281522_ja-JP

liliconcom

保存された製造データを分析する場合、変数クラスタリングを理解することが重要です (2020-US-30MP-576)

レベル: 中級

 

トニー・クーパー、SAS 主席分析コンサルタント
Sam Edgemon 氏、SAS Institute 首席分析コンサルタント

 

プロセス製品開発では、実験計画法 (DOE) が次のような質問に答えるのに役立ちます。どの X が Y を変化させるのか、どの方向に、単位あたりどれだけ変化するのか? どうすれば望ましい効果を達成できるでしょうか? そして、どの X が敗者のコントロールを可能にするのか、より厳密なコントロールを必要とするのか、または別の最適な設定を必要とするのか? 履歴データの情報は、これらの質問に部分的に答え、適切な実験を実行するのに役立ちます。 このような非 DoE データの問題の 1 つは、多重共線性の問題です。 多重共線性を検出し、それを理解することで、分析者は適切に対応できるようになります。 モデルの分析による分散膨張係数と、モデルに関係のない変数クラスタリングの 2 つの一般的なアプローチです。 それぞれの情報は類似していますが、同一ではありません。 単純なプロットは理解を深めますが、十分な情報が得られない可能性があります。 例を使用して問題について説明します。

 

 

自動生成されたトランスクリプト...

 

スピーカー	成績証明書
トニー	こんにちは、私の名前はトニー・クーパーです。サム・エッジモンと私が行った作品をいくつか紹介します。私は二人の代表として参加します。
	サムと私は、キャリアのほとんどを製造とエンジニアリングのサポートに携わる研究統計学者です。 そして今日のトピックは、保存された製造データを分析する際に変数クラスタリングが重要であることを理解することです。
	単一のデータセットを使用してプレゼンテーションを行います。 このプレゼンテーションの焦点は、読み取り出力です。 また、出力を生成するためにすべてのダイアログ ボックスに入力する時間はありません。
	ただし、すべてのスクリプトをデータ テーブルに保存しました。もちろん、これは JMP コミュニティで利用できるようになります。
	データ...スクリプトを実行すると、いつでも赤い矢印を使用してやり直しオプションを実行し、分析を再起動することができ、その出力を表示するために使用されるダイアログ ボックスが表示されます。
	製造データに関するこの単一のデータセットを使用します。
	このデータがどのように見えるかを簡単に見てみましょう
	そして
	ごめんなさい
	素早い。 このデータセットがどのように見えるかを見てください。 まず第一に、タイムスタンプがあります。 したがって、これは継続的なプロセスであり、一定の間隔をおいて戻ってくると、大量の情報が得られます。
	いくつかの Y 変数、いくつかの主要な出力、お客様が本当に気にしているいくつかの KPI については、当社が効果的に出荷するためには仕様内に収まっている必要があります。 そして...これらは...間違いなく出力になります。 右。
	ライン速度、振動の設定値での様子、
	そして、他にもたくさんのこと。 全体を通して見てわかるように、その時点で測定している 60 個の奇妙な変数があります。 それらの一部はセンサーであり、一部は設定値です。
	そして実際、それらのいくつかは実際に製造時の熱設定点のような設定点であることを見てみましょう。 それらの一部は、PLC がプロセスに指示したことを意味するコマンドです。 それらの一部は、現時点での実際の値であるメジャーです。
	そのうちのいくつかは、
	周囲条件、おそらくそれは外部温度だと思います。
	それらのいくつか
	一連の材料品質特性があり、視覚システムの出力も確かにあります。 したがって、現在入力にはたくさんのものがあります。
	そして、たとえば、私がコマンドと測定値を持っている場合、私がゾーンに到達したいと伝えたことと、実際に測定した値が相関していることを期待することを想像してください。 。
	何が起こっているのかを考えるために、その一部を調査する必要があります。 それが多重共線性であり、相互関係を理解することです。
	入力または個別に、多重共線性と出力を理解します。 しかし概して、今のところ Y を行わないと X の影響が生じます。 監視されたテクニックを実行しているわけではありません。 これは教師なしの手法ですが、この方法でデータ内で何が起こっているのかを理解しようとしているだけです。
	私のスクリプトはすべてここにあります。 はい、これが私たちが話した要約です。データのレビューです。 そして、先ほど述べたように、そこに設定点と実績値があるため、多重共線性がなぜそれほど多く存在するのかを説明できるかもしれません。 それで、でも、私たちはそれらのことについて学びます。
	最初に行うことは、Y が X の関数に等しいことを当てはめて設定することです。今はこれら 2 つの変数だけを見ていきます。
	ゾーン 1 のコマンドは、私がゾーン 1 にそうするように言ったことです。 そして、私は小さなサーマカップルを持っています、ゾーン1エリアに小さなサーマカップルがあり、それを測定しています。
	そして、ゾーン 1 の温度が高くなると、この Y4 が低くなり、この応答変数が低くなることは明らかです。
	そしてそれは測定にも当てはまり、推定値は両方ともマイナスであり、概して、ちなみに、これらはかなりのものであることがわかります。
	この 1 つの変数だけで Y4 で起こっていることの 50% を説明できるという意味での予測変数です。 さて、それでは
	多変量をやってみましょう。 さて、これからモデルを当てはめて、これらの変数の両方を
	をモデルに組み込んで、まだ Y4 を分析中です。 私の返答はまだ Y4 です。 ああ、これを見てください。 コマンドが上がるにつれて、それが Y として提案されるようになりました。 はい、それはそうです
	それは私が期待していることとは逆のことをします。 これはまだ正しい方向にマイナスですが、見てください。
	これらの数字のいくつかを見てください。 これらは、先ほど私が考えたマイナス 0.04 とマイナス 0.07 の範囲内ですらない。 現在、プラスは .4、マイナスは .87 です。
	エンジニアリングの観点からこのモデルを信頼できるかどうかはわかりません。また、このモデルがどのように特徴付けられ、このプロセスの理解にどのように役立っているのか本当に疑問に思っています。
	そして、手がかりがあります。 これはデフォルトではオンになっていない可能性がありますが、このパラメータ推定テーブルを右クリックすると、VIF 列を求めることができます。
	これはバリエーションインフレファクターを表します。 そして、これは...によるモデルの不安定性の推定値です。
	この多重共線性。 したがって、それができる...したがって、その変数について何を...どのように考えるかについて、少し直観を得る必要があります。 しかし、何が起こっているのかをもう少し明確にするために、プロットしてみます...ここにあります
	温度ゾーンをコマンド 1 つで測定すると、ご想像のとおり、
	あなたが言うように...ゾーンの温度を上げるように指示します。 はい、ゾーンの温度は上昇し、概して、おそらく正しい値にさえなるでしょう。 これは Y4 で色分けされているので、低温であることを示唆しています。
	Y4 の高い値と...
	申し訳ありません...はい、温度の低い谷では、Y4 の高い値が得られ、個々のプロットで見たとおりでした。
	しかし、多変量モデルが機能しなかった理由については、おそらくこの問題からある程度の直観が得られることがわかります。 3 つのドーム、つまりサーフェスを当てはめようとしています。
	このナイフエッジを越えると、明らかに...若干の不安定性があります。簡単に想像できると思いますが、側面がしっかりと固定されていないので、前後に揺さぶることができます。それがあなたが得ている結果です。
	それは、変動インフレ要因という点で、それがどのように影響するかという点です。 OLS ソフトウェア...OLS 通常最小二乗分析典型的な回帰分析
	ある意味では、それを処理することはできません。おそらく、X 素数 X 行列が、場所によってはほぼ特異であることについても話すことができます。
	そこで、なぜそれが起こっているのかを推測することができました。 戻ってもっと考えてみましょう
	について
	について
	価値観については、
	私達はことを知っています
	ご存知のように、バリエーションインフレ要因が実際にはペアごと以上のことを考慮していることがわかりました。 しかし、情報源を知りたい場合は...直感が役立つので、次の関係について考えることができます。
	VIF とペアごとの比較。 60% の相関がある 2 つの変数がある場合のように
	それがすべてペアワイズであれば、VIF は約 2.5 になることがわかります。
	そして、それらが 90% 相関する 2 つの変数である場合、VIF は 10 になります。 そして文献にはこう書かれています
	VIF が 10 以上ある場合は、十分に不安定になるため、モデルについて心配する必要があります。 ある意味、データ内の事柄間に 90% の相関関係があることになります。
	さて、10 が適切なカットオフであるかどうかは、実際にはアプリケーションによって決まると思います。 それに基づいて実際の設計上の決定を行っている場合、10 というカットオフは高すぎると思います。
	そしておそらく2に近いほうが良いでしょう。 でも、もっと考えていたら。 さて、次のような実験の実行にどのような要素を入れるかを考えてみましょう。
	適切な実験を実行する方法を学びたいです。 そして、それに参加するには要素を選択する必要があることもわかっていました。 そして、私たちはいつもの容疑者を追いかけることが多すぎることを知っています。 そして、より良い要素を考えるよう自分に働きかける方法はあるでしょうか。 そうですね、それなら多分
	絞り込むには 10 個が役立つかもしれません。 したがって、それは実際に、次のことを考える上でどこに行きたいかによって異なります。
	何が目的なのかを考えること。 この目的の考え方について詳しく説明します。
	私にとって、モデリングには主に 2 つの目的があります。 1 つは何が起こるか、それは予測です。
	そして、しかし、それは異なります、時々なぜそれが起こるのか、そしてそれは説明に似ています。
	非常に単純な例で見たように、
	ゾーン 1 で指揮と測定を行うことはできますが、あまり適切な説明はできません。 私は、そのような推定値が間違った方向に進んでいるように見えるときに、私がいるとき、応答があったとき、なぜ何かが起こっているのかを考えるモデルを信頼しません。
	とてもそうなので、説明には使いません。 予測にさえ使用しないことを示唆しているようなものです。 モデルを理解できなくても、モデルは動作していることになりますが、直感的には期待どおりに動作していないからです。
	それは外挿を危険にしているように思えますが、もちろん定義上、将来の出来事の予測は時間の外挿であると私は考えています。 そうです、だから私はいつもこれについて考えていました。 そして、ご存知のとおり、ここまでは通常の最小二乗法について話しました。
	デシジョン ツリー、請願分析など、私が見ているモデリング テクニックはすべて、
	すべてが、さまざまな予期せぬ形で、この問題の影響を何らかの形で受けています。 ですので、可能であればお手入れをした方が良さそうです。 そして、それは製造データに特有のものではありません。
	しかし、製造データでは変数が制御できないことが多いため、おそらくさらに誇張されています。 もし私達
	ご存知のとおり、ゾーン 1 の温度があり、良い製品を作るためにはこの値が必要であることがわかっている場合は、その望ましい値にできる限り厳密に制御します。
	そして、それは実際に外挿がますます困難になっているということです。 つまり、私たちはそれらを制御できるので、これは誇張された製造です。
	ここで読むことができる製造データについては、他にもいくつかあります。
	これは機会であり課題であるため、それを改善します。 製造工程を理解できればさらに良いです。 それらがどのように実行されるかについては、多くの科学と工学が関係しています。
	そして、たとえば化学量論では、追加する A の量が化学量論的であること、化学物質 A が化学物質 B と関係があることが必要であることも理解できます。
	あるいは、ゆっくりと温度を上げる必要があるため、ゾーン 1 の温度から大きく異なる温度に上げたくないことがわかっています。そうしないとストレスが生じるだけです。
	したがって、プロセスを理解することができ、理解する必要があります。それは、多重共線性に関する経験的証拠がなくても、その一部を取り除くことができる 1 つの方法かもしれません。
	それもあります
	製造データの利点は、ほとんどの場合時間ベースであるため、時間の経過に応じて変数をプロットすることです。 そしていつも面白いです
	常にではありませんが、多くの場合興味深いのですが、製造データはここのように時間ブロックで移動しているようです...私たちはそれが 250 であるべきだと考えており、それを何か月、場合によっては数年も実行します。
	そして突然、誰かが「私たちは何か違うことをした、あるいは新しいアイデアがある」と言います。 温度を動かしてみます。 そしてとても違います。
	そしてもちろん、多重共線性がなぜ存在するのかを考えているなら、
	これは物理学や化学が原因である可能性があると話しましたが、もちろん、特に今見たように、時間の経過とともに変化する変数に懸念がある場合には、何らかの潜在的な変数が原因である可能性があります。
	その速度で変化するものはすべて、その、値、その、Y4 に影響を与えている実際のものである可能性があります。 制御計画が原因である可能性があります。
	設計によって相関関係がある可能性があります。 これらのそれぞれが多重共線性の理由であり、私がいつも尋ねる質問は次のとおりです。
	他の組み合わせを試すことは物理的に可能ですか、それとも単に物理的に可能ではなく、他の組み合わせを試すことに意味がありますか?
	この場合、実験を行うことに傾いており、これは非常に役立ちます。 このモデリングとデータの遡及的な確認は、より良い実験を計画するのに非常に役立ちます。
	期待が少し高すぎることもありますが、私の心の中では、この遡及データから最終的な答えが得られることを期待しているようです。
	ここまで、多変数クラスタリングに対処し、それを理解するための 2 つの方法について 2 つ半説明してきました。 1 つは VIF です。
	そして、これはすべての変数を含むより大きなモデルの VIF です。
	どれとどれが相関しているかについてはどう考えればよいでしょうか? これは私がたくさんの問題を抱えていることを示しています。
	しかし、これらの問題にどう対処すればよいのかは教えてくれません。 したがって、これは、「これは良いモデルではない」と判断するのに役立ちます。
	しかし、それはあなたをそこから抜け出すのにはおそらく役に立ちません。 そして、ここに相互作用を含めると、ほとんどの場合、相互作用はより相関しているため、事態はさらに悪化するでしょう。 したがって、別のテクニックが必要です。
	それが変数クラスタリングです。 これは JMP で利用できますが、これにアクセスするには 2 つの方法があります。 「多変量主成分の分析」を実行できます。
	または、クラスター変数のクラスター化に直接進むこともできます。 主成分を調べる場合は、赤いオプション...赤い三角のオプションを使用してクラスター変数を取得する必要があります。 私は追加の出力が好きなので、今でもこの方法である PCA を好みます。
	ただし、それは PCA に基づいています。 したがって、これから行うことは、最初に PCA について説明し、次に変数クラスタリングからの出力について説明することです。
	JMP ページもあります。 主成分について話すために、実際に最初に変数の標準化されたバージョンを扱うことにします。 そして、何が標準化されているかを思い出してみましょう。
	平均は 0 になり、標準偏差は 1 になります。 そこで私は、それらが現在、そして暗黙的に同じスケールであることを意味するものを標準化しました。
	あなたがするとき
	JMPの相関関係の主成分、
	暗黙的に標準化された変数に対して実行しています。
	もちろん、JMP は十分以上の機能を備えており、元の値を入力するのに十分以上の賢さを備えています。
	そして、それが正しい方法で機能し、出力するときに、式を出力し、何が正しいかを判断します。
	標準化されていない状態に戻ってしまったことを考えると、式は本来あるべきものでした。 ただし、最初の確認として、数式がどこにあるかなどを確認できるように、しばらく標準化された変数を使用して作業します。すぐに戻りますが、1 つの数式を確認したいだけです。
	それがこの式です。 そして私がやろうとしているのは、アウトプットについて考えることです。 それで、その目的は何ですか
	の
	PCAの？ これは変動削減手法と呼ばれるものですが、その内容は、変数の線形結合を検索することです。
	そして、気に入った線形結合が見つかった場合、それを主成分と呼びます。
	そして、これを行うために固有分析を使用します。
	別の考え方としては、私が望んでいるのは、60 個の奇妙な変数を入力に入れるということです。
	このプロセスで操作できる 60 の独立した次元はありません。それらは相関しています。 時間と温度のコマンドに対して何をするか
	実際の温度で何が起こるかは、ほぼ大きく影響します。 したがって、これらは 2 つの独立変数ではありません。 そこには二次元が存在しないと言ってはいけないのです。 では、次元はいくつあるのでしょうか?
	それがこの固有値が教えてくれるのです。 これらは分散のようなものです。 これらは分散の推定値であり、カットオフは次のとおりです。
	1つ。ここにテーブル全体がある場合、60 個の固有値が存在することになります。 ずっと下まで行くと、ジャンプスタートで .97 のレポートが表示されますが、次の値はおそらく .965 で、さらに下がり続けます。
	カットオフは、...または、それが 1 より大きい場合、この線形結合が信号を説明しているというガイドラインを示しています。 それが 1 未満の場合、それは単なるノイズの説明になります。
	それで、JMP は何をするのかというと、変数クラスタリングに行くと、こう言われます。
	ここには二次元があります。 それは、変数の 2 番目のグループを意味します。これは、何かを少し異なる方法で説明しています。 次に、それらを 2 つのグループに分けます。 そして両方に対して PCA を実行します。
	そして両方の固有値の場合...最初のものは大きくなりますが、2番目のものはどのようになりますか
	2つのグループに分かれた後は？ 今は1人未満ですか？ 1 未満の場合は、完了です。 しかし、それらが 1 つ以上の場合、ああ、そのグループはさらに分割される可能性がある、ということになります。
	そして、1 つ以上の 2 番目のコンポーネントがなくなるまで、さらにインタラクティブかつ直接的に分割されました。
	したがって、これらの線形結合が作成され、主成分 1 を保存すると、まさにこれらの式であることがわかります。 おっと。
	まさにこの式 .0612 が Prin1 の式であり、標準化する限り、これは正確になります。 標準化していない場合、JMP は標準化されていない環境でそれを行う方法を見つけるだけです。つまり、JMP は十分以上の能力を備えています。
	それでは、初期データの操作を開始しましょう。
	私たちの例をやってみましょう。 これは非常によく似た出力であることがわかります。 実際、私がオンにしたことを除いては同じ出力です。
	このオプションはクラスター変数です。 ここで得られるのは、クラスター変数の出力です。 そして、これらの数字が同じであることがわかります。 そして、ここでこれら 2 つを見てみましょう、といった考えが必要になることがすでに見え始めています。
	投入される AI の量は、投入される BI の量と非常に関連しているようです...そして、それが達成しようとしている化学反応の一部である場合、これはほとんどの化学プロセスにとって理にかなっています。
	10% 多く入れたい場合は、おそらく B を 10% 多く入れることになります。 したがって、この光線プロットでも、多重共線性を示唆するものがいくつか見られ始めています。 そして、どこかに行くために。
	しかし、それらを個別のグループに分類したいのですが、これは少し難しいです。
	温度ゾーン 4 のこの男を見てください。
	実は彼はその逆なんです。 それらはある意味同じ角度ですが、右の反対方向にあるので、彼は A と B からほぼ 100 度または 180 度になります。
	したがって、おそらく...ゾーン 4 の温度と AB には負の相関がある場合とそうでない場合があります...しかし、それらを排他的なグループに入れたいと考えており、それが得られるものです
	変数クラスタリングを要求したとき。 そこで、それらとまったく同じものを個別のグループに分け、さらに 8 つの異なるグループに分けました。
	そして、これが標準化された係数です。 これらは式です
	ご存知のとおり、これは個々のクラスター用です。 それで私が保存するとき
	クラスターコンポーネント
	Prin1 で行ったことと非常によく似た結果が得られますが、クラスター 1 のみが例外です。この行には、ゾーン 1 コマンドがあり、... が .44 であり、他の場所はゼロであることがわかります。 すべての変数は 1 つのクラスターまたは別のクラスターに排他的に存在します。
	それでは、出力の一部について話しましょう。
	そこで変数クラスタリングを行っています。
	おっと。
	ごめん。
トニー	そして、出力にいくつかのテーブルが得られました。 このウィンドウを閉じて最小化し、出力の観点からここにあるものについて話します。
	まず最初に私たちに指摘したいのは、標準化された見積もりであり、私たちはそれを行っていました。 それをやりたいなら、引用してください、
	手動で繰り返しますが、ここで .35238 を取得するにはどうすればよいですか。クラスター 1 変数だけで PCA を実行できます。 これらはそこに留まる変数です。 次に、固有値と固有ベクトルを調べます。これらは正確な正確な数値です。
	それで、
	.352 なので、まさに私が言ったとおりです。 工夫を凝らして複数の PCA を実行し続けますが、ここでの 2 番目の主成分が、申し訳ありませんが 1 未満であることがわかります。 だからこそ、そのコンポーネントで停止したのです
	そこにいるのは誰ですか
	クラスター 1、温度は ...ゾーン 1 の 2 つの測定値、ゾーン 3 の測定値、それに比較すると水の量が重要であるようです。 ここでは別の温度があり、クラスター 6 ではどうなっているでしょうか。
	これは非常に便利な色分けされた表です。 これはクラスターごとに整理されています。 これがクラスター 1 です。カーソルを合わせると、すべての内容を読むことができます
	水を加えました（私はそう言いましたが、水を加えました。 申し訳ありませんが、私の体温 3 に相当するものを入手させてください。)
	そして、これは正の相関関係ですが、興味深いことに、ゾーン 4 には負の相関関係があります。 したがって、次の色のブロックが確実に表示されます...なぜなら、これらは...だから、これは明らかにクラスター 1 であり、おそらくこれはクラスター 3 です。
	これは、クラスター 6 であることがわかります。
	しかし、ここを見てください...これは...ご想像のとおり、クラスター 1 とクラスター 3 にはある程度の相関関係があります。 私たちは何ができるかについて、いくつかのアイデアが見え始めます。 したがって、データ内で何が起こっているのかについて、ある程度の直感が得られ始めています。
	ここでこのテーブルを調べてみましょう。 これは、独自のクラスター、次のクラスター、および 1 から r の 2 乗を引いた比率です。 そしてなんと...それを自分のデータセットに保存します。
	それに対して多変量を実行します。 これで、クラスター 1 から 8 のコンポーネントとすべての要素が得られました。 そして、私が本当に興味があるのは、元のすべての変数とそれらがコンポーネントとどのようにクラスター化されるかなど、テーブルのこの部分です。 それで、そのテーブルを保存して、
	次に、このテーブルから余分な行を削除します。ただし、これは同じテーブルです。 いくつかの行を削除してみましょう。
	そして私は向きを変えます...そうすれば特定のものに焦点を当てることができます。 つまり、残っているのは、クラスターのコンポーネントである列と行です...
	行、列...それぞれの役割...そして、私たちが考えていた変数は 60 ではなく 27 であり (申し訳ありません)、それらを 8 つの異なるグループに分類し、その数を追加しました。 それらは自動的に来る可能性があります。
	これから仕事を始めて、仕事を続けるために私がやろうとしているのは、これらを相関関係にしたくないということです。 これらをR正方形として欲しいのです。 そこで、これらの数値をすべて 2 乗してみます。
	それで、私はそれらを二乗して、それで行きます。 今、私たちはそれを見ることができ、今からそれについて考え始めることができます。
	そして、整理しました...それでは見てみましょう
	1列目。
	申し訳ありませんが、これまで話した温度 1 の測定値は、クラスター 1 と 96% 相関しています。
	クラスター 2 との相関関係は 1% なので、クラスター 1 に入りたいと本当に望んでいるように私には見えますが、クラスター 2 に入りたいと言う必要はあまりありません。 私がやりたいのは、それらをすべて見つけてみましょう...
	ここでいくつかの項目を色分けして、より早く見つけられるようにしましょう。 それで
	私たちはゾーン 1 の測定値について話していますが、どちらかというと、入りたいのはクラスター 5 です。
	96% の相関があることはわかっていますが、相関しているわけではありません。このクラスターから離れなければならないとしたら、次にどこに行くのでしょうか? クラスター 5 について考えてみます。
	クラスター 5 には何が入っているのでしょうか? 確かに、それを検討し始めることもできます。 したがって、そこにはより多くの温度があります。 湿熱設定点など。 それで、もしそうでなかったら...この数字は、
	cl... 独自のクラスターを持つものは、そのクラスター内にいることをどれだけ好むかを話し、何... そして次のクラスターの R の 2 乗は、別のクラスターにどれだけ入りたいかを示します。 。 表に報告されているのはこれら 2 つです。
	JMP はすべての相関関係を示しているわけではありませんが、プロットする価値はあるかもしれません。先ほど示したように、それを行うのは難しくありません。
	これでわかるのは...私は自分のクラスターにいるのが本当に好きです。 これは、もし私がここを離れなければならなかった場合は、ここに行っても構わないということです。 それら 2 つを比較してみましょう。 そして、この数字から 1 を引いてみましょう。
	1 からこの数値を引いた値で割ります。 それは 1 から r の 2 乗を引いた比率です。 つまり、自分のクラスターがどれだけ気に入っているかを、別のクラスターにどれだけ行こうとしたかで割った比率になります。
	そして、それらのいくつかをプロットしてみましょう。
	そして
	そこでローカル データ フィルターを探してみましょう。
	クラスター。
	そして、ここからが問題です。 それで
	ある意味、この比率の値が低いほど優れています。 これらはここにいる人たちです（彼を強調しましょう）...
	さて、ここで一番上のものを強調しましょう。
	ここの下の方が好きです。 ごめん。
	この真空設定値は、次に近いクラスターである .97 対 .0005 よりも実際に非常に気に入っていることがわかり、比率がゼロに近いことがわかります。 だから、それらはそうではありません...
	これでは...それを移行したくないでしょう。 そして、クラスター 1 の変数について考えてみましょう、というようなことを始めることもできます。 誰かがそれを残したいとしたら、おそらくそれは Pct_reclaim です。 もしかしたら彼はそこに入ったのかもしれない、
	たとえば、偶然の偶然で、私がクラスタ 2 にいたとしたら、回線速度について考え始めることができます。
	最後に説明するテーブルは、クラスターの概要テーブルです。 それは
	このテーブルはここにあります。
	そして、このリストを調べて、自分のクラスターの r 2 乗を調べると、クラスター 1 の最大値は .967 であると言いました。
	なので、それが一番代表的なものかもしれません。
	私にとって、これを遅くするかどうかをソフトウェアに決定させるのは賢明ではないかもしれません...この変数とこの変数だけを、確かにすべてのソフトウェアではありますが、
	あなたが考える主要なものだけで起動するというボタンがあります。それはある意味、安定したモデルを提供するかもしれませんが、変更は短いと思います
	できることの種類。 そして、あなたと、できれば提供されたテクニックを使えば、私たちも...あなたは、他のことを探索できるようになりました。
	これは...独自のクラスターで PCA を再度実行することでこの数値を計算できます。クラスターを示唆しています...固有値 1 つの苦情が .69% で説明されているため、これはもう 1 つです...ちょっと考えてみますそれは独自のクラスターです。
	これらを閉じて、まとめてみましょう。
	そこで、いくつかのテクニックを紹介しました。 何が明らかかを理解していないと、データの解釈が難しくなり、モデルを誤解させる可能性さえあります。
	プロセスに関連するデータを理解すると、多重共線性が生じる可能性があります。 つまり、中小企業の観点、主題の専門知識の観点からの単なる理解です。
	ペアワイズプロットと散布図は解釈が簡単ですが、多重共線性が欠けているため、さらに解釈する必要があります。 VIF は、問題があることを知らせるのに優れています。 実際には、通常の最小二乗法でのみ使用できます。
	いいえ、予測のための比較対象はありません。
	また、いくつかのガイドラインがあり、変数クラスタリングは主成分に基づいており、より良いメンバーシップを示し、各グループの関係を強化します。
	そして、そのレビューや紹介が、おそらく、私が言っているように、JMP Discovery からこのデータセットを取得することを奨励することを願っています。そうすれば、スクリプトを自分で実行でき、明らかにもっとゆっくりと作業を進め、気分が良くなるかどうかを確認できます。おそらく自分のデータか何かで練習してください。
	最後にもう 1 つ、他の資料があり、サムと私が JMP Discovery カンファレンスやイベントで話したことがあります。
	...あるいは JMP のホワイト ペーパーを書いたら、製造に関して私たちが考えたことすべてについて考えてみたくなるかもしれません。
	製造データのモデリングは、私たちの多くが学校で学ぶ通信における顧客データのような理解と比較すると、少し独特です。 そして、ご清聴ありがとうございます、そして幸運を祈ります
	さらに分析すると。

起こる予測モデリング品質と信頼性