JMP® pour le data mining interactif
La famille de produits JMP offre des techniques de data mining exploratoire et prédictif. Le data mining interactif permet d'identifier des configurations dans des données contenues dans un grand nombre de colonnes, de lignes ou les deux. Grâce aux techniques de data mining, il est possible de créer des modèles qui donnent lieu à des prévisions facilement généralisables.
JMP propose des techniques classiques, telles que la régression et la classification, mais permet aussi de créer des arbres décisionnels ou de régression ainsi que des modèles de réseaux neuronaux. Vous pouvez facilement diviser les données pour la formation, la validation et le test des modèles potentiels, et utiliser les outils de visualisation pour les passer en revue et les comparer dans un environnement interactif unique.
Grâce au multi-thread et à la compression des données, l'étendue des problèmes qu'il est possible de traiter n'est limitée que par le matériel, et non par JMP. Les données sont omniprésentes, et la simplicité d'utilisation de JMP rend le data mining plus accessible que jamais.
- Partition
- Réseaux de neurones
- Classification
La plate-forme Partition de JMP permet de repérer les portions ou les groupements d'entrées (X) qui prédisent le mieux la variation d'une sortie (Y). Ce processus de division des données est récursif : il est répété jusqu'à obtention du résultat souhaité. Développez votre arbre à l'aide d'arbres décisionnels, de forêts aléatoires (bootstrap forests, JMP Pro uniquement) ou d'arbres augmentés (boosted trees, JMP Pro uniquement).
Vous pouvez créer un arbre décisionnel de manière interactive, avec données de formation et de validation.
La plate-forme Réseaux de neurones de JMP permet de créer des réseaux neuronaux entièrement connectés comportant des nœuds masqués dans une ou deux couches. Chaque nœud peut se voir adjoindre l'une des trois fonctions d'activation, et chacune des couches peut comporter autant de nœuds que vous le souhaitez. Recourez au boosting pour l'apprentissage des cas difficiles, et spécifiez l'une des quatre méthodes de pénalité pour l'ajustement.
Comparez les effets de différentes architectures neuronales sur un ajustement neuronal boosté.
La classification, qui forme des sous-groupes de sorte que les cas d'un sous-groupe particulier présentent plus de similitudes que ceux d'un autre sous-groupe, est l'une des principales techniques d'apprentissage non supervisé. La plate-forme Classification de JMP permet de mettre à l'échelle et de transformer des variables avant une analyse. Elle inclut la classification hiérarchique et le partitionnement par la méthode des K-means.
La classification hiérarchique crée un dendrogramme interactif sur lequel vous pouvez réaliser un zoom afin de vous concentrer sur les classes qui vous intéressent. Les cartes de densité et les graphiques de coordonnées parallèles aident à déterminer le nombre optimal de classes à utiliser.
