具有分类预测变量的高斯过程模型的示例

本例使用 Algorithm Data.jmp 样本数据表。这些数据为对 CPU 时间的模拟，来自一个 50 次的空间填充设计实验。Algorithm Factors.jmp 样本数据表提供设计的因子和设置。该设计有三个连续因子和两个分类因子。目标是要使用同时包含连续和分类因子的高斯过程模型预测 CPU 时间。

1. 选择帮助 > 样本数据库，然后打开 Design Experiment/Algorithm Data.jmp。

2. 选择分析 > 专业建模 > 高斯过程。

3. 从 Alpha 一直选择到编译器，然后点击 X。

4. 选择 CPU 时间，然后点击 Y。

5. 要运行分析，请保持“快速 GASP”处于选中状态。点击确定。

注意：“快速 GASP”选项必须用于包含分类因子的模型。请参见包含分类预测变量的模型。

图 16.7 “Algorithm Data”报表 

“预测值-实际值”图显示实际 CPU 时间与预测 CPU 时间之间存在强相关性。这表明高斯过程预测模型是真实函数的良好近似。在“模型报表”中，Beta 预测变量具有最高的总灵敏度。这表明在连续预测变量中，Beta 解释了响应中的大多数变异。每个分类预测变量（算法和编译器）都有一个单独的“分类输入”矩阵。这些矩阵是相关性矩阵，并且显示每个分类预测变量的水平之间的相关性。这些矩阵的非对角线元素是 τ 参数。

需要更多信息？有问题？从 JMP 用户社区得到解答 (community.jmp.com).