여러 JMP 모델을 동시에 최적화하는 방법제품을 생산에 투입하는 약 10%의 스크랩 비율을 경험하고 있는 제품의 처리를 최적화하려고 노력하고 있습니다. 나는 3개 수준에서 4개 요인을 포함하는 DOE 프로세스를 실행하고 9개 시도에 대한 데이터를 수집했습니다. 결함 평가 응답은 순서 변수로 설정되고 로지스틱 회귀에 의해 모델에 적합되었습니다. 또한 공정 변수의 영향을 받고 물리적 목표를 충족해야 하는 이 제품의 경도에 대한 데이터도 수집했습니다. 경도 데이터는 연속 변수이며 표준 최소 자승 모델에 적합했습니다. 이 두 모델은 서로 다른 JMP 창에 있습니다. 두 모델을 독립적으로 최적화할 수 있지만 두 모델을 동시에 최적화하는 방법을 모르겠습니다. JMP13에서는 이것이 쉽다고 생각하지만 JMP 모델링을 처음 접하고 불행히도 동시 최적화를 위한 확실한 방법을 보지 못하고 있습니다. 도와주세요.
Re: 여러 JMP 모델을 동시에 최적화하는 방법그래프 메뉴에서 독립형 프로파일러 플랫폼을 언급하고 있습니다. 그래프 > 프로파일러.Re: 여러 JMP 모델을 동시에 최적화하는 방법프로파일러 대화 상자는 어디에 있습니까? 거기가 아니라 Prediction Profiler 옆에 있는 빨간색 삼각형을 확인했습니다.
Re: 여러 JMP 모델을 동시에 최적화하는 방법
@stephen_pearson 썼다:
프로파일러 대화상자에서 Expand Intermediate Formulas를 체크하면 수식을 복사하지 않아도 되는 것 아닌가요?
나는 저 아래에 있는 체크박스를 본 적이 없습니다!감사!더 나은 방법이 있을 수 있다고 생각했습니다.
Re: 여러 JMP 모델을 동시에 최적화하는 방법프로파일러 대화상자에서 Expand Intermediate Formulas를 체크하면 수식을 복사하지 않아도 되는 것 아닌가요?Re: 여러 JMP 모델을 동시에 최적화하는 방법
안녕 켈리,
총 9번의 시도인가요 아니면 요인 수준 조합당인가요?
Dan이 말했듯이 예측 공식을 데이터 테이블에 저장하면 다양한 플랫폼의 모델을 그래프 > 프로파일러에서 예측 프로파일러로 결합할 수 있습니다.연속 응답을 위해 이 프로파일러의 신뢰 대역을 원하면 StdErr Pred Formula도 저장하십시오.프로파일러에 대한 대화 상자에서 예측 공식과 std를 모두 입력합니다. 오류.예측 공식(아마도 "PredSE 경도"로 명명)을 "Y, 예측 공식"으로 변환합니다.
이전에 바람직함 함수를 사용한 적이 있습니까?그렇지 않은 경우 다중 최적화를 수행하는 좋은 방법이며 Prediction Profiler는 해당 기술을 정말 훌륭하게 구현합니다.
도움이 될 수 있는 또 다른 사항은 결함 등급 모델에 대한 예측(확률) 공식을 저장할 때 JMP가 모델의 선형 구성요소("선형")에 대해 별도의 열을 생성한다는 것입니다. 평가 척도의 수준(예: "Cum[2]", "Cum[3]" 등) 및 평가 척도의 각 수준에 대한 예측 확률(예: "Prob[2]", "Prob[3]) ", 등).프로파일러에서 확률 열을 플로팅하면 누적 로그 승산비 열이 입력으로 표시됩니다(이 작업을 수행하는 더 좋은 방법을 알고 있으면 누군가 저를 수정해 주세요).내가 이 문제를 해결한 방법은 "선형"의 수식을 복사하여 각 Cum[#] 열에 대한 수식의 선형 열에 대한 참조에 붙여넣는 것입니다.그런 다음 각 Cum[#] 열에서 수식을 복사하고 해당 열을 Prob[#] 열 수식에서 참조되는 위치에 붙여넣습니다.최종 결과는 Prob[#] 열이 원래 입력의 함수일 뿐이므로 Linear 및 Cum[#] 열은 이제 불필요합니다.지금 모든 Prob[#] 열을 플로팅하면 프로파일러는 실험적 요인만 프로파일러의 입력으로 사용하여 예상대로 보일 것입니다.
Re: 여러 JMP 모델을 동시에 최적화하는 방법각 모델에 대해 예측 공식을 저장합니다(빨간색 삼각형 팝업 메뉴 아래에 있음). 저장되면 그래프 메뉴로 이동하여 프로파일러를 선택합니다. 대화 상자가 나타내는 대로 예측 공식을 지정합니다. 이제 두 모델 모두 동시 최적화를 위해 프로파일러에 나타납니다.
많은 요소, 많은 수준, 적은 시도가 있는 설계의 경우 이 프로세스를 진정으로 최적화하는 데 어려움을 겪을 수 있다는 점을 추가해야 합니다.
