281522_ko-KR

liliconcom

저장된 제조 데이터를 분석할 때 변수 클러스터링을 이해하는 것이 중요합니다(2020-US-30MP-576)

수준: 중급

 

Tony Cooper, SAS 수석 분석 컨설턴트
Sam Edgemon, SAS Institute 수석 분석 컨설턴트

 

프로세스 제품 개발에서 실험 계획법(DOE)은 다음과 같은 질문에 답하는 데 도움이 됩니다. 어떤 X가 Y를 어떤 방향으로 변화시키고 단위당 얼마나 많은 변화를 가져오는가? 원하는 효과를 어떻게 달성합니까? 그리고 어떤 X가 패자 제어를 허용하거나 더 엄격한 제어를 요구하거나 다른 최적 설정을 요구할 수 있습니까? 과거 데이터의 정보는 이러한 질문에 부분적으로 대답하고 올바른 실험을 실행하는 데 도움이 될 수 있습니다. 이러한 비 DoE 데이터의 문제 중 하나는 다중 공선성의 문제입니다. 다중 공선성을 감지하고 이해하면 분석가가 적절하게 대응할 수 있습니다. 모델 분석의 분산 팽창 요인과 모델을 고려하지 않는 변수 클러스터링은 두 가지 일반적인 접근 방식입니다. 각각의 정보는 유사하지만 동일하지는 않습니다. 간단한 플롯은 이해를 더할 수 있지만 정보가 충분하지 않을 수 있습니다. 문제를 논의하기 위해 예제가 사용됩니다.

 

 

자동 생성된 스크립트...

 

스피커	성적 증명서
토니	안녕하세요, 제 이름은 Tony Cooper입니다. 저는 Sam Edgemon과 제가 했던 몇 가지 작업을 발표할 예정이며 우리 둘을 대표할 것입니다.
	Sam과 저는 우리 경력의 대부분을 제조 및 엔지니어링을 지원하는 연구 통계학자입니다. 오늘의 주제는 저장된 제조 데이터를 분석할 때 변수 클러스터링을 이해하는 것이 중요하다는 것입니다.
	저는 발표를 위해 단일 데이터 세트를 사용할 것입니다. 이 프리젠테이션의 초점은 출력물 읽기입니다. 그리고 출력을 생성하기 위해 모든 대화 상자를 채울 시간도 없습니다.
	하지만 모든 스크립트를 데이터 테이블에 저장했습니다. 물론 JMP 커뮤니티에서 사용할 수 있습니다.
	데이터...스크립트가 실행되면 언제든지 빨간색 화살표를 사용하여 다시 실행 옵션을 수행하고 분석을 다시 시작할 수 있으며 해당 출력을 표시하는 데 사용되었던 대화 상자가 표시됩니다.
	저는 제조 데이터에 있는 이 단일 데이터 세트를 사용할 것입니다.
	이 데이터가 어떻게 보이는지 간단히 살펴보겠습니다.
	그리고
	미안해
	빠른. 이 데이터세트가 어떻게 보이는지 보세요. 우선, 타임스탬프가 있습니다. 그래서 이것은 지속적인 과정이고 일정 시간이 지나면 다시 돌아와서 많은 정보를 얻습니다.
	일부 Y 변수, 일부 주요 결과, 고객이 정말로 관심을 갖는 일부 KPI 등이 사양에 부합해야 효과적으로 출시할 수 있습니다. 그리고...그래서 이것들은...확실히 출력이 될 것입니다. 오른쪽.
	라인 속도, 진동 설정점에서의 방법,
	그리고 다른 많은 것들. 전체를 보면 알 수 있듯이 그 순간 측정하고 있는 이상한 변수가 60개 있습니다. 그 중 일부는 센서이고 일부는 설정점입니다.
	실제로 그 중 일부가 실제로 제조 열 설정점과 같은 설정점인지 살펴보겠습니다. 그 중 일부는 PLC가 프로세스에 지시한 내용을 의미하는 명령입니다. 그 중 일부는 현재의 실제 가치를 나타내는 측정값입니다.
	그들 중 일부는
	주변 조건, 아마도 외부 온도라고 생각합니다.
	그들 중 일부
	일련의 재료 품질 특성이 있으며 확실히 일부 비전 시스템 출력이 있습니다. 따라서 현재 입력에는 많은 것들이 있습니다.
	예를 들어, 제가 명령과 측정값을 가지고 있다면, 제가 구역에 있기를 원하는 것과 그것이 실제로 측정하는 것이 상관관계가 있기를 바란다고 상상할 수 있습니다. .
	그리고 우리는 무슨 일이 일어나고 있는지 생각하기 위해 그 중 일부를 조사해야 합니다. 이것이 바로 다중공선성입니다. 즉, 서로 간의 상호관계를 이해하는 것입니다.
	입력 또는 별도로 다중 공선성과 출력을 이해합니다. 그러나 대체로 Y를 하지 않으면 현재 X 효과가 발생합니다. 감독된 기술을 수행하고 있지 않습니다. 이것은 비지도 기술이지만 저는 단지 그런 방식으로 데이터에서 무슨 일이 일어나고 있는지 이해하려고 노력하고 있습니다.
	그리고 내 모든 스크립트는 여기에 있습니다. 네, 여기에 우리가 이야기한 요약이 있습니다. 여기에 데이터 검토가 있습니다. 방금 말했듯이 다중 공선성이 그렇게 많은 이유를 설명할 수 있습니다. 왜냐하면 거기에는 설정된 점과 실제 값이 있기 때문입니다. 그래서, 우리는 그런 것들에 대해 배울 것입니다.
	우리가 먼저 할 일은 Y를 X의 함수와 동일하게 맞추고 이를 설정하는 것입니다. 지금은 이 두 변수만 살펴보겠습니다.
	구역 1 명령은 내가 구역 1에 지시한 것과 같습니다. 그리고 나는 작은 열전쌍을 가지고 있습니다. 구역 1에 있는 작은 열전쌍이 측정 중입니다.
	그리고 구역 1의 온도가 높아질수록 이 Y4도 낮아지고 이 반응 변수도 낮아진다는 것을 분명히 알 수 있습니다.
	그리고 그것은 측정에서도 마찬가지입니다. 그리고 여러분은 추정치에서 음수와 대체로 모두 상당히 비슷하다는 것을 알 수 있습니다.
	이 하나의 변수가 Y4에서 일어나는 일의 50%를 설명한다는 의미에서 예측 변수입니다. 자, 그럼
	다변량을 해보자. 이제 내가 모델에 적합하고 두 변수를 모두
	내 모델에 적용하고 아직 Y4를 분석 중입니다. 내 응답은 여전히 Y4입니다. 아, 이것 좀 보세요. 이제 명령이 올라감에 따라 Y로 제안됩니다. 응, 그렇구나
	그것은 내가 기대하는 것과 반대입니다. 이는 올바른 방향으로 보면 여전히 부정적이지만 다음을 살펴보세요.
	이 숫자 중 일부를보세요. 이것은 제가 조금 전에 .04와 .07로 마이너스였던 것과 같은 야구장에 있지도 않습니다. 이제 양수는 .4이고 음수는 .87입니다.
	엔지니어링 관점에서 이 모델을 신뢰할 수 있을지 확신할 수 없으며, 이 모델이 이 프로세스를 어떻게 특성화하고 이해하는 데 도움이 되는지 정말 궁금합니다.
	그리고 단서가 있습니다. 이는 기본적으로 켜져 있지 않을 수도 있지만 이 매개변수 추정 테이블을 마우스 오른쪽 버튼으로 클릭하면 VIF 열을 요청할 수 있습니다.
	이는 변동 인플레이션 팩터(Variation Inflation Factor)를 나타냅니다. 그리고 그것은...모델의 불안정성에 대한 추정치입니다.
	이 다중공선성. 그래서 당신은 할 수 있습니다...그래서 우리는 그것이 무엇인지...그 변수에 대해 어떻게 생각해야 하는지에 대해 약간의 직관을 얻을 필요가 있습니다. 하지만 무슨 일이 일어나고 있는지 좀 더 명확하게 설명하기 위해 음모를 꾸미겠습니다.
	온도 구역 1 명령과 측정값은 다음과 같습니다. 예상한 대로
	말씀하신 대로... 구역의 온도가 올라가도록 지시합니다. 예, 해당 구역의 온도는 전반적으로 증가하며 아마도 올바른 값이 될 것입니다. 이 색상은 Y4로 구분되어 있으므로 더 낮은 온도를 제안합니다.
	Y4의 높은 값과 그...
	죄송합니다...예, 낮은 기온에서는 Y4의 높은 값을 얻었고 개별 플롯에서 본 것과 똑같습니다.
	하지만 다변량 모델이 작동하지 않은 이유에 대해 문제가 직관을 얻을 수 있다는 것을 알 수 있습니다. 당신은 3개의 돔, 즉 표면을 맞추려고 합니다.
	이 칼날 위에 있으면 분명히... 약간의 불안정성이 있고... 측면에 잘 고정되지 않아서 여기에서 앞뒤로 움직일 수 있다는 것을 쉽게 상상할 수 있을 것입니다.
	그것은 변동 인플레이션 요인의 관점에서 볼 때입니다. OLS 소프트웨어...OLS 보통 최소 제곱 분석 일반적인 회귀 분석
	단지 그것을 처리할 수 없습니다. 어떤 의미에서 우리는 X 프라임 X 행렬이 장소에서 거의 특이하다는 것에 대해 이야기할 수도 있습니다.
	그래서 우리는 왜 그런 일이 일어나는지 경험적으로 알아냈습니다. 다시 돌아가서 좀 더 생각해 보자
	에 대한
	에 대한
	가치에 대한 정보와
	우리는 그것을 알고 있습니다
	우리는 이제 변동 인플레이션 요인이 실제로 쌍 단위 이상의 것을 생각한다는 것을 알고 있습니다. 하지만 출처를 밝히고 싶다면...직관은 두 요소 사이의 관계에 대해 생각하는 데 도움이 됩니다.
	VIF 및 쌍별 비교. 예를 들어 상관관계가 60%인 두 변수가 있는 경우
	그렇다면 그것이 모두 쌍별이었다면 VIF는 약 2.5가 될 것입니다.
	그리고 두 변수의 상관관계가 90%라면 VIF는 10이 됩니다. 그리고 문헌은 이렇게 말합니다.
	VIF가 10 이상이면 불안정성이 충분하므로 모델에 대해 걱정해야 합니다. 그러니까, 어떤 의미에서는 데이터에 있는 항목들 사이에 90%의 상관관계가 있기 때문입니다.
	이제 10이 좋은 컷오프인지 여부는 귀하의 지원서에 달려 있는 것 같습니다. 이를 바탕으로 실제 디자인 결정을 내린다면 10의 컷오프는 너무 높다고 생각합니다.
	그리고 아마도 2개에 가까운 것이 더 나을 수도 있습니다. 하지만 내가 더 많이 생각했다면. 그럼, 다음과 같은 실험에 어떤 요소를 넣어야 할지 생각해 보겠습니다.
	올바른 실험을 실행하는 방법을 배우고 싶습니다. 그리고 저는 거기에 들어갈 요소들을 선택해야 한다는 것을 알고 있었습니다. 그리고 나는 우리가 너무 자주 용의자를 쫓는다는 것을 알고 있습니다. 그리고 더 나은 요소를 생각하도록 나 자신을 밀어붙일 수 있는 방법이 있습니까? 글쎄요, 그렇다면 아마도
	10개는 범위를 좁히는 데 도움이 될 수 있습니다. 그래서 그것은 실제로 당신이 가고 싶은 곳이 어디인지에 달려 있습니다.
	목적이 무엇인지 생각해보세요. 목적에 대한 아이디어에 대해 자세히 알아보세요.
	아시다시피 제가 모델링을 하는 데에는 두 가지 주요 목적이 있습니다. 하나는 무슨 일이 일어날지 예측하는 것입니다.
	그러나 그것은 때로는 왜 일어날 것인가와는 다르며 그것은 설명에 더 가깝습니다.
	방금 본 것처럼 매우 간단한
	영역 1에 대한 명령과 측정은 할 수 있지만 아주 좋은 설명은 할 수 없습니다. 나는 그 모델이 내가 언제, 언제, 응답이 언제, 추정치가 잘못된 방향으로 가는 것처럼 보일 때 왜 무슨 일이 일어나고 있는지 생각하는 것을 신뢰하지 않을 것입니다.
	그래서 설명을 위해 사용하지 않을 것입니다. 나는 그것을 예측에 사용하지 않을 것이라고 제안하고 있습니다. 모델을 이해할 수 없다면 모델은 작동하고 있지만 직관적으로 기대한 대로 작동하지 않는 것이기 때문입니다.
	물론 그것은 외삽을 위험하게 만드는 것 같습니다. 물론 정의에 따르면 미래 사건에 대한 예측은 시간에 따른 외삽이라고 생각합니다. 그렇죠, 그래서 저는 항상 이것에 대해 생각하곤 했습니다. 그리고 알다시피, 우리는 지금까지 보통 최소제곱에 대해 이야기하고 있습니다.
	의사결정 트리, 청원 분석,
	모두 예상치 못한 방식으로 이 문제로 인해 영향을 받습니다. 그러니 가능하다면 잘 챙겨두는 것이 좋을 것 같습니다. 그리고 이는 제조 데이터에만 국한되는 것이 아닙니다.
	그러나 제조 데이터에서는 변수를 통제할 수 없는 경우가 많기 때문에 과장된 경우가 더 많습니다. 만약 우리가
	1구역 온도가 있고 좋은 제품을 만들기 위해서는 이 온도가 필요하다는 것을 배웠다면 우리는 원하는 값으로 최대한 엄격하게 제어할 것입니다.
	그래서 외삽법이 실제로 나오는 것은 점점 더 어려워지고 있습니다. 그래서 이것은 우리가 통제할 수 있기 때문에 과장된 제조입니다.
	그리고 여기에서 읽을 수 있는 제조 데이터에 대한 몇 가지 다른 사항이 있습니다.
	더 좋게 만드세요. 왜냐하면 이것은 기회이자 도전이기 때문입니다. 더 좋은 점은 제조 과정을 이해할 수 있다는 것입니다. 이러한 것들이 어떻게 작동하는지에 대한 많은 과학과 공학이 있습니다.
	그리고 예를 들어 화학량론에서는 추가하는 A의 양이 화학물질 A와 화학물질 B의 관계에 있어야 한다는 것을 이해할 수 있습니다.
	또는 온도를 천천히 높여야 하기 때문에 여기의 1단계 온도에서 완전히 다른 온도로 이동하고 싶지 않다는 것을 알고 있습니다. 그렇지 않으면 스트레스가 발생할 뿐입니다.
	따라서 프로세스를 이해할 수 있고 이해해야 하며 다중 공선성에 대한 실증적 증거가 없더라도 일부를 제거할 수 있는 방법이 될 수 있습니다.
	또한 있습니다
	제조 데이터의 장점은 거의 항상 시간을 기반으로 한다는 점입니다. 따라서 시간에 따라 변수를 표시해야 합니다. 그리고 항상 흥미롭습니다
	항상 그런 것은 아니지만 종종 흥미로운 점은 제조 데이터가 여기처럼 여러 시간 단위로 이동하는 것 같다는 것입니다. 우리는 250개여야 한다고 생각하고 이를 몇 달, 어쩌면 몇 년 동안 실행합니다.
	그런데 갑자기 누군가가 우리가 뭔가 다른 일을 해냈거나 새로운 아이디어가 생겼다고 말합니다. 온도를 옮겨보자. 그리고 매우 다릅니다.
	그리고 물론 다중공선성이 왜 존재하는지 생각한다면,
	우리는 그것이 물리학이나 화학 때문일 수 있다고 말했지만 물론 일부 잠재 변수 때문일 수도 있습니다. 특히 방금 본 것처럼 시간에 따른 변수 이동에 대한 우려가 있는 경우에는 더욱 그렇습니다.
	그 속도로 변화하는 모든 것은 Y4의 가치에 영향을 미치는 실제 것일 수 있습니다. 통제 계획 때문일 수도 있습니다.
	디자인에 따라 연관될 수 있습니다. 그리고 이러한 각각의 다중 공선성의 이유와 제가 항상 묻는 질문은 다음과 같습니다.
	다른 조합을 시도하는 것이 물리적으로 가능합니까, 아니면 물리적으로만 가능한 것이 아니라 다른 조합을 시도하는 것이 합리적입니까?
	어떤 경우에는 실험을 하려고 하는데 이는 매우 도움이 됩니다. 이러한 모델링과 데이터를 회고적으로 살펴보는 것은 더 나은 실험을 설계하는 데 매우 도움이 됩니다.
	때로는 기대가 너무 높을 때도 있지만, 내 생각에는 이 회고적 데이터에서 확실한 답을 기대하는 것 같습니다.
	그래서 우리는 다중 변수 클러스터링을 다루고 이해하기 위해 이미 두 가지 방법에 대해 이야기했습니다. 하나는 VIF입니다.
	그리고 여기에 모든 변수가 포함된 더 큰 모델의 VIF가 있습니다.
	어느 것이 어느 것과 연관되어 있는지 어떻게 생각할까요? 이것은 나에게 많은 문제가 있다는 것을 말해줍니다.
	그러나 이러한 문제를 어떻게 처리해야 하는지는 알려주지 않습니다. 그래서 이것은 여러분이 '아, 이건 좋은 모델이 아닐 거야'라고 말하는 데 도움이 됩니다.
	그러나 그것은 당신을 그것에서 벗어나게 하는 데 아마도 도움이 되지 않을 것입니다. 그리고 여기에 상호 작용을 추가한다면 거의 항상 더 많은 상관관계가 있기 때문에 상황은 더욱 악화될 것입니다. 그래서 우리에게는 또 다른 기술이 필요합니다.
	이것이 바로 변수 클러스터링입니다. 이것은 JMP에서 사용할 수 있으며 두 가지 방법으로 접근할 수 있습니다. 다변량 주성분 분석을 진행할 수 있습니다.
	또는 클러스터 변수 클러스터링으로 바로 이동할 수 있습니다. 주성분을 살펴보면 클러스터 변수를 얻으려면 빨간색 옵션...빨간색 삼각형 옵션을 사용해야 합니다. 나는 추가 출력을 좋아하기 때문에 여전히 이 방법인 PCA를 선호합니다.
	그러나 이는 PCA를 기반으로 합니다. 따라서 우리가 하려는 것은 먼저 PCA에 대해 이야기한 다음 변수 클러스터링의 출력에 대해 이야기하는 것입니다.
	그리고 JMP 페이지도 있습니다. 주성분에 대해 이야기하기 위해 실제로 표준화된 버전의 변수를 먼저 다루겠습니다. 그리고 무엇이 표준화되어 있는지 생각해 봅시다.
	이제 평균은 0이고 표준편차는 1입니다. 그래서 저는 그것이 현재와 여러분이 그렇게 할 때 암묵적으로 모두 동일한 규모에 있다는 것이 무엇을 의미하는지 표준화했습니다.
	당신이 할 때
	JMP의 상관관계에 대한 주요 구성요소
	암묵적으로 표준화된 변수를 사용하고 있습니다.
	물론 JMP는 원래 값을 입력할 수 있을 만큼 유능하고 똑똑합니다.
	올바른 방식으로 작동하고 출력할 때 공식을 출력하고 올바른 것이 무엇인지 알아낼 것입니다.
	공식이 주어졌어야 했는데, 표준화되지 않은 상태로 돌아갔습니다. 하지만 첫 번째 보기로서 공식이 어디에 있는지와 몇 가지 사항을 확인하기 위해 잠시 동안 표준화된 변수를 사용하여 작업할 예정이지만 빠르게 돌아가겠지만 공식 하나만 보고 싶습니다.
	이것이 바로 여기에 있는 공식입니다. 그리고 제가 하려는 것은 결과에 대해 생각하는 것입니다. 그렇다면 목적은 무엇인가?
	~의
	PCA의? 변형 감소 기술이라고 불리는데, 이것이 하는 일은 변수의 선형 조합을 찾는 것입니다.
	그리고 마음에 드는 선형 조합을 찾으면...그것을 주성분이라고 합니다.
	그리고 이를 위해 Eigen 분석을 사용합니다.
	그래서 그것에 대해 생각하는 또 다른 방법은, 제가 원한다는 것입니다. 60개의 이상한 변수를 입력에 넣었습니다.
	이 프로세스에서 조작할 수 있는 60개의 독립적인 차원은 없으며 서로 연관되어 있습니다. 시간, 온도 명령에 대해 내가 하는 일
	실제 온도 1에서 일어나는 일을 거의 크게 좌우합니다. 그래서 그것들은 두 개의 독립 변수가 아닙니다. 그것들은 당신이 거기에 2차원이 없다고 말하지 않습니다. 그럼 우리는 몇 차원을 갖고 있나요?
	이것이 고유값이 여러분에게 말하는 것입니다. 이것들은 차이와 같습니다. 이는 분산 추정치이며 컷오프는 다음과 같습니다.
	하나. 그리고 여기에 전체 테이블이 있다면 60개의 고유값이 있을 것입니다. 맨 아래로 내려가면 .97로 점프스타트 보고가 되지만 다음 아래로는 아마도 .965일 것이고 계속해서 내려갈 것입니다.
	컷오프는 ... 또는 일부 지침에 따르면 1보다 크면 이 선형 조합이 신호를 설명한다는 것입니다. 그리고 그것이 1보다 작다면 그것은 단지 소음을 설명하는 것입니다.
	JMP가 하는 일은...변수 클러스터링으로 이동하면 다음과 같습니다.
	여기에는 2차원이 있습니다. 그것은 두 번째 변수 그룹을 의미합니다. 그렇죠. 그것은 뭔가를 조금 다르게 설명하고 있습니다. 이제 이들을 두 그룹으로 나누겠습니다. 그런 다음 두 가지 모두에 대해 PCA를 수행할 것입니다.
	그리고 둘 다에 대한 고유값이 있다면... 첫 번째 값은 클 것이지만 두 번째 값은 어떻게 생겼나요?
	내가 두 그룹으로 나눈 후에요? 이제 1보다 작습니까? 음, 1보다 작으면 끝입니다. 하지만 만약 그 수가 1보다 크다면, 아, 그 그룹은 훨씬 더 쪼개질 수 있을 것 같습니다.
	그리고 더 이상 하나보다 큰 두 번째 구성 요소가 없을 때까지 더욱 대화식으로, 직접적으로, 분열적으로 분할되었습니다.
	따라서 이러한 선형 조합이 생성되고 여러분은 볼 수 있습니다. 제가 주성분 1을 저장하면 바로 이 공식이 나옵니다. 이런.
	그것은 바로 이 공식, .0612이고 이것이 Prin1의 공식이며 표준화하는 한 이는 정확히 맞을 것입니다. 표준화하지 않으면 JMP는 표준화되지 않은 환경에서 이를 수행하는 방법을 알아낼 것입니다.
	이제 초기 데이터로 작업을 시작하겠습니다.
	그리고 우리는 모범을 보일 것입니다. 그리고 여러분은 이것이 매우 유사한 결과임을 보게 될 것입니다. 사실 내가 켠 한 가지를 제외하고는 동일한 출력입니다.
	바로 여기 클러스터 변수 옵션이 있습니다. 그리고 제가 여기서 얻는 것은 클러스터 변수 출력입니다. 그리고 이 숫자가 같은 것을 볼 수 있습니다. 그리고 여러분은 이미 해야 할 생각 중 일부를 보기 시작할 수 있습니다. 바로 여기 이 두 가지를 살펴보겠습니다.
	투입된 AI의 양은 투입된 BI의 양과 밀접한 관련이 있는 것으로 보입니다. 따라서 달성하려는 화학 반응의 일부인 경우 대부분의 화학 공정에 적합합니다.
	아시다시피, 10%를 더 넣으려면 아마도 B를 10% 더 넣을 것입니다. 따라서 이 광선 도표에서도 다중 공선성을 암시하는 몇 가지 사항이 보이기 시작합니다. 그래서 어딘가에 도착합니다.
	하지만 저는 그것들을 별개의 그룹으로 나누고 싶습니다. 왜냐하면 이것은 조금 어렵기 때문입니다.
	여기 이 사람을 보세요. 온도 구역 4입니다.
	그는 실제로 그 반대입니다. 그들은 일종의 같은 각도이지만 오른쪽 반대 방향이므로 A와 B에서 거의 100도 또는 180도입니다.
	어쩌면...구역 4 온도 및 AB와 음의 상관관계가 있을 수도 있고 그렇지 않을 수도 있지만...저는 또한 그들을 배타적인 그룹에 넣고 싶습니다. 그것이 바로 우리가 얻는 것입니다.
	변수 클러스터링을 요청했을 때. 그래서 아주 동일한 것들을 취하여 별개의 그룹으로 분류하고 8개의 별개의 그룹으로 분류했습니다.
	그리고 표준화된 계수는 다음과 같습니다. 이것이 공식입니다
	아시다시피 개별 클러스터에 대한 것입니다. 그래서 저장하면
	클러스터 구성 요소
	클러스터 1에 대해서만 제외하고는 Prin1에서 수행한 것과 매우 유사합니다. 이 행에서 .44가 있는 영역 1 명령이 있고 다른 모든 곳은 0이라는 것을 알 수 있기 때문입니다. 모든 변수는 하나의 클러스터 또는 다른 클러스터에만 배타적으로 존재합니다.
	그럼...결과의 일부에 대해 이야기해 보겠습니다.
	그래서 우리는 변수 클러스터링을 수행하고 있으며
	이런.
	죄송합니다.
토니	그런 다음 출력에 몇 가지 테이블이 있습니다. 그럼 닫겠습니다...이 창을 최소화하고 출력 측면에서 여기에 있는 내용에 대해 이야기하겠습니다.
	그리고 제가 우리에게 지적하고 싶은 첫 번째 것은 표준화된 추정치이며 우리는 그렇게 하고 있었습니다. 그리고 그렇게 하고 싶다면 인용해 보세요.
	원한다면 직접 반복하고 여기서 .35238을 어떻게 얻나요? 클러스터 1 변수에서만 PCA를 실행할 수 있습니다. 이것들은 거기에 머무르는 변수들입니다. 그리고 고유값, 고유벡터를 볼 수 있는데 이것들은 정확한 숫자입니다.
	그래서,
	.352는 제가 말한 그대로입니다. 계속해서 여러 PCA를 교묘하게 수행하고 있으며 여기서 두 번째 주요 구성 요소는 죄송합니다. 1보다 작다는 것을 알 수 있습니다. 그래서 그것이 해당 구성요소에서 멈춘 이유입니다.
	거기 누구야?
	클러스터 1, 온도는...두 구역 1은 측정하고, 구역 3은 A를 측정합니다. 그에 비해 물의 양이 중요한 것 같습니다. 여기와 클러스터 6에 다른 온도가 있습니다.
	이것은 매우 유용한 색상으로 구분된 표입니다. 이는 클러스터별로 구성됩니다. 이것이 클러스터 1입니다. 그 위로 마우스를 가져가면 모든 내용을 읽을 수 있습니다.
	물을 추가했습니다(물을 추가해야 한다고 말했지만, 물을 추가해야 합니다. 죄송합니다. 제 온도 3에 해당하는 것을 사겠습니다.)
	그리고 그것은 양의 상관관계입니다. 흥미로운 영역 4는 음의 상관관계를 가지고 있습니다. 따라서 여러분은 확실히 색상 블록을 보게 될 것입니다. 왜냐면 이것들은...이것이 분명히 클러스터 1이고, 이것은 아마도 클러스터 3일 것입니다.
	이것은 클러스터 6이라는 것을 알고 있습니다.
	하지만 여기를 보세요... 이것은... 여러분이 상상할 수 있듯이 클러스터 1과 3은 어느 정도 상관관계가 있습니다. 우리는 우리가 무엇을 할 수 있는지에 대한 몇 가지 아이디어를 보기 시작합니다. 그래서 우리는 데이터에서 무슨 일이 일어나고 있는지에 대해 어느 정도 직관을 갖기 시작했습니다.
	바로 여기 이 테이블을 살펴보겠습니다. 이것은 다음 클러스터와 1 - r 제곱 비율을 갖는 자체 클러스터가 있는 것입니다. 그리고 뭐...저는 그것을 제 데이터 세트에 저장하겠습니다.
	나는 그것에 대해 다변량을 실행할 것입니다. 그래서 저는 클러스터 1부터 8개의 구성 요소와 모든 요소를 얻었습니다. 그리고 제가 정말 관심을 갖는 것은 모든 원래 변수와 이들이 구성 요소와 어떻게 클러스터링되는지와 같은 테이블의 이 부분입니다. 그럼 그 테이블을 저장하고
	그런 다음 내가 할 일은 이 테이블에서 일부 추가 행을 삭제하는 것입니다. 하지만 테이블은 동일합니다. 일부 행을 삭제해 보겠습니다.
	그리고 나는 돌아서서...우리가 특정 것들에 집중할 수 있도록 하겠습니다. 그래서 나에게 남은 것은 클러스터 구성 요소인 열과 행입니다.
	행 열...다양한 것의 역할...이제 우리가 생각했던 변수는 60개가 아니라 27개입니다(죄송합니다). 이를 8개의 다른 그룹에 넣고 그 숫자를 추가했습니다. 자동으로 올 수도 있습니다.
	나는 시작할 것이고 계속해서 일하기 위해 내가 할 일은 이러한 상관 관계를 원하지 않는다는 것입니다. 나는 이것을 R 제곱으로 원합니다. 그래서 나는 그 숫자들을 모두 제곱할 것입니다.
	그래서 나는 그것들을 제곱했고 여기 있습니다. 이제 우리는 그것에 대해 생각할 수 있습니다.
	그리고 정렬했습니다...그럼 살펴보겠습니다.
	첫 번째 줄.
	죄송합니다. 우리가 이야기한 온도 측정값 중 하나는 클러스터 1과 96% 상관관계가 있습니다.
	클러스터 2와 1% 상관 관계가 있으므로 클러스터 1에 정말로 있고 싶어하는 것처럼 보이지만 클러스터 2에 들어가고 싶다고 말할 필요는 별로 없습니다. 내가 하고 싶은 건 그걸 다 찾아보는 거야...
	더 빨리 찾을 수 있도록 여기에 몇 가지 항목을 색상으로 구분해 보겠습니다. 그래서
	우리는 영역 1 측정에 대해 이야기하고 있으며, 속하고 싶은 영역은 클러스터 5입니다.
	상관관계가 96%라는 것을 알지만 그렇지 않을 것입니다. 이 클러스터를 떠나야 한다면 다음에는 어디로 갈까요? 클러스터 5에 대해 생각할 것입니다.
	클러스터 5에는 무엇이 있나요? 글쎄, 당신은 확실히 그것을 보기 시작할 수 있습니다. 그래서 거기에는 더 많은 온도가 있습니다. 습열 설정점 등. 만약 그렇지 않았다면... 이 숫자는,
	with the cl...with its own 클러스터는 클러스터에 있는 것을 얼마나 좋아하는지 말해주고, 다음 클러스터에 제곱된 R은 얼마나 다른 클러스터에 있고 싶은지 알려줍니다. . 그리고 이것이 표에 보고된 두 가지 사항입니다.
	아시다시피 JMP는 모든 상관관계를 보여주지는 않지만 도표화할 가치가 있을 수 있으며 방금 보여드린 것처럼 어렵지 않습니다.
	그래서 이것은 여러분에게 말해줍니다...저는 제 자신의 클러스터에 있는 것을 정말 좋아합니다. 이것은 내가 떠나야 한다면 여기로 가도 괜찮다는 뜻입니다. 그 두 가지를 비교해 보겠습니다. 그리고 1에서 이 숫자를 빼자.
	1에서 이 숫자를 뺀 값으로 나눕니다. 그것은 1 빼기 r 제곱 비율입니다. 따라서 이는 자신의 클러스터를 얼마나 좋아하는지를 다른 클러스터로 이동하려고 시도한 정도로 나눈 비율입니다.
	그리고 그 중 일부를 그려보겠습니다.
	그리고
	거기에서 로컬 데이터 필터를 찾아보겠습니다.
	클러스터.
	그리고 여기에 문제가 있습니다. 그래서
	어떤 의미에서는 이 비율의 값이 낮을수록 더 좋습니다. 여기 있는 사람들이 바로 이 사람들입니다(그를 강조해 보겠습니다)...
	글쎄요, 여기서 가장 중요한 점을 강조해 보겠습니다. 바로 이 것입니다.
	나는 여기 아래에 있는 것을 좋아한다. 죄송합니다.
	이 진공 설정점은 다음으로 가장 가까운 .97 대 .0005에 비해 자체 클러스터가 정말 마음에 드는 것을 볼 수 있으므로 비율이 0에 가깝다는 것을 알 수 있습니다. 그럼 그런 사람들은 안 되지...
	그것으로...당신은 그것을 옮기고 싶지 않을 것입니다. 그리고 클러스터 1 변수에 대해 생각해 보는 것과 같은 작업을 시작할 수 있습니다. 떠나고 싶은 사람이 있다면 아마도 Pct_reclaim일 것입니다. 어쩌면 그 사람이 거기 들어갔을지도 모르죠.
	예를 들어, 우연한 기회에 제가 클러스터 2에 있었다면 회선 속도에 대해 생각하기 시작할 수 있습니다.
	마지막으로 이야기할 테이블은 클러스터 요약 테이블입니다. 그건
	여기 이 테이블이요.
	그리고 그것은...이 목록을 통해 내가 r 제곱 자체 클러스터를 살펴보면 클러스터 1의 가장 높은 숫자가 .967이라고 말했습니다.
	그래서 아마도 그게 가장 대표적인 것 같아요.
	나에게는 소프트웨어가 이것을 늦게 유지할 것인지 결정하도록 하는 것이 현명하지 않을 수 있습니다. 물론 모든 소프트웨어는 이 변수와 이 변수만 유지합니다.
	생각하는 주요 항목으로만 실행하라는 버튼이 있어서 어떤 의미에서는 안정적인 모델을 제공할 수 있지만 변화가 짧다고 생각합니다.
	당신이 할 수 있는 일의 종류. 그리고 여러분과 제공된 기술을 통해 우리는... 이제 다른 것들을 탐색할 수 있는 능력을 갖게 되었습니다.
	이것은...자체 클러스터에서 PCA를 다시 수행하여 이 숫자를 계산할 수 있으며 클러스터를 제안합니다...고유값 1개 불만 사항이 0.69%로 설명되어 있으므로 또 다른 문제입니다...생각만 하면 됩니다. 그것은 자체 클러스터입니다.
	이것을 닫고 요약해 보겠습니다.
	그래서 우리는 여러분에게 몇 가지 기술을 제공했습니다. 명확한 내용을 이해하지 못하면 데이터를 해석하기 어렵게 만들 수 있으며 심지어 모델을 오해할 수도 있습니다.
	프로세스와 관련된 데이터를 이해하면 다중 공선성이 생성될 수 있습니다. 따라서 SME 관점, 주제 전문 지식 관점에서의 이해입니다.
	쌍별 플롯과 산점도는 해석하기 쉽지만 다중 공선성을 놓치므로 더 많은 것이 필요합니다. VIF는 문제가 있음을 알려주는 데 능숙합니다. 실제로는 보통의 최소 제곱에만 사용할 수 있습니다.
	아니요, 예측에 대한 비교 대상은 없습니다.
	그리고 몇 가지 지침이 있으며 변수 클러스터링은 주요 구성 요소를 기반으로 하며 더 나은 멤버십을 보여주고 각 그룹의 관계를 강화합니다.
	그리고 그 리뷰나 소개를 통해 제가 말씀드린 것처럼 JMP Discovery에서 이 데이터 세트를 가져와 직접 스크립트를 실행하고 확실히 더 천천히 진행하여 기분이 좋아지고 자신의 데이터 등을 연습해 보세요.
	마지막 플러그는 Sam과 제가 JMP Discovery 컨퍼런스나 컨퍼런스에서 연설한 다른 자료와 시간이 있다는 것입니다.
	...또는 JMP에 대한 백서를 작성했는데 JMP 제조에 관해 우리가 생각한 모든 것에 대해 생각해 보고 싶을 수도 있습니다.
	제조 데이터 모델링은...우리가 학교를 다닐 때 배우는 통신 분야의 고객 데이터와 같은 이해에 비하면 조금 독특합니다. 그리고 여러분의 관심과 행운에 감사드립니다
	추가 분석을 통해.

브레이크아웃예측 모델링품질과 신뢰성