인 수준의 도구를 사용하기 쉬운 형태로 제공합니다.

모형 비교

현실에서 어떤 모형 유형은 상황에 따라 잘 맞을 수도, 그렇지 않을 수도 있습니다. JMP Pro에는 다양한 적합 방법이 있으므로 상황에 따라 가장 적합한 것을 찾아야 합니다. 일반적인 모형 구축 접근방식은 여러 모형을 시도해보는 것입니다. 복잡성이 더하거나 덜한 모형, 특정 요인/예측 변수가 있거나 없는­모형, 다른 모델링 방식으로 구축한 모형, 심지어 복수의 모형의 평균값(앙상블 모형)도 가능합니다.

이 각각의 모형은 공통 품질 측정값을 가지며, 이 값은 모형 평가에 사용할 수 있습니다. R2, 오분류 비율, ROC 곡선, AUC, 리프트 곡선 등이 해당합니다.

JMP Pro의 모형 비교를 사용하여 다양한 적합에서 저장한 모든 예측 열을 비교하고­적합도, 절약성, 교차 검증의 최상의 조합을 선택할 수 있습니다. JMP Pro는 이러한 비교를 자동으로 수행합니다. 동시에 각 모형에서 고른 중요 요인이 무엇인지 알아보기 위해 시각적 모형 프로파일러와 교호작용할 수 있습니다. JMP Pro의 모형 비교에서는 여러 모형을 동시에 비교하기 쉽고, 원한다면 간단한 모형 평균값도 구할 수 있습니다.

계산식 저장소와 점수 코드 생성

힘들여 모형을 관리하지 않아도 됩니다. JMP Pro의 계산식 저장소(Formula Depot)를 사용하면 다수의 모형을 다룰 때 체계적으로 작업할 수 있습니다. 이 중앙 리포지토리를 사용하면 C, SQL, SAS 또는 기타 언어로 JMP Pro 모형을 저장, 프로파일링, 비교 및 선택적으로 배포할 수 있습니다.

여러 개의 모형을 구축할 때 모형 비교에 필요한 수많은 추가 예측 함수 열이 데이터 테이블에 부담을 주는 일은 없습니다. 점수 코드는 계산식 저장소에 저장했다가 새 데이터에 적용할 수 있습니다. 그러면 중앙 모델링 허브가 생겨 모형 접근이 용이하고 다른 시스템에 배포하는 것도 간단합니다.

SAS®의 풍부한 기능과 연동

JMP Pro는 SAS 예측 분석 및 데이터 마이닝 솔루션인 만큼 SAS 환경에 손쉽게 연결하여 옵션을 확장하고 탁월한 깊이를 자랑하는 SAS 분석 및 데이터 통합에 액세스할 수 있습니다. 활성 SAS 연결 유무에 관계없이 JMP Pro는 출력한 SAS 코드와 JMP에 내장된 모형을 사용하여 새 데이터를 빠르고 쉽게 채점할 수 있습니다.

현대적인 모델링

일반화 회귀는 까다로운 데이터로도 더 나은 모델을 구축하는 데 적합한 새로운 모델링 기법입니다. 정규화 또는 벌점 회귀 분석 방법을 사용하여 일반화 선형 모형에 적합합니다.

상관관계가 강한 예측 변수가 있거나 관측치보다 예측 변수가 더 많을 때는 표준 추정 기법으로 감당할 수 없습니다. 그리고 (관측 데이터에서 종종 있는 일이지만) 다수의 상관관계 예측 변수가 있으면 단계별 회귀나 다른 표준 기법으로 만족스러운 결과를 얻지 못할 수도 있습니다. 그런 모형은 대개 과적합이거나 신규 데이터 일반화에 부적합합니다. 하지만 모델링 전에 골라낼 변수를 어떻게 결정할까요? 더 심각한 문제로, 모델링 준비 과정에서 데이터 세트를 수동으로 전처리하느라 얼마나 많은 시간을 허비합니까?

Fit Model의 일반화 회귀 개별 맞춤은 포괄적인 회귀 수행 방식입니다. 변수 선택, 모형 진단을 거쳐 LS 평균 비교, 역예측, 프로파일링까지 포괄하는 종합 모형화 프레임워크입니다. JMP Pro에서만 가능합니다.

일반화 회귀 분석법 내에서 사용할 수 있는 정규화 기법에는 Ridge, Lasso, adaptive Lasso, Elastic Net과 설명력이 있을 수 있는 X를 더 잘 식별할 수 있는 적응형 Elastic Net이 포함되어 있습니다. 이런 기법은 모형 적합의 다른 모델링 분석법만큼이나 쉽습니다. 반응을 식별하고, 모형 효과를 생성하고, 원하는 추정 및 검증 방법을 고르기만 하면 됩니다. JMP는 자동으로 데이터 적합을 수행하고 필요하다면 변수를 선택하여 새 데이터에 일반화할 수 있는 예측 모형을 구축합니다. 또한 전진 단계별 기법을 사용하거나 최대 우도를 사용하여 분위수 회귀 또는 단순 적합을 수행할 수 있습니다.

마지막으로 일반화 회귀는 모형화하는 반응에 대하여 적절한 분포를 선택하는 옵션이 주어지므로 개수, 이상치가 많은 데이터, 왜곡 데이터 같은 다양한 반응을 모형화할 수 있습니다. 그리고 JMP Pro의 모든 고급 모형화 플랫폼과 마찬가지로 교차 검증 기법을 선택할 수 있습니다.

신뢰도 블록 다이어그램

복수의 하드 드라이브가 있는 RAID 스토리지 어레이, 엔진이 4개인 비행기 등 복잡한 분석 시스템의 신뢰도를 분석해야 하는 경우가 종종 있습니다. JMP에는 그런 시스템에 포함된 단일 구성 요소의 신뢰도를 분석할 도구가 많습니다. 그러나 JMP Pro에서는 단일 구성 요소의 신뢰도를 파악하고 여러 구성 요소로 이루어진 복잡한 시스템을 구축하며 전체 시스템의 신뢰도를 분석할 수 있습니다. 신뢰도 블록 다이어그램을 이용하면 시스템 내부의 취약점을 쉽게 설계하고 수정할 수 있음으로, 더 많은 정보 파악을 통해 미래 시스템 장애를 예방할 수 있습니다.

이 플랫폼에서 서로 다른 설계를 살펴보고 여러 시스템 설계에서 도표를 비교하면서 쉽게 가정(what-if) 분석을 실시할 수 있습니다. 또한 이중화(redundancy)를 추가하고 시스템 장애 가능성을 낮출 최적의 위치를 결정할 수 있습니다.

수리 가능 시스템 시뮬레이션

어떤 시스템 혹은 복잡한 시스템의 구성 요소는 비용이 많이 들어가므로 오랫동안 오프라인으로 둘 수가 없습니다. 이런 시스템의 무결성을 유지하려면 시스템 구성 요소의 복구 일정을 계획하거나 시스템 사용 불가 기간에 다른 복구도 완수함으로써 계획에 없던 가동 중단의 실현 이익을 극대화해야 합니다. JMP Pro는 수리 가능 시스템 시뮬레이션을 사용하여 시스템 사용 불가 기간을 파악하고 그 기간에 예상되는 복구 가능 이벤트가 몇 건인지, 복구 이벤트 소용 비용이 얼마나 될지 등 핵심 사항에 답해줍니다.

덮기 배열

요인 교호작용이 장애로 이어질 수 있고 각 실험 실행에 많은 비용이 발생할 수 있는 응용 프로그램의 검사에 덮기 배열을 사용합니다. 이런 검사에서는 결함 발견 가능성을 최대화하고 비용과 시간을 최소화하는 실험을 설계해야 합니다. 덮기 배열로 가능합니다. JMP Pro에서는 결정적 시스템을 검사하는 실험을 설계하고 가능한 모든 요인 조합을 교호작용의 특정 순서까지 배열할 수 있습니다.

타당하지 않은 조건을 형성하는 요인 조합이 있으면 대화식의 허용되지 않는 조합 필터를 사용하여 설계에서 이러한 요인 설정 조합을 자동으로 배제할 수 있습니다.

JMP Pro 덮기 배열의 큰 장점 중 하나는 JMP Pro가 단순한 덮기 배열 설계 도구일 뿐 아니라 통계 분석 도구라는 것입니다. JMP Pro에서 모든 종류의 통계 분석을 수행할 수 있습니다. 예를 들어, 현재 일반화 회귀를 사용하여 데이터를 분석할 수 있는 덮기 배열 설계를 다루는 다른 소프트웨어는 없습니다. 이는 다른 덮기 배열 설계 도구에 비해
JMP Pro가 가지는 큰 장점입니다.

JMP Pro는 단순한 설계 도구에 그치지 않습니다. JMP Pro에서는 어떤 소프트웨어에서 만들었든 배열 설계 디자인을 가져와 더욱 최적화하고 그 결과를 분석할 수 있습니다. 다른 사람에게 의존할 필요 없이 직접 배열을 설계하고 실험을 만들 수 있습니다. JMP Pro에서 덮기 배열로 더 현명하게 검사하십시오.

혼합 모형

혼합 모형에는 분석의 고정 효과와 임의 효과가 모두 포함됩니다. 이런 모형에서는 시간과 공간을 모두 포함한 데이터를 분석할 수 있습니다. 예를 들어 약물 시험을 진행하면서 복수의 시기에 복수의 주체를 측정하는 연구 설계에서 혹은 제약, 제조, 화학 업종의 교차 설계에서 혼합 모형을 사용할 수 있습니다.

JMP Pro는 사용자 데이터에 대한 혼합 모형 적합이 가능하므로 직관적인 드래그 앤 드롭 인터페이스에서 고정, 임의, 반복 효과를 지정하고 변수 그룹의 상관성을 파악하며 1차적이고 연속적인 효과를 설정할 수 있습니다.

게다가 광범위한 상관관계 구조에 대한 공분산 모수를 계산할 수 있습니다. 예를 들면 데이터를 측정하는 실험 단위를 군집으로 그룹화할 수 있거나, 공통 군집에서 온 데이터에 상관관계가 있는 경우입니다. 동일한 실험 단위에서 반복 측정을 실시했는데 그 반복 측정치에 상관관계가 있거나 변이를 보여주는 경우도 해당됩니다.

공간 공분산 구조가 있는 경우, JMP Pro에서 혼합 모형을 구축할 때 어떤 공간 공분산 구조가 모형 규격에 이용하기에 적합한지 시각적으로 쉽게 판단할 수도 있습니다.

반응 향상 모형

호의적으로 반응할 가능성이 높은 사람들에게만 제안을 보내는 방식으로 한정된 마케팅 예산의 효과를 극대화하고 싶습니다. 만만치 않은 작업일 수도 있습니다. 특히 데이터 세트가 크고 행동 예측 변수나 인구 통계 예측 변수가 많으면 더욱 그렇습니다. 이때 반응 향상 모형이 도움이 됩니다. 증분 모형화, TRUE-Lift 모델링, 순 모형화라고도 하는 반응 향상 모형은 마케팅 의사 결정을 최적화하고, 맞춤형 투약 계획을 정의하고, 더 일반적으로는 어떤 행동에 반응할 가능성이 있는 개인의 특성을 파악하는 데 도움이 되도록 개발되었습니다.

JMP Pro 반응 향상 모형화에서는 이러한 예측이 가능합니다. JMP Pro 분할 모형 적합에서는 처리간의 차이를 극대화할 분할을 찾습니다. 이 모형으로 어떤 행동에 호의적으로 반응할 확률이 높은 사람들의 집단을 식별할 수 있습니다. 이는 효율적인 표적 의사 결정으로 이어져 리소스 배분 및 개인에 미칠 영향을 최적화합니다.

고급 컴퓨터 통계

JMP Pro에는 분할표를 위한 정확한 통계 검정과 일원 분산 분석을 위한 비모수 통계 검정이 포함됩니다. 또한 JMP Pro에는 대부분의 JMP 보고서에서 통계를 붓스트랩하는 일반적인 방법이 포함되어 있습니다.

통계량의 표본 분포에 근사한 값을 산출하는 붓스트랩. JMP Pro는 단 한 줄의 코드도 작성하지 않고도 통계를 붓스트랩 할 수 있는 유일한 통계 소프트웨어 패키지입니다. 원클릭 붓스트랩은 JMP 보고서에서 얼만큼이든 클릭 한 번으로 붓스트랩할 수 있다는 것을 의미합니다.

이 기법은 교과서적인 가정에 문제가 있거나 존재하지 않을 때 유용합니다. 예컨대 비선형 모형의 결과를 사용해 예측하거나 분위수 간격 범위를 결정하는 데 붓스트랩 기법을 적용해 보십시오. 예측 모형에서 불확실성을 측정하는 대안으로 붓스트랩을 이용할 수도 있습니다. 붓스트랩을 사용하면 더 적은 가정으로 추정치의 신뢰도를 평가할 수 있습니다. JMP Pro의 원클릭 붓스트랩을 사용하면 추정이 쉬워집니다.

결과 공유 및 전달

의사 결정자가 대규모 데이터 세트를 탐색하고 최대한 많은 정보를 효율적으로 추출하는 데 사용할 수 있는 최상의 도구를 원했던 Dow Chemical은 직원을 위해 JMP Pro를 채택했습니다.

사례 읽기

JMP는 항상 검색에 중점을 두고 있으며, 이러한 검색을 조직 전반에 전달할 가장 좋은 방법을 끊임없이 모색합니다. JMP Pro에는 JMP의 모든 시각 기능 및 대화식 기능이 포함되어 있어 전에는 경험해보지 못한 방법으로 데이터를 이용할 수 있습니다. 동적으로 연결된 데이터, 그래픽, 통계를 통해 조사 내용이 3D 그림 또는 애니메이션 그래프에 실시간으로 나타나므로 시간의 경과에 따른 변화를 보면서 모형 구축 및 설명 프로세스 모두에 유익한 새로운 인사이트를 얻을 수 있습니다.

JMP® Pro®에만 있는 주요 기능

JMP Pro는 JMP의 모든 기능에 추가적으로 다음과 같은 고급 분석 기능을 제공합니다.


예측 모델링 및 교차 검증

신경망 네트워크 모델링
  • 결측 데이터 자동 취급.
  • 그라디언트 부스팅을 사용하여 숨겨진 단위 수 자동 선택.
  • 1계층 및 2계층 신경망 네트워크 둘 다 적합.
  • 입력 변수 자동 변환.
  • 3가지 활성화 함수(쌍곡선 탄젠트, 선형, 가우스).
  • 무작위 생성된 교차 검증 열 저장.
  • 변환된 공변량 저장.
  • 검증 열 지원.
재귀 분할 모델링
  • 방법 선택: 결정 트리, 붓스트랩 포레스트(임의 포레스트 기법), 부스티드 트리, K 최근접 이웃, Naive Bayes.
  • 부스티드 트리 및 붓스트랩 포레스트에서 난수 시드값 설정, 멀티스레딩 제한, 설계 조정 테이블 사용, Stochastic 그래디언트 사용 가능.
  • 검증 열 지원.
  • 전용 모형 시작 옵션: 붓스트랩 포레스트, 부스티드 트리, K 최근접 이웃, Naive Bayes.
모형 비교
  • JMP Pro에서 구축한 모형 비교.
  • 프로파일러.
  • 적합 통계량(R2, 오분류 비율, ROC 곡선, AUC, Lift 곡선).
  • 모형 평균화.
검증 열 생성
  • 교육, 검증 및 검정 부분으로 데이터 자동 분할, 검증 열 생성.
  • 홀드백 세트 생성을 위한 계산식 랜덤, 고정 랜덤, 층별 랜덤, 그룹별 랜덤, 절단점 방법.
  • 검증 열 역할을 클릭하여 플랫폼 시작부터 검증 열 생성(계산식 랜덤 한정).
Formula Depot
  • 계산식 열 스크립트 저장 및 관리.
  • 판별, 최소 제곱 적합(7개 명령), 로지스틱 적합(명목형 및 순서형), 결정 트리, 붓스트랩 포레스트, 부스티드 트리, Uplift, K 최근접 이웃, Naive Bayes, 신경망, 잠재 계층 분석, 주성분(와이드 및 희소), 일반화 회귀, PLS, 가우스 과정에 대해 사용 가능한 명령 게시.
  • 점수 코드 생성: SAS(DS2), C, Python, Javascript, SQL(서로 다른 대상에 대해 구문 옵션 선택).
  • 모형 비교를 사용하여 계산식 저장소에서 수집한 모형 직접 비교.
  • 프로파일러.
  • 스크립트 표시, 스크립트 복사, 열 변환으로 계산식 복사, 스크립트 실행으로 데이터 테이블에서 계산식 열 생성.
  • 데이터 테이블 열에서 계산식 추가.

텍스트 탐색기 분석

  • 잠재 계층 분석.
  • 잠재 의미 분석(희소 SVD).
  • 주제 분석(회전된 SVD).
  • 군집 용어 및 문서.
  • SVD 및 주제 산점도 행렬.
  • 열 저장: 특이 및 주제 벡터, 연관성을 위해 쌓인 형식의 DTM 문서화.
  • 계산식 저장: 특이 벡터, 주제 벡터.
  • 벡터 저장: 용어 및 주제.

신뢰도 및 생존 모델

신뢰도 블록 다이어그램(RBD)
  • 복잡한 시스템 신뢰도 모형을 구축합니다.
  • 기본, 직렬, 병렬, 매듭, N개 중 K개 노드를 사용하여 시스템을 구축합니다.
  • 설계 라이브러리의 요소를 사용하여 내포 설계를 구축합니다.
수리 가능 시스템 시뮬레이션(RSS)
  • 이산 사건 시뮬레이션 기반 엔진.
  • 기존의 유지관리 지원: 수정적 유지관리 및 예방적 유지관리(기성 빌딩 블록).
  • 단일 작업 공간에서 RBD와 함께 유지관리 배열의 다이어그램 표현.
  • 구성 요소 전체에서 사건 및 작업 요소 간의 다이어그램 연결을 통해 그룹화된 유지관리 및 유지관리 종속성에 대한 이해 전달.
모수 생존
  • 모형 적합의 일반화 회귀 분석법에 대한 연계를 통해 변수 선택 지원.
일반화 회귀
  • 중도절단된 데이터를 처리하여 생존 및 신뢰도 데이터에 대해 변수 선택을 수행할 수 있도록 해 줍니다.
  • Cox 비례 위험 지원.
  • Weibull, 로그 정규, 지수, 감마, 정규 및 ZI 군 분포 지원.

적합 모델

일반화 회귀
  • 정규화 기법: Ridge, Lasso, adaptive Lasso, Double Lasso, Elastic Net, 적응형 Elastic Net.
  • 전진 선택 및 2단계 전진 선택.
  • 분위수 회귀.
  • 중도절단된 데이터를 처리하여 생존 및 신뢰도 데이터에 대해 변수 선택을 수행할 수 있도록 해 줍니다.
  • Cox 비례 위험.
  • 일반 시뮬레이션 플랫폼에서 사용할 수 있도록 시뮬레이션 계산식 저장.
  • 정규, 로그 정규, Weibull, Cauchy, 지수, 감마, 베타, 이항, 베타 이항, Poisson, 음이항 분포.
  • 영과잉 이항, 베타 이항, Poisson, 음이항, 감마 분포.
  • 검증 방법 선택: 검증 열, KFold, 홀드백, leave-one-out, BIC, AIC, ERIC.
단계별 회귀
  • 검증 열 지원.
로지스틱 회귀(명목형 및 순서형)
  • 검증 열 지원.
표준 최소 제곱
  • 검증 열 지원.
부분 최소 자승법(PLS)
  • 모형 적합의 PLS 분석법은 연속형 또는 범주형 반응, 연속형 또는 범주형 요인, 교호작용 및 다항식 용어를 지원합니다.
  • NIPALS 스타일 결측값 대치.
  • 무작위 생성된 교차 검증 열 저장.
  • 중심화 및 척도화 옵션을 적용하기 전에 다항식 효과에 포함된 개별 변수를 중심화하고 척도화하는 표준화 X 옵션.
  • 검증 방법 선택: 검증 열, KFold, 홀드백, leave-one-out.
혼합 모형
  • 고정, 임의 및 반복 효과 지정.
  • 변수 그룹을 연관시키고 주제 및 연속 효과 설정.
  • 반복 공분산 구조 선택.
  • 변동도는 어떤 공간 상관 구조가 가장 적합한지 판단하기 위한 시각적 진단 역할을 합니다.

배열 설계

  • 덮기 배열 설계 및 분석.
  • 생성한 후 설계 최적화로 추가 실행 감소.
  • 허용되지 않는 조합 필터 사용으로 실현 가능하지 않은 검정 영역 식별.
  • 다른 소프트웨어에서 만든 덮기 배열을 가져오고, 포함 범위를 분석하고 선택적으로 추가로 최적화.

다변량 방법

판별 분석
  • 검증 열 지원.

전문 모형

가우스 과정
  • 빠른 GASP를 통해 대용량의 데이터에 대해 모형을 적합시키는 기능입니다.
  • 가우스 과정 모형에 범주형 변수를 추가합니다.

소비자 조사

반응 향상 모형
  • 제안 또는 처우에 대해 호의적으로 반응할 가능성이 가장 높은 소비자 세그먼트를 식별하는 의사 결정 트리 방법.
  • 증분, TRUE-Lift, 중복 비허용 모델링 기법.
  • 검증 열 지원.
선택 모형
  • 선택에서 계층적 Bayes 지원.
  • 개체 추정값 및 Bayes 체인 저장.
연관성 분석
  • 장바구니 분석 지원.
  • 텍스트 탐색기 플랫폼에서 생성된 누적 문서 용어 매트릭스 분석.

고급 컴퓨터 통계

일원 분석
  • 비모수 정확 검정.
분할 분석
  • 정확한 연관성 측도.
일반 붓스트랩
  • 대부분의 보고서에서 한 번 클릭으로 붓스트랩 통계 실행.
일반 시뮬레이션 기능
  • 대부분의 보고서에서 한 번 클릭으로 통계 시뮬레이션 실행.
  • 거의 모든 것에 대한 검정력 계산.
  • 모수 붓스트랩 지원.
  • 랜덤화 검정.

시스템 요구사항

JMP는 Microsoft Windows 및 Mac OS에서 실행됩니다.

Back to Top