預測建模和機器學習
免於猜測，掌控未來。
- 藉著現代的預測建模技術，例如迴歸、神經網路和決策樹，打造更好更有用的模型。
- 自動擬合多個預測模型，並選出模型篩選效能最好的模型。
- 使用交叉驗證和 K 折交叉驗證，避免過度擬合。
- 使用機器學習方法，無須寫程式和調整演算法。
迴歸
- 多元線性迴歸
- 邏輯迴歸
- 廣義迴歸 PRO
- 分位數迴歸 PRO
- 懲罰迴歸 PRO
- 正則化迴歸 PRO
- LASSO PRO
- Elastic Net PRO
- Ridge PRO
決策樹
- 拔靴法森林 PRO
- 提升樹 PRO
- 隨機森林 PRO
- 梯度提升 PRO
- 分割
- 遞迴分割
其他預測模型
- k-NN PRO
- 簡單貝氏模型 PRO
- SVM PRO
- 判別式
- 多元線性迴歸
- 邏輯迴歸
- 廣義迴歸 PRO
- 分位數迴歸 PRO
- 懲罰迴歸 PRO
- 正則化迴歸 PRO
- LASSO PRO
- Elastic Net PRO
- Ridge PRO
- 拔靴法森林 PRO
- 提升樹 PRO
- 隨機森林 PRO
- 梯度提升 PRO
- 分割
- 遞迴分割
驗證 (交叉驗證)
- K-Fold 驗證 PRO
- 資料分割 PRO
- Holdout PRO
- Holdback PRO
模型選擇
- 模型篩選 PRO
- 模型比較 PRO
- 混淆矩陣
- 模型平均
- 集成
- 收益矩陣
模型部署
- 評分
- 評分代碼
- 模型管理 PRO
- 公式庫 PRO
- 預測公式
文字資料探勘（文字分析）
- 潛在類別分析 PRO
- 潛在語意分析 PRO
- 情感分析 PRO
- 字詞選擇 PRO
- 文字迴歸 PRO
藉助 JMP，我們可以找到最有效的方法來分割資料或顯示機器模型的結果，而無需花費大量時間讓程式執行其未明確設計的任務。
Greg Mattiussi
Siemens Healthineers 製造高級總監
