JMP Pro gradation

JMP® Pro 13的新功能

作为我们软件的高级分析版本,JMP Pro包含用户了解并偏爱的所有JMP功能,而且数量更多。随着JMP Pro 13的发布,用户可以享受新功能、对预测建模工作流进行新的优化,并改进大部分JMP Pro平台中的性能。

了解如何获取JMP Pro 13

JMP Pro 13 monitor montage

文本浏览器分析

JMP 13中引入文本浏览器,将其作为处理非结构化文本数据的平台。JMP 13提供多种方法进行基本的单词和词组提取,JMP Pro则增加了多个重要能力以实现多元分析和减少维度,用户可以将文本数据合并到其预测建模任务中。

JMP Pro可以处理几乎所有人都具有的文本数据类型,例如修复日志、自由文本调查、冗长形式说明字段和开放注释,通过使用量身定制的分析将该文本数据转换为JMP Pro建模平台可以直接使用的数字数据。现在,您可以获取非结构化数据中的信息,使用该信息来丰富您偏好的JMP Pro模型,例如自助法森林、神经网络或广义回归模型。

通过使用文本数据完善您已经拥有的预测变量,可以生成具有更好的外部有效性的模型。您已经费了很大的力气将所有非结构化数据存储在数据库中,为什么不让这些数据为您所用呢?

模型库和生成评分代码

为了比较先前版本的JMP中的多个模型,必须将每个模型的预测列保存到数据表。在某些情况下,例如神经网络,这可能会显著增加表的体积。此外,新列的命名惯例仅与要预测其值的列的名称相关,与模型所拟合到的平台无关。这就导致很难了解创建给定预测公式列所使用的平台。JMP Pro 13模型库不仅满足了所有这些需求,而且让模型部署更加轻松,提供了一个中央资源库来组织、刻画、比较和有选择地以C、JavaScript、Python、SQL或SAS部署模型。

广义回归优化

JMP Pro广义回归旨在满足您的所有建模需求。广义回归是JMP在广义线性模型和变量选择方面的现代方法,同时也是用于分析实验设计和观测数据(甚至是寿命/生存数据)的世界级工具,将所有功能集于一身。

JMP 13标志着广义回归的第三次发布,该工具不断改进,现在具有许多新增功能:

  • 双套索选项:利用初始自适应套索结果来筛选变量,并使用产生的参数估计值作为第二次自适应套索结果的权重,以进一步完善模型
  • 增加了双阶段向前选择选项:初始向前选择仅考虑主效应,第二次结果考虑交互作用和高阶项。对于设计的实验中的模型选择,此方法具有非常出色的成效
  • 处理删失数据,从而可以在拟合生存/可靠性数据时进行变量选择;支持“Cox比例风险”;支持Weibull分布、对数正态分布和正态分布
  • 常规优化:
    • 新的模型选择准则ERIC专门设计用于惩罚回归问题
    • ROC和提升曲线
    • 混杂矩阵
    • CDF和分位数刻画器(例如参数生存)
    • 支持无截距模型和有序型预测变量
    • 利用活动效应重新启动。更好的模型诊断能力。可以保存模拟公式,从而在模拟效用中使用 

可修复系统模拟(RSS)

在先前版本的JMP中,只能在失效即意味着系统寿命终结的可靠性设置中使用模拟。但是,复杂、昂贵的系统由许多可维护的组件构建而成,例如飞机发动机,通常尽可能进行修复,而不是在失效时丢弃。通过JMP Pro 13的可修复系统模拟,现在可以分析可修复的系统,从而让您可以回答类似于下面的问题:

  • 在装置的“可维护寿命”期间,平均失效间隔时间是多久?
  • 装置的可用性如何?即,装置正常运行的时间比例是多少?
  • 在装置的可维护寿命期间,期望修复成本是多少?
  • 哪些组件应该为系统停机和维护承担最主要的责任?
  • 哪些组件应该在系统停机进行再次修复时趁机修复/更换?

由于JMP Pro 13中的RSS平台使用与可靠性框图平台中相同的接口,因此可靠性工程师无需学习新的接口,而是可以直接生成模型。

常规模拟功能

统计员和分析师使用模拟来评估新的统计方法,估计非标准统计检验的功效以及执行参数Bootstrapping。在JMP 13中,对常规模拟能力的使用已经显著拓宽,因为用户不再需要编写自定义JSL来执行模拟和分析结果。大部分具有自动重新计算或Bootstrap红色三角菜单选项的平台都具有此能力。

实验设计是此模拟非常有用的另一个领域。在设计的实验中,响应并非始终为正态分布或接近正态分布。尤其是系统检验,可以生成基于计数或及格/不及格结果的数据。JMP 13的定制设计器现在可以模拟这些实验的实际响应数据,并且JMP Pro用户可以将这些模拟输出与JMP Pro的常规模拟能力配合使用,以估计设计的实验功效。

最后,已经将Bagging(Bootstrap聚合)添加到JMP Pro中的刻画器,从而可以让用户在不存在预测区间公式的设置中构造预测区间。创建验证列在很多时候都要手动进行,需要多次点击,以便将数据集划分为训练集、验证集和测试集。如果您需要的不只是简单的随机数据拆分,则必须使用插件或其他方法才能生成最佳拆分。

现在,您可以借助JMP内置的一些算法,根据实际问题来拆分数据。此外,如果您在分析平台中点击验证列角色而不选择列,系统将提示您选择验证列或者直接从平台创建一个列。借此,您无需中断分析流程,即可以更少的点击次数轻松地对模型进行交叉验证分析。

分层贝叶斯

选择模型可以帮助公司决定哪些产品和功能对客户最重要,以及有多少客户希望为特定的功能付费。

一种将所有客户视为相同客户的选择模型,会产生对所有个体平均偏好的估计值。如果像通常的情况那样,个体实际上在偏好方面具有显著差异,该模型确定的“最佳”产品可能会满足“平均”客户的要求,但这样的客户实际上不存在,而产品可能对真正存在的客户没有任何吸引力。

幸运的是,JMP Pro 13支持分层贝叶斯,该方法可以对偏好中的差异正确建模。使用该方法可以从您的选择设计中获得更好的结果和具有更高质量的模型,从有限的运行预算中获得尽可能多的信息。

关联分析

关联分析(通常称为购物篮分析)是对给定事件、记录或交易中同时发生的项的标识。

以下是关联规则的一些示例:

  • 购买产品A的购物者中有80%也购买了B
  • 涉及零件A的修理中有40%也涉及零件B
  • 具有风险因子A、B和C的产品中有20%在寿命达到50时具有条件X

理解这些关联可以为决策提供市场营销、卫生保健和产品可靠性等各方面的相关信息。

通过JMP Pro的关联分析平台,您还可以使用降维方法奇异值分解(SVD)来对相似的交易分组。该奇异向量随后可以在预测建模平台中使用。

高斯过程

高斯过程模型用于对连续响应和一个或多个预测变量之间的关系进行建模。在先前版本的JMP Pro中,对于大型数据集运行这些模型是非常耗时的,并且无论表的大小如何,都无法运行具有分类因子的模型。在JMP Pro 13中,这两个问题都得到了解决,极大地扩展了高斯过程模型的适用范围。

混合模型优化

在JMP Pro 13中,拟合模型的混合模型特质提供了多种新的协方差结构(不等方差、可交换、前相关、Toeplitz),将其适用性扩展到了各种新情况中。

分割优化和朴素贝叶斯

JMP Pro 13让您可以更好地控制分割平台:通过模型可调节表可以在一个参数值网格上运行模型,而提升树的随机梯度提升选项中的随机化可以帮助防止过拟合。此外也可使用朴素贝叶斯。

文档

下载介绍JMP和JMP Pro全新功能的PDF文档,或直接在线浏览搜索相关文档。

Back to Top