拿到实验数据后，不知用什么模型来分析？
机器学习 VS 非机器学习，傻傻分不清楚？
存在共线性问题的大数据集该如何建模？
手动筛选模型耗时耗力，能否一键实现所有模型的比较与筛选？ ……

预测建模疑问多，JMP老师来解惑！电脑手机装ZOOM，足不出户看直播。

4月26日14:00-15:00，JMP线上直播课程预测建模将迎来第三期的精彩内容。继前两期课程介绍了以机器学习为核心的算法后，此次课程将介绍非机器学习平台中的广义回归和偏最小二乘法的基本概念、算法原理和模型评估指标。欢迎感兴趣的朋友一起解锁新技能。

扫描二维码，立即报名：

在课程中，老师还将对之前介绍过的所有模型做一个总结，介绍如何使用模型筛选平台辅助进行模型初筛。通过现场案例演示，帮助大家理解和掌握这些方法的基础知识，实现在业务中的快速应用。

1分钟快速了解主要内容

JMP提供了丰富多样的建模和数据挖掘手段，帮助分析人员完成从大量的、不完全的、有噪声的、模糊的、随机的数据中, 提取隐含其中的、先前未知的、并具有潜在价值的信息和知识的数据挖掘过程。

广义回归采用正则或惩罚回归的方法使模型系数向零收缩，从而尝试缓解模型过拟合问题并降低总预测误差。其中的两种方法，弹性网络和Lasso回归，会将变量筛选作为建模过程的一部分，特别适用于存在共线性问题的大数据集以及自变量多于样本量的宽型数据集。

偏最小二乘法（PLS）基于因子（即自变量的线性组合）来拟合线性模型而不是自变量本身，广泛被用于对高维数据建模的领域中（如光谱学、化学计量学及经济学等）。

模型筛选平台允许用户从一个启动窗口运行多个预测建模平台，并集合来自不同方法预测结果的汇总，有助于初筛最佳性能的模型，并以此为基础作进一步调整和优化。

课程大纲

1. 广义回归

概念和算法
操作平台及案例演示

2. 偏最小二乘
概念和算法
操作平台及案例演示

3. 模型筛选
JMP预测建模概述
操作平台及案例演示

 4. JMP软件学习渠道

 5. 问题与讨论

免费报名，参与学习：

https://www.jmp.com/zh_cn/events/live-webinars/non-series/2022-04-26.html?utm_campaign=wcl7015b0000057MfYAAU&utm_source=bilibili&utm_medium=social

报名成功后，你的注册邮箱将收到注册确认及详细参会信息邮件。请保存此封邮件，按照相应说明，即可轻松登入会议。

独乐乐不如众乐乐，呼朋唤友一起来学习吧~