Wie finde ich den gemeinsamen Nenner (Misserfolg) zwischen Builds mit verschiedenen Teilen?<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Hallo,
Ich habe eine große Datentabelle mit "Builds", die aus 10 verschiedenen "Teilen" bestehen. Viele Teile befinden sich in mehreren Builds. Jeder Build wird durch eine Zahl dargestellt und gibt an, ob der Build einen Test bestanden hat oder nicht. Jeder Teil wird durch eine eindeutige Nummer dargestellt.
Gibt es eine Möglichkeit, mit jmp statistisch herauszufinden, welcher "Teil" eine hohe Wahrscheinlichkeit hat, der Grund für fehlgeschlagene Builds zu sein? Danke im Voraus
Re: Wie findet man den gemeinsamen Nenner (Misserfolg) zwischen Builds mit verschiedenen Teilen?Ich würde auch vorschlagen, Analyze> Modeling> Partition zu verwenden, um die wahrscheinlichsten Prädiktoren zu finden. Diese Art von Modell ist sehr robust und sollte die großen Auswirkungen finden, wenn sie vorhanden sind.
Re: Wie findet man den gemeinsamen Nenner (Misserfolg) zwischen Builds mit verschiedenen Teilen?Hallo Jackprada,
Das JMP Fit Model unter der Analyze-Plattform ist ein großartiger Ausgangspunkt. Verwenden Sie Ihre Pass / Fail-Kriterien als "Y" -Variable, die Ihnen eine Nominal Logistic-Anpassung gibt. Ihre "X (s)" wären entweder Ihre Builds oder Ihre Parts, je nachdem, wie Ihre Datentabelle eingerichtet ist.
Basierend auf Ihrer Beschreibung müssen Sie die Anpassung der verschiedenen Builds wahrscheinlich mehrmals ausführen. Speichern der Wahrscheinlichkeitsformeln von jedem passenden Modell aus. Sie können dann einen kombinierten Vorhersage-Profiler erstellen, mit dem Sie möglicherweise den "Teil" ermitteln können, der in Ihren fehlgeschlagenen Builds der Täter ist. Der knifflige Teil stellt sicher, dass Sie beim Erstellen Ihres Profilers die Option Zwischenformeln erweitern auswählen. Wenn Sie das nicht tun, werden die Dinge wahrscheinlich sehr unordentlich aussehen.
Wäre es möglich, eine Beispieldatentabelle bereitzustellen? Stellen Sie sicher, dass Ihre Daten so weit wie möglich anonymisiert werden. Wir können es versuchen und es mit Ergebnissen zurücksenden.
