预测建模与机器学习
消除猜测。不要让未来听天由命。
- 利用现代的预测建模技术（如回归、神经网络和决策树等），构建更佳、更有用的模型。
- 借助模型筛选，自动拟合多个预测模型并确定性能最佳的模型。
- 利用交叉验证与K重交叉验证避免过拟合。
- 无需编写代码或调整算法，即可使用机器学习方法。
借助于JMP，我们可以找到最有效的数据拆分方式，也不再需要花费大量的时间让程序运行并不属于设定范围内的工作。
Greg Mattiussi
制造高级总监，西门子医疗
使用JMP进行预测建模：亮点功能
回归
- 多元线性回归
- Logistic 回归
- 广义回归
- 分位数回归
- 惩罚回归
- 正则化回归
- 套索
- 弹性网格
- 岭
决策树
- Bootstrap森林法
- 提升树
- 随机森林法
- 梯度提升
- 分割
- 递归分割
其他预测模型
- K最近邻
- 朴素贝叶斯
- 支持向量机
- 判别分析
- 多元线性回归
- Logistic 回归
- 广义回归
- 分位数回归
- 惩罚回归
- 正则化回归
- 套索
- 弹性网络
- 岭
- Bootstrap森林法
- 提升树
- 随机森林法
- 梯度提升
- 分割
- 递归分割
验证（交叉验证）
- K重验证
- 数据分割
- Holdout
- Holdback
模型选择
- 模型筛选
- 模型比较
- 混淆矩阵
- 模型平均
- 组合
- 收益矩阵
模型部署
- 评分
- 评分代码
- 模型管理
- 公式存储库
- 预测公式
文本挖掘（文本分析）
- 潜在类分析
- 潜在语义分析
- 情感分析
- 词条选择
- 文本回归
最佳发现始于JMP
