Ich habe ein paar Dinge über meinen Weg mit einem raumfüllenden Design gelernt. (Foto von Geoffrey Arduini über Unsplash: https://unsplash.com/geoffreyarduini)
In meinem vorheriger Blogeintrag Ich erstellte ein Raummodell mit 150 Läufen, um morgens und abends Reisezeit für verschiedene Abfahrtszeiten zu erfassen. Ich wollte herausfinden, ob ich mit diesem entworfenen Experiment etwas Nützliches über mein Pendeln lerne.
Google Maps gibt eine Reihe von Zeiten für eine bestimmte Reise an - ich habe für jede davon den Mittelpunkt genommen. Ich möchte zwar zu einem späteren Zeitpunkt überprüfen, wie genau diese Zeiten sind, aber durch diese computergenerierte Antwort kann ich all diese Daten in einer Sitzung sammeln. Wenn ich stattdessen die Daten basierend auf den tatsächlichen Laufwerken, die ich mache, sammelte, würde ich 30 Wochen dauern und die Daten wären viel lauter. Mein Chef sagte mir auch, dass er Probleme damit haben könnte, dass mein Weg durch die Datenerfassung für ein geplantes Experiment diktiert wird.
Also bin ich schnell und umsichtig vorgegangen und habe die Daten von Google Maps gesammelt. Was jetzt?
Nach einigen Datenüberprüfungen ist es nicht verwunderlich, dass ich beim Versuch, Fit Model zum Laufen zu bringen, wahrscheinlich höhere Kräfte, vielleicht Spline-Effekte, Transformationen usw. ausprobieren möchte während ich Zugriff auf den Prediction Profiler habe. Ein neuronales Netz schien die perfekte Wahl zu sein. Ich habe mir keine Sorgen darüber gemacht, ob es zu einer Überanpassung gekommen wäre, sondern eher zu angemessenen Ergebnissen. In diesem Fall konnte ich schummeln, weil ich ein Gefühl dafür hatte, wie die Passform aussehen sollte, indem ich die Morgen- und Abendzeiten getrennt untersuche. Ich habe verschiedene Auswahlmöglichkeiten für Knoten und Validierungsmethoden ausprobiert überdeckendes Array , um letztendlich 10 TanH- und Gauß-Knoten in der ersten Schicht und 10 Linear-Knoten in der zweiten Ebene mit Validierung durch Random Holdback zu verwenden. Anstatt Ihnen zu sagen, was ich in den Ergebnissen sehe, warum teilen Sie es nicht einfach mit Ihnen?
Mein Profiler sieht wie ein statisches Bild aus, aber Sie werden es wollen erkunden Sie die interaktive Version; Klicken Sie in die Grafiken oder geben Sie andere Werte für Tag, morgendliche Abreise oder abendliche Abreise ein.
Ich habe diesen Profiler erstellt, indem ich die Profilformel in der Neural-Plattform und dann gespeichert habe Speichern als interaktives HTML 5 Verwenden Sie diese Vorhersageformel unter Graph-> Profiler.
Was ich gelernt habe
Ich lasse Sie mit den Ergebnissen spielen, aber ein paar Dinge, die ich mit den von mir beobachteten Trends untermauerte, waren interessant:
Montag bis Mittwoch um 7:30 Uhr gibt den kürzesten Weg zur Arbeit. Jede zehnminütige Verspätung kostet ungefähr eine zusätzliche Minute auf der Straße.Am Donnerstag und Freitag ist der längste vorhergesagte Weg für die Abfahrt um 8:07 Uhr und fällt von dort ab. Die Pendelzeit um 9:00 Uhr ist ungefähr das gleiche wie um 7:30 UhrDer Nachmittagsweg ist gegen 17:30 Uhr am schlechtesten Montag bis Mittwoch. Am Donnerstag und Freitag ergibt sich die längste Pendelzeit, wenn Sie kurz vor 17.10 Uhr abreisen.Die Pendlerfahrten am Donnerstag und Freitag dauern in der Regel weniger Zeit als zu Beginn der Woche.Abschließende Gedanken
Ich hatte viel Spaß mit den neuen JMP 12-Funktionen in raumfüllenden Designs und dem Interactive HTML Profiler. Während die Genauigkeit der Google Maps-Fahrzeiten noch abzuwarten ist, war ich ein wenig überrascht, wie sehr sich die vorausgesagte Pendelzeit von Tag zu Tag ändert.
Ein weiteres interessantes Experiment wäre das Hinzufügen eines weiteren Faktors zum Vergleich verschiedener Routen. Ein zukünftiger Blogbeitrag zeigt, wie Sie die Abfahrtszeiten am Morgen und am Abend einschränken können. Wenn Sie später am Morgen abreisen, müssen Sie wahrscheinlich auch später abreisen.
