무료 온라인 과정에서 자세히 알아보십시오.
산업 문제 해결을 위한 통계적 사고
이 비디오에서 우리는 화학 제조 예를 들어 연속 응답을 위해 부트스트랩 포리스트에 적합합니다. 생산하다 . 이 데모에서는 JMP Pro를 사용합니다.
이 공정의 허용 수율은 80%입니다. 17개의 잠재적 예측 변수와 90개의 관측값만 있습니다. 가장 중요한 예측 변수를 식별하기 위해 부트스트랩 포리스트를 사용합니다.
이를 위해 Analyze 메뉴에서 Predictive Modeling을 선택한 다음 Bootstrap Forest를 선택합니다.
우리는 선택 생산하다 Y, 응답 변수로, 예측 변수의 두 그룹을 X, 요인으로 선택합니다.
사양 창으로 이동합니다. 여기에서 포리스트의 트리 수, 분할당 샘플링할 용어 수, 부트스트랩 재샘플링할 데이터 비율을 지정할 수 있습니다. 트리의 크기와 최소 분할 크기를 지정할 수도 있습니다.
기본 설정을 사용하지만 분석을 반복 가능하게 하기 위해 임의의 시드 1234를 입력합니다.
이 모델의 RSquare가 0.665임을 알 수 있습니다. 그러나 우리는 주로 중요한 변수를 식별하는 데 관심이 있습니다.
상단의 빨간색 삼각형에서 Column Contributions를 선택합니다. 5~6개의 중요한 변수가 있음을 알 수 있습니다.
수율을 개선하려면 이 변수의 하위 집합을 추가로 연구할 수 있습니다.
변수 선택을 위해 부트스트랩 포리스트 플랫폼을 사용하는 것의 대안은 예측자 스크리닝 플랫폼을 사용하는 것입니다.
Analyze와 Screening에서 이 플랫폼을 출시할 것입니다.
예측 변수 선별은 잠재적으로 중요한 예측 변수를 선별하는 플랫폼입니다. 이를 위해 장면 뒤에서 부트스트랩 포리스트를 사용합니다.
Yield를 Y, Response로 선택하고 X 역할에 대한 두 예측 변수 그룹을 모두 선택합니다.
더 큰 숲을 만들기 위해 나무 수를 1000개로 변경하고 확인을 클릭합니다.
다시 한 번 상위 5개 또는 6개의 예측 변수가 식별되었음을 알 수 있습니다. 이러한 예측 변수를 복사하여 추가 연구를 위해 다른 분석 창에 붙여넣을 수 있습니다.
