321658_ko-KR

liliconcom

단백 동화, 최음 제지 또는 진통제?

JMP에서 분석 도구를 개발할 때 필연적으로 다음과 같은 우선 순위를 결정해야합니다.

 

더 많은 근육을 추가하여 제품을 더 강력하게 만들어야할까요? 더 섹시하고 흥미 진진하게 만들어야할까요? 통증 완화에 집중하여 덜 실망스럽고 덜 부담스럽게 만들어야합니까? 긴 A- 단어의 언어로 동화 작용, 최음제 또는 진통제를 사용해야합니까?

 

John Sall은 그 답이 진통제라고 생각합니다. 통증 완화는 발달의 중심적인 동기가되어야합니다. 물론이 세 가지는 상호 배타적이지 않습니다. 흥미로운 파워 기능을 추가하면 통증을 완화 할 수도 있습니다. 그러나 통증 완화가 핵심입니다. 통증은 우리를 실제로 얼어 붙게하고, 강등시키고, 데이터가 우리에게 말할 수있는 것에 대한 완전한 관점에서 멈추게 할 수있는 조건이기 때문입니다.

 

 

 

자동 생성 스크립트 ...

 

스피커

성적 증명서

Jeff Perkinson JMP 기능을 개발할 때 다음 발표자 인 John Sall은 우선 순위를 지정하는 방법에 대해 흥미로운 생각을합니다. 우리는 어떤 기능에 우선 순위를 두어야하는지 ... 투자하고 싶은 기능입니다. 그렇다면 가장 중요한 것이 무엇인지 어떻게 생각할까요? 제품을 더욱 강력하게 만드는 기능이 우리가 작업해야하는 것입니까? 더 매력적이고 섹시하게 만드는 기능이나 통증 완화에 중점을 두어 분석 부담을 덜어주는 기능은 어떻습니까? John은 통증 완화가 우리 R & D 팀의 주요 동기가되어야한다고 생각합니다. John은 SAS의 공동 창립자입니다. 그는 30 년 이상 전에 설립 한 JMP의 수석 설계자입니다. 데이터가 있고 데이터를 탐색하는 방법이 필요한 과학자와 엔지니어에게는 데스크톱에서 시각적으로 쉽게 탐색 할 수있는 방법이 필요했습니다. 그는 JMP 개발의 원동력과 우리가 작업하고 싶은 기능을 만나는 방법에 대해 이야기 할 것입니다. 그래서 저는 당신을 환영하고 싶습니다, 존. 감사합니다. John Sall 감사합니다, Jeff. 그리고 여기 우리는 더 많은 사람들을 수용 할 수있는 Cary North Carolina의 새로운 디지털 컨퍼런스 센터에서 살고 있습니다. 그래서 조명을 조금 어둡게합시다. 글쎄요, 저는 여기 디지털 컨퍼런스 센터에있는 것이 아닙니다. 정말 집에 있어요. 그래서 홈 오피스가 생겼습니다. 이런. 그거 말고. 우리 모두처럼. 저는 집에서이 회의를 진행하고 있습니다. 그러나 회사 배경으로 전환하여 시작하겠습니다. 그래서 무엇에 대해 이야기해야합니까? 글쎄요, 우리가 JMP를 발표했을 때, JMP에 따른 컨퍼런스 얼라이언스가 발표하는 그 해에 우리가 이야기하는 것이지만, 격년에 저는 항상 주제를 선택합니다. 그래서 저는 1 년 동안 큰 통계를 골 랐고, 내년의 유령 데이터 나 2 년 전 비밀 기능을 골랐습니다. 오늘 제 주제는 A로 시작하는 큰 단어입니다. 글쎄, 이것들은 JMP를 개발하기위한 테마를 특징 짓는 단어들입니다. 제 화면을 공유하겠습니다. 그리고 여기서 최소화하십시오. 공유. 그렇다면 어떤 주제가 가장 중요할까요? 그리고 다음은 문자 A로 시작하는 큰 단어로 시작하는 세 단어입니다. Jeff가 방금 언급했듯이 첫 번째는 단백 동화입니다. 글쎄, 단백 동화는 근육 성장에 관한 것이므로 JMP를 더 강력하게 만듭니다. 단백 동화 과정은 장기와 조직을 만들고 이러한 과정은 세포의 성장과 분화를 생성하여 신체 크기를 증가시킵니다. 따라서 JMP의 힘을 높이는 것이 기회가 될 것이고 그것은 물론 매우 중요하지만, 다음 최음 제지로 JMP를 더욱 섹시하고 흥미롭고 발견의 스릴로 만듭니다. 그래서 우리는 그것도 속성이되기를 원합니다. 그러나 우리는 또한 작업 흐름 중에 진행 상황에 관심이 있으므로 진통제가 세 번째 단어이며 통증 완화를 의미합니다. 통증 완화. 그래서 저는 사람들이 다음과 같은 가상의 인용구와 같은 것을 표현하기를 바랍니다. \! "버전 15는 방금 저를 섬겼습니다 ... 제가 수고해야했던 몇 시간 또는 며칠의 작업을 절약했습니다. \!" 그것은 많은 통증 완화입니다. 또는 \! "전에는 각각 개별적으로해야했는데 이제는 모두 한꺼번에 처리됩니다. \!" 거기에 많은 통증이 있습니다. 또는 \! "모든 작업을 수행하기 위해 다른 여러 도구를 사용해야했지만 이제는 JMP에서 모든 작업을 수행 할 수 있습니다. \!" 또는 \! "내가 어떻게 그렇게 쉽게했는지 동료들에게 보여주었습니다. 그리고 그들은 놀랐습니다. \! " 또는 \! "이 모든 것을 수동으로 프로그래밍해야했는데 이제는 마우스 클릭 몇 번으로 완료되었습니다. \!" 또는 \! "JMP는 데이터를 운영 세부 정보로 너무 많이 돌리는 대신 데이터 분석에 집중하면서 흐름을 유지합니다. \!" 이것이 우리가 듣고 싶은 통증 완화의 표현입니다. 이제 왜 고통과 좌절이 진정한 동기 부여가 되는가. 흐름이 중요합니다. 흐름에있을 때 산만하지 않습니다. 흐름이 진행되면 데이터에서 무언가를 배우고 발견 할 가능성이 더 높습니다. 이제 권한 부여도 중요하지만 새로운 기능은 소수만 사용하고 오래된 기능은 많은 경우 사용하는 경향이 있습니다. 따라서 우리는 이전 기능이 더 잘 작동하도록하여 사용에 따른 고통을 줄이고 자합니다. 물론 생산성은 시간 사용과 관련하여 도구가 얼마나 효과적인 지에 따라 크게 좌우됩니다. 따라서 결과를 더 쉽고 빠르게 얻을 수 있다면 큰 승리입니다. 그래서 많은 예를 살펴 보겠습니다. 첫째, 데이터 테이블과 함께 제공되는 스크립트입니다. 여기에 JMP 이전 릴리스의 예가 나란히 표시됩니다. JMP 14 또는 13에서이 버튼을 마우스 키로 누른 다음 메뉴 항목을 표시 한 다음 해당 스크립트를 실행하는 실행 버튼을 찾았습니다. 그러나 새로운 방법은 스크립트 바로 옆에 재생 버튼이 있습니다. 그래서 당신은 그 재생 버튼을 클릭하면 메뉴를 아래로 끌어 당기는 것을 저장합니다. 글쎄, 그것은 큰 승리가 아닙니다. 당신은 버튼을 클릭하는 것과 메뉴를 내리는 것의 차이가 그리 크지 않다고 생각합니다. 그러나 새로운 사용자에게는 더 이상 핫 버튼이 아래에 있다는 것을 이해할 필요가 없기 때문에 새로운 사용자에게도 큰 승리입니다. 하지만 스크립트와 함께 바로 재생 버튼이 있습니다. 그래서 이것이 스크립트라는 것을 더 잘 이해하고 있습니다. 그리고 데이터와 함께 스크립트를 저장하는 기능은 JMP에서 큰 문제입니다. 우리는 사람들이 그것을 즉시 배우고 두 가지를 낚아 채거나 그 방법을 배우기 위해 팁을 보지 않아도되기를 바랍니다. 또한 모든 스크립트를 데이터 테이블 자체에 저장할 수 있고 저장할 다른 위치를 찾을 수 없다는 것은 매우 편리합니다. 따라서 신규 사용자에게는 재생 버튼이 있습니다. 그래서, 그것은 그 단순한 변화에서 약간의 통증 완화입니다. 그리고 이것은 JMP에서 그다지 일찍 이루어지지 않은 것을 후회하는 변화입니다. 데이터 준비에 대해 이야기합시다. 데이터를 준비 할 때해야 할 가장 큰 작업 중 하나는 여러 소스의 데이터를 결합하는 것입니다. 이제 JMP는 심지어 버전 1부터 유틸리티에 합류해야했습니다. 그러나 여기에는 여전히 복잡한 대화와 여러 데이터 테이블 작업이 포함됩니다. 여기에 제가 영화를 대여하는 전형적인 예가 있습니다. 고객, 항목 번호, 주문 날짜, 주문 연도, 대여 할 영화 인벤토리, 각각에 대한 세부 정보가 포함 된 영화 대여 트랜잭션 테이블이 있습니다. 영화. 그리고 고객 ... 고객에 대한 정보 등이 있습니다. 그리고 우리는 질문을하고 싶습니다. 어떤 성별이 영화 장르에 널리 퍼져 있는지와 같은 세 가지 표를 모두 포함합니다. 여기에는 세 테이블을 모두 살펴 보는 것이 포함되며, 물론 join 명령이이를 수행하는 방법입니다. 거래 데이터를 가져와 고객과 병합합니다. 물론 고객 ID는 일치하는 열이며 트랜잭션 측에서 일치하지 않는 항목을 포함하고 싶습니다. 따라서 고객 데이터가 없어도 거래 데이터가 손실되지 않습니다. 이를 왼쪽 외부 조인이라고하여 새 데이터 테이블을 만듭니다. 이제 데이터 테이블에 인벤토리 데이터를 결합하고 싶습니다. 그래서 저는 그 때 일치하는 항목 번호로 조인하고 왼쪽 외부 조인도 원하며 이제 다른 테이블이 있습니다. 이제 3 개의 테이블이있는 대신 5 개의 테이블이 있습니다. 조인의 결과입니다. 이제 장르별로 성별에 대한 질문에 답할 수 있습니다. 어떤 성별이 어떤 영화를 더 많이 대여하는 경향이 있습니다. 그리고이 모든 새로운 중간 데이터 테이블을 만드는 것도 포함했습니다. 갈 수있는 훨씬 더 쉬운 방법이 있으며 이러한 추가 단계와 추가 테이블의 고통을 크게 줄일 수 있습니다. 이 테이블에서이 테이블을 실행 취소하겠습니다. 테이블 명령 아래에 지적하고 싶습니다. JMP 쿼리 빌더라는 명령이 있습니다. 이것은 테이블 조인을위한 후속 기능을 제공합니다. 이는 모든 조인 대화보다 훨씬 쉽지만 여전히 새 데이터 테이블을 만듭니다. 그러나 몇 가지 릴리스 전에 우리는 고통을 훨씬 더 줄이는 더 나은 것을 내놓았습니다. 그것은 가상 조인입니다. 이 트랜잭션 테이블을 보면 이미 조인 된 것을 알 수 있습니다. 그래서 무슨 일이 벌어 졌는지 영화 인벤토리 테이블을 준비 할 때 항목 번호로 고유하게 식별됩니다. 그래서 항목 번호와 링크 ID를 부여하여 고유하게 식별되며 그 테이블을 인덱싱 할 수 있습니다. 마찬가지로 고객 데이터를 식별하기위한 항목 ID가 있습니다. 그리고 트랜잭션 데이터를 준비 할 때,이 두 가지는 어떤 의미에서 외래 키, 링크 참조를 가지고 있으며 서로 다른 데이터 테이블을 참조합니다. 그래서 자동으로 연결되고 그 질문에 답하는 데 필요한 모든 것이 이미 있습니다. 그래서 성별별로 할 수 있고하고 싶은 영화의 장르를 찾을 수 있습니다. 그래서 여기에서 액션 영화는 남성이 더 좋아하고 가족 영화는 여성이 더 좋아하고 롬콤은 여성이 더 좋아하는 것을 볼 수 있습니다. 그래서 모든 조인을 거치지 않고 세 개의 테이블과 관련된 질문에 대답했습니다. 테이블 전체에서 해당 ID 열을 일치시켜 가상으로 조인되기 때문입니다. 그래서 저는 그로부터 많은 통증을 완화했습니다. 그러니 실제로 닫겠습니다. 그래서 데이터 테이블 조인은 릴리스에 대한 많은 고통을 덜어주는 것이라고 생각합니다. 레코딩은 데이터 세트를 준비 할 때 수행하는 주요 다른 작업 중 하나입니다. 이전 값과 새 값에 대한 필드가 있고 새 값이 이전 값과 동일하게 시작된 여러 릴리스 전에 매우 간단한 레코딩으로 시작했습니다. 그런 다음 해당 값을 잘라내어 붙여 넣거나 편집 할 수 있습니다. 새 열 또는 기존 열로 다시 코딩합니다. 그리고 모든 릴리스의 레코딩은 극적인 개선을 거쳤으며 현재 상태에 매우 기쁩니다. 이제 병원, 지역 병원의 데이터 세트를 살펴 보겠습니다. 이제 레코딩은 오른쪽 버튼 또는 열 머리글의 오른쪽 클릭 메뉴에 있습니다. 그리고 저는 여러 가지를 선택하고 클리닉과 같은 새로운 가치로 그룹화 할 수 있습니다. 하지만 지름길도 많이 있다고 생각합니다. 제가 가장 좋아하는 단축키 중 하나는 비슷한 값을 그룹화하는 것입니다. 그래서 캐릭터 차이의 수에 대한 임계 값 등을 줄 수 있고 자동으로 모든 것을 그룹화합니다. 따라서 철자가 약간 다른 모든 지역 병원을 하나로 그룹화합니다. 그리고 난 여전히 ... 하나 놓친 것 같습니다. 하지만 괜찮습니다. 이제 하나를 다른 것과 그룹화 할 수 있고 모든 시골 병원이 일치하는 항목에 따라 자동으로 그룹화되었으며 여기에 추가 항목을 일치시킬 수있는 것처럼 보입니다. 그리고 이제 갑자기 뭔가가 생겼습니다. 이 모든 레코딩 작업에 많은 노력을 아끼지 않았습니다. 물론 JMP 15에서는 새로운 기능을 추가했습니다. 여기서는 설명하지 않겠지 만 그 점을 지적하고 싶습니다. 해당 카테고리에 가장 적합한 카테고리 이름이 ... 입증 된 다른 데이터 세트가있는 경우 일치 프로세스를 거쳐 모든 항목과 일치하는 항목을 찾을 때 가장 가까운 일치 항목을 선택하도록 할 수 있습니다. 따라서 레코딩은 해당 작업의 고통을 줄이기 위해 릴리스에 대해 많은 발전을 거쳤습니다. 그리고 물론 그것에 대해 생각해보십시오. 데이터 준비와 분석에 얼마나 많은 시간을 소비합니까? 종종 우리 시간의 70 ~ 90 %가 데이터를 준비하는 데 사용됩니다. 그래서 그 고통을 줄이고 그 시간을 줄이는 것이 큰 승리가됩니다. 그래서 레코딩에 대한 통증 완화. 값을 클릭합니다. 다음은 도시 데이터 세트입니다. 그리고 이러한 것들 중 일부에 대한 세부 사항을 볼 때, 무언가에 대한 이상 치가 될 수 있다고 가정 해 봅시다. 더 자세히 살펴보고 싶습니다. 그래서 저는 그것을 링크로 바꿀 수 있습니다. 그럼 위키 페이지 위키 미디어 페이지로 바꿔 봅시다. 여기에 해당 텍스트를 복사하고 열 정보로 이동 한 다음 식 처리기 인 링크로 바꿉니다. 이제이 테이블을 웹 주소로 변환 할 수 있습니다. 그래서 저는 wikipedia.org로 가서 그 도시의 이름을 가져 와서 제목 케이스로 바꾸고 그 행에서 그것을 테스트하고 Albany를 불러올 것입니다. 그래서 이제 저는 ... 오 그래. 이제 아무 도시 나 클릭하면 해당 도시에 대한 Wikipedia 기사를 볼 수 있습니다. 또는지도 좌표로 변경할 수 있습니다. 그래서 저는 ... 그 텍스트를 복사하고 열 정보로 이동하겠습니다. 이제 그 대신에 제목 케이스를 작성하겠습니다. 파싱이 잘되는지 봅시다. 이제 Denver를 클릭하면 Denver와 Google Maps를 쿼리합니다. 좋아요, 그래서 할 일을 링크로 만들었습니다 ... 검색을 할 수 있고지도 요청을 할 수 있습니다. 이 말을 붙여넣고 클릭하여 도시 이름을 말하도록 할 수도 있습니다. 그래서 이것은 웹 페이지로 연결되는 링크를 우리의 데이터 테이블에 저장할 수있는 큰 힘을 제공한다고 생각합니다. ACL로 표현할 수있는 모든 것을 이벤트 핸들러로 할 수 있습니다. 그래서 많은 고통을 줄일 수 있습니다. 제가 가장 좋아하는 통증 감소 기술 중 하나는 방송입니다. 여기에서 command 키 또는 control 키를 눌러 여러 번 수행 할 수 있습니다. 여기에서 유사한 분석이 많이 있습니다. 좋아, 이것은 메뉴 명령뿐만 아니라 많은 버튼과 그래프 프레임의 크기를 조정하고 다른 작업을 수행하고 항목을 그래프에 붙여 넣는 데 적용됩니다. 그 예를 들어 보겠습니다. 그리고 클릭 해 봅시다 ... 또는이 모든 열에 대해 배포를합니다. 이 상자 그림을 없애고 싶다고 가정 해 보겠습니다. 해당 메뉴 항목을 누르고 있으면 해당 항목에 대한 상자 그림이 제거됩니다. 그러나 내가 원하는 것은 모든 항목에 대한 상자 그림을 제거하는 것입니다. 그래서 제가하려고하는 것은 command 키를 누른 상태에서 박스 플롯의 체크를 해제하는 것입니다. 이제 모든 것에 대해 체크가 해제되었습니다. 이제 Quantile의 선택을 취소 할 수 있습니다. 그러면 해당 명령을 사용하고 해당 창에있는 모든 활성 개체를 브로드 캐스트하고 해당 명령을 이해하는 활성 개체에 대해 예를 들어 quantiles 명령을 따르기 때문에 모든 항목의 선택을 취소합니다. 그 명령. 이제는 대화를 유도하는 것과 관련된 몇 가지 작업에도 적용됩니다. 요약 통계를 살펴 보겠습니다. Command 키를 누른 상태에서 요약 통계를 사용자 지정하겠습니다. 그리고 신뢰 한계를 원하지 않고 결 측값의 수를 원한다고 가정 해 봅시다. 그리고 제가 말 할게요. 그리고 그것은 모두에게 적용 할 것입니다. 모든것들. 그렇게하려면 대화의 결과를 가져 와서 스크립트를 만든 다음 해당 스크립트를 해당 창의 다른 모든 위치로 브로드 캐스트해야합니다. 이제 항상 그런 것은 아닙니다. 때때로 프롬프트가 표시되면 모든 분석에 대한 프롬프트가 표시됩니다. 모든 릴리스에 대해 우리는 방송 전에 대화가 수행되는 몇 가지 세부 사항을 구현하여 사용 가능한 모든 장소에 동일한 대화를 방송합니다. 그리고 물론, 제가 변경을 방송 할 수있는 다른 모든 것은 변경 될 것입니다. 아시다시피이 모든 항목의 크기가 변경됩니다. 또는 배경색 변경을 방송 할 수 있습니다. 그리고 모든 플롯에서 모든 배경색을 주황색으로 변경할 수 있습니다. 그 프레임 상자와 관련이있는 것 같습니다. 그래서이 방송은 매우 강력한 도구가됩니다. 그래서 그것은 우리 대부분에게 많은 고통을 덜어 주었지만 올해 초에 나온 것처럼 그룹별로 40,000을 가질 수있는 경우가 있습니다. 그리고 그는 40,000 모두에 대해 역 예측을 원하고 40,000 번 프롬프트합니다. . 버전 16에서 수정됩니다. 그것은 한 사용자에게 많은 통증 완화입니다. 수식 항목을 저장하는 중입니다. 저는 수식 열을 좋아합니다. 모델을 피팅 할 때 예측 열을 저장할 수 있습니다. 하지만 그 예측에는 라이브 공식이있어서 그 공식을 조사하고 수정할 수 있고 들어오는 새로운 데이터에 적용 할 수 있습니다. 저장 공식에 프로파일 링 할 수 있습니다. JMP Pro를 가지고 있다면 공식 저장소로 가서 다른 많은 일을 할 수 있습니다. 여기에서 코드를 생성 할 수 있습니다. 따라서 수식을 저장하는 기능은 중요한 것입니다.하지만 그룹별로 저장하는 경우가 있습니다. 예를 들어 수식을 저장하면 훨씬 더 미묘합니다. 예를 들어,이 데이터는 당뇨병 데이터입니다.이 모든 예측 변수에 대한 반응을 맞추지 만 성별에 따라 개별적으로 수행하려고합니다. 그러니 그렇게합시다. 그래서 우리는 성별 1과 성별 2에 대해 그룹별로 두 개가 있습니다. 이제 두 가지 모두에 대해 실제로 예측 된 값을 저장하고 싶다고 가정 해 보겠습니다. 이제 우리가 많은 통증 완화 방법을 적용하기 전 옛날에는 저장했을 때 어떤 일이 발생했는지 로컬 데이터 테이블로 이동했습니다. 다시 실행 아래의 데이터 테이블 창을 보면 그룹 별 테이블이 표시됩니다. 실제로 성별 = 1의 경우 여기 가상 데이터 테이블에 235 개가 있습니다. 이는 성별 = 1에 대해 표시 할 수 있습니다. 여기에 그룹 별을 보여주는 테이블 변수가 있습니다. 그리고 실제로 저장되어있는 실제 테이블 대신이 임시 테이블에 저장합니다. 하지만 얼마 전에 예측 공식을 저장했을 때 실제 데이터 테이블에 저장했습니다. 그리고 제가 이것을 보면, 저는 그것을 성별 = 1로 저장했습니다. 그리고 제가 그 공식을 보면, 그것은 성별 = 1이면, 그것이 by group 절이라는 것을 보여줍니다. 그리고 그것은 a를 형성하는 선형 조합을 가지고 있습니다. 그 변수에 대한 예측. 그런 다음 성별 = 2를 수행하거나 명령 키를 눌러 예측 공식을 방송하면 이제 두 가지가 모두 있고 성별 1과 성별 2에 사용할 수있는 두 절이 있습니다. 따라서 매번 그룹별로 출력에 절을 추가합니다. 그건 그렇고, 다른 것들을 저장할 때도 똑같은 일이 발생합니다. 제가 잔차 열을 저장할 때 이번에는 command 키를 누르고 있습니다. 잔차 열을 저장하면 그룹별로 저장하고 그룹별로 적합한 잔차를 저장합니다. 원래 반응에서 예측 된 공식을 뺀 것과 같지만 이번에는 공식 열이 아닙니다. JMP의 거의 모든 위치에서 우리는 모든 곳에서 수행하지 않았지만 대부분의 위치에서 수행했습니다. 그룹 별 또는 경우에 따라 where 절을 통해 저장 한 다음 다음을 사용하여 원래 데이터 테이블에 저장합니다. if 문의 조건. 좋아요, 그래서 많은 노력을 절약했습니다. 그것이 가능하지 않았다면, tt는 임시 테이블에 저장되었고 그 공식을 잘라내어 붙여넣고 if 테이블을 원래 테이블에 만들어야했습니다. 그래서 우리는 이러한 문제를 해결했습니다. 이제 다시 저장하고 전체 프로세스를 다시 수행하고 다른 변수를 사용하여 다른 작업을 수행하고 일부를 제거하고 이제 다시 저장했다고 가정 해 보겠습니다. 그래서 저는 예측 공식을 저장합니다. 이번에는 방송 키를 누르고 있으면 실제로는 이전에 저장하는 대신 새로운 것을 만들고 그 뒤에 2를 추가합니다. 글쎄, 어떻게 그것을 이전에 저장하지 않는지 알 수 있습니까? 글쎄, 각 핏에는 ID가 있습니다. 그리고 ID로 속성을 보면 번호가 있고 각 피팅마다 재생성되는 고유 번호가 있습니다. ID가 다른 한 그룹별로 다른 ID는 하나의 ID를 갖습니다. 파티션으로. 그러나 ID별로 동일한 경우 동일한 항목에 저장됩니다. 그렇지 않으면 양식을 저장할 새 위치가 만들어집니다. 또한 예측 값, 특히 예측 공식을 말할 때마다 속성, 작성자 및 경우에 따라 다른 정보가 생성됩니다. 이 경우에는 목표 변수 y가 있으며, 이것이 예측하고 생성자는 최소 제곱에 적합합니다. 그런 다음 JMP Pro 모델 비교와 같은 다른 플랫폼을 수행 할 때 해당 모델 비교는 어떤 제작자가 어떤 대상에서 어떤 예측 값을 참조하는지 이해합니다. 따라서 부가 가치 플랫폼에 대한 모든 정보를 추적 할 수 있습니다. 따라서 수식 열은 새 절을 추가하여 작동하며 ID 별을 포함한 기타 속성이 사용됩니다. 그리고 예측 절은 범주 형 변수에 저장하면 각 응답 수준에 대한 확률과 모든 메타 데이터 및 요구 사항에 포함 된 모든 변수를 포함하도록 전체 범위의 변수를 저장합니다. 그리고 그것은 많은 고통을 덜어 줄 것입니다. 따라서 모델에서 효과를 제거합니다. 자, 몸무게에 따라 높이를 맞추는 예를 살펴 보겠습니다. 여기에 고차 다항식의 예가 있습니다. 이것은 6 차 다항식보다 더 잘 맞는 7 차 다항식입니다. 하지만 당신은 그 적합 함을 믿으시겠습니까? 높은 다항식 항을 도입하거나 더 많은 변수를 도입하여 모델에 많은 유연성을 부여하면 적합 할 수있는 더 많은 기회를 제공합니다. 그리고이 경우에는 이전 데이터와 마지막 데이터 포인트 사이를 심층적으로 분석하여 마지막 데이터 포인트에 더 잘 맞출 수있는 유연성이 허용됩니다. 그래서 그것은 과적 합입니다. 그것은 방법입니다 ... 데이터 자체를 맞추는 대신 노이즈를 맞추기 위해 해당 매개 변수를 사용하고 있습니다. 따라서 과적 합은 큰 모델이있을 때마다 문제가됩니다. 따라서 노이즈가 아닌 신호를 맞추고 싶습니다. 좋아요, 큰 모델은 예측에 더 많은 변동을 도입하는 경향이 있습니다. 왜냐하면 예측은 결국 그들이 사용하는 y 변수의 함수이기 때문입니다. 그러나 y 변수는 그 변수의 체계적인 부분에 오류 부분을 더한 것입니다. 그 변수 부분이 무작위이면 예측은 그 무작위성을 포함합니다. 그리고 너무 많은 유연성을 허용하면 해당 모델의 모든 변수를 포함하여 훨씬 더 나쁘게 예측할 수있는 과적 합 문제로 끝날 것입니다. 그에 대한 해결책은 모델을 축소하거나 모델의 크기를 줄이거 나 모델의 계수 크기를 줄이는 것입니다. 그러면 모델의 임의 항에서 발생하는 변동이 예측 값으로 전달되지 않습니다. 따라서 작은 DOE 문제에서는 데이터가 작고 데이터가 원하는 모델에 정확히 맞도록 균형이 잘 잡혀 있기 때문에 문제가되지 않습니다. 그러나 큰 모델의 관측 데이터의 경우 과적 합이 실제 문제입니다. 따라서 사용자는 JMP Pro에 교차 유효성 검사를 도입 할 때까지이를 인식하지 못했습니다. 따라서 JMP Pro가있는 경우 해당 보류 데이터 세트의 오류를 추정하기 위해 일부 데이터를 보류하는 유효성 검사 열을 설정할 수 있습니다. 그리고 여기에 제가 가진 예가 있습니다. 저는 콘크리트의 모든 성분에 따라 구체적인 속성을 예측하려고 노력하고 있으며 이에 대한 거대한 모델을 가지고 있습니다. 그리고 제가 그 모델을 실행하지만 데이터의 일부를 보류하고 그에 대한 R 제곱을 보면, SLUMP에 대해 잘 맞는 것입니다. 나는 R 제곱 79를 가지고 있지만 내가 맞는 검증 세트에서 음수 인 R 제곱이 있습니다. 음수 인 R 제곱은 단순히 평균을 맞추는 것보다 더 나쁘다는 것을 의미합니다. 그래서 내가 평균을 맞추면 R 제곱이 0이 될 것입니다. 이 전체 모델을 맞추면 그보다 훨씬 더 나쁜 R 제곱이 있습니다. 따라서 큰 모델의 경우 모델이 너무 커서 노력하지 않고 모델의 크기를 줄 였기 때문에 정보를 제공하지 않는 것보다 더 나쁩니다. 모델은 신호가 아닌 노이즈에 의해 지배되었습니다. 그래서 이것은 당신이주의를 기울여야 할 문제입니다. 따라서 중요한 부분은 모델의 크기를 줄일 수 있다는 것입니다. 이제 우리는이를위한 모델 대화 명령을 도입했습니다. 모델과 함께 당뇨병에 들어 가자. 나는이 모델을 실행할 수 있고, 만약 내가 이런 것들을 많이 꺼내고 싶다면 그다지 중요하지 않습니다. 아시다시피, 나이는 모델에 전혀 중요하지 않은 기여를하므로 나이를 없애고 싶습니다. 그럼 다시 모델에 맞게 돌아가서 기억하거나 나이를 없앨 수 있습니다. 아니면 여기서 바로 모델 대화로 돌아가서 나이를 맞추고 제거 할 수 있지만 여기에는 모델 목록이 많고 이러한 작업을 수행하기 위해 앞뒤로 이동하는 것은 상당한 작업입니다. 그러기보다는 ... 내가 여기서 뭘하고 있는지 보자. 여러 릴리스 전에 우리는 효과 요약이라는 새로운 보고서를 도입했습니다. 그리고 effacts 요약을 통해 모델의 하위 집합을 쉽게 분류하여 더 나은 예측을 제공하고 유연성을 줄입니다. 그래서 제가 말할 수 있습니다. 나이, 저는 그것을 제거 할 수 있습니다. 또는 많은 변수가 있습니다. 세 개 더 제거하겠습니다. LDL이 더 중요해 보입니다. 그래서 저는 그 모델을 저장할 수 있습니다. 데이터 테이블에 저장하겠습니다. 그리고 나중에 다시 돌아와서 이걸 가지고있는 모델을 기억하겠습니다. 실제로 이전 작업을 취소 할 수 있습니다. 그래서 저는 그것을 되돌릴 수 있고 그것은 3 개의 변수를 다시 가져오고 저는 그것을 되돌릴 수 있고 그것은 나이를 다시 가져옵니다. 그래서 실제로 저장합니다. 효과 요약을 사용하여 모델을 편집 할 때 실제로 모든 것에 대한 메모리를 저장합니다. 그 대본을 보면이 역사를 볼 수 있습니다. 그래서 제가 이펙트 모델을 할 때마다 역사의 절을 저장합니다. 그리고 내가 실행 취소를 할 때, 그것은 그 역사로 되 돌리는 것입니다. 따라서 제거가 쉽습니다. 추가 할 수도 있습니다. 이 두 가지를 빼면 다시 더할 수 있습니다. 나이를 다시 추가 할 수 있습니다. 좋은 일은 아니지만 할 수 있습니다. 또한 모델 사물과 모델 대화의 작은 버전을 다시 가져와 복합 효과를 추가하여 모델을 편집 할 수도 있습니다. 이제 큰 모델에서 또 다른 일이 발생합니다 (이 작업을 취소하겠습니다). 큰 모델을 사용하면 많은 가설 테스트를 수행합니다. 따라서 많은 수의 가설 검정이있는 경우 고려해야 할 몇 가지 조정 사항이 있으며 그중 하나를 거짓 발견 률이라고합니다. 따라서 이러한 모든 p 값을 독립적 인 테스트 인 것처럼 처리하는 대신 조정을 적용하여 해당 p 값이 모델 부분 집합 화와 관련된 선택 편향에 대해 다중 테스트 편향에 맞게 조정되도록하고 싶습니다. 그래서 여기에 잘못된 발견 률 수정을 적용 할 수 있습니다. 따라서 일반 p 값 대신에 잘못된 발견으로 조정 된 p 값이 있습니다. 그리고 이제 나는 더 현실적이됩니다. 그래서 이것은 과적 합 문제와 가설에 도움이 될 것입니다 ... 많은 여러 테스트 작업을 수행하는 선택 편향 문제. 이제 다음 주제를 수행해 보겠습니다. 이것이 변환입니다. 모델을 만들고 싶지만 y 대신 y의 로그를 맞추고 싶다고 가정합니다. 음, 데이터 세트에 새 열인 Log y를 생성하기 전에 Log y에 대해 a ... 공식을 만드십시오. 그리고 나는 그것을 기록 할 수 있습니다. 이제 모델 사양으로 돌아가서 Log y를 수행하면 적합합니다. 아, 빠졌어요. 내가 뭘 했어요? 목표, 주장을 입력하는 것을 잊었습니다. 이제 저는 Y의 로그를 맞출 수 있습니다. 그리고 이제 그것을했습니다. 하지만 프로파일 러를 해봅시다. 내 프로파일 러는 Y의 로그를 기준으로합니다. 예측값을 저장하겠습니다. 내 예측 공식은 y의 로그를 기준으로합니다. 이제 직접 수정해야합니다. 그 공식과 그 지수를 취하여 원래 척도로 되돌립니다. 그래서 그렇게 변형하는 것은 많은 고통입니다. 음, 몇 번의 릴리스 전에 우리는 변형을 도입했습니다. 따라서이 변환을 가져 와서 로그로 변환 할 수 있으며 이제 변환으로 직접 사용할 수 있으며 데이터 테이블의 일부가 아닙니다. 수식이있는 가상 변수이지만 데이터 테이블에 추가되지는 않습니다. 이제 모델을 Log y에 맞출 수 있습니다. 나이가 좀 더 잘 맞도록 제거합시다. 이런. 그것도 선택했다. 이제 저는 응답 Log y를 맞췄습니다. 그래서 프로파일 링하면 무엇을 얻을 수 있습니까? 요인 프로파일 링, 프로파일 러. y의 로그를 프로파일 링하는 대신 y를 프로파일 링합니다. 프로파일 러는이를 변환으로보고, 변환을 반전하고 원래 스케일로 돌아갈 수 있다고 말합니다. 그리고 그것이하는 일입니다. 변환을 취소하고 y의 로그를 통해 역변환하여 예측을 가져와 원래 척도에 놓습니다. 긴장을 풀 수있는 대부분의 변형에 대해 그렇게 할 것입니다. 변환에 여러 변수가 포함되는 경우에는이를 수행 할 수 없으며 변환 만 수행합니다. 그래서 원래 열을 저장할 때 똑같습니다. 예측 공식을 저장하면 y의 로그가 아닌 yr의 척도로 예측 공식이 저장됩니다. 그래서 이러한 것들은 엄청나게 시간을 절약하고 변환을 사용하는 데 많은 노력을 절약합니다. 그래서 ... 다시 당뇨병에 가서 다른 일을하도록하겠습니다. 또 다른 변화를 고려하십시오. 변수를 수행 할 때 얻을 수있는 Box-Cox 변환이 있습니다. 요인 프로파일 링 중에서 Box-Cox 옵션은 전체 범위의 거듭 제곱 함수를 변환했는지 여부를 알려줍니다. 무엇을하는 것이 가장 좋을까요? 변환되지 않아야합니까? 이것은 Box-Cox 람다 값 1입니다. 0을했다면 그것은 로그를 취하는 것과 같습니다. -1을했다면 역수를 취하는 것과 같습니다. -1의 힘. 약 .5를했다면 그 제곱근을 취하는 것과 같습니다. 그리고이 모델이 제곱근 변환을 따라 더 많이 조정 된 경우 해당 변환에 대해 조정 된 변환 배율에 더 적합 할 것임을 알려줍니다. 여기서 람다는 .453입니다. 이것이 Box-Cox 변환의 최적 가치입니다. 그리고 당신은 그것을 더 정확하게 얻기 위해 돋보기로 이것을 확대 할 수 있습니다. 그래서 이제 저는 변형 할 수 있습니다. 그리고 여러 릴리즈 전에는 제가 할 수 있습니다. 여러 열을 추가했습니다. 하나는 변형으로 다시 맞추는 것으로, 변형 응답으로 새 창을 만듭니다. 다른 하나는 변형을 대체하는 것이며 저는 그렇게 할 것입니다. .453 대신 제곱근 변환 (.5)을 취하고 이제 해당 변환으로 모델을 맞 춥니 다. 그리고 이제 람다 최고는 약 1입니다. 왜냐하면 이미 Box-Cox 변환에 의해 한 번에 변환 되었기 때문입니다. 이제 예측 값을 저장하고 프로파일 링하는 등의 작업을 수행 할 수 있습니다. 그리고 취소 할 수도 있습니다. 따라서 변환이 마음에 들지 않고 원본으로 돌아가고 싶은 경우 원본으로 돌아가 다시 수정할 수 있습니다. 그래서 우리는 반응을 바꾸는 데 많은 고통을 줄였습니다. 이제 특별한 고통이 있습니다. 많은 데이터가있을 때 특별한 고통의 장소입니다. 그리고 우리는 적은 고통으로 큰 문제를 해결하기 위해 많은 노력을 기울였습니다. 많은 행, 많은 열, 많은 그룹, 시도 할 모델이 있든 관계없이 오늘날의 세계에서 우리는 큰 문제가있는 빅 데이터의 세계에 살고 있습니다. 따라서 원래 작은 문제를 처리하도록 설계된 분석이 있다면 큰 문제에는 적합하지 않을 수 있으며 큰 문제의 중심 문제는 분류 할 출력이 너무 많다는 것입니다. 동일한 모델을 1,000 개의 변수에 맞추면 분류 할 보고서가 1,000 개 있습니다. 1,000 개의 열 중에서 이상 값을 찾는 경우 각 열에 대한 별도의 보고서 등이 있습니다. 많은 대용량 데이터 세트를보다 효율적으로 처리 할 수 있기를 원합니다. 그래서 우리는 이러한 큰 문제를 해결하기 위해 스크리닝 메뉴를 개발했습니다. 또한 JMP에는 큰 문제를 더 잘 해결하는 곳이 많이 있습니다. 예를 들어 시계열입니다. 새로운 시계열 예측 플랫폼은 하나가 아닌 여러 시계열을 예측합니다. 따라서 스크리닝 플랫폼의 항목은 이상 값을 탐색하고 결 측값을 탐색하고 패턴을 탐색합니다. 이들은 데이터를 확인한 다음 연관성, 반응 스크리닝, 프로세스 스크리닝, 예측 변수 스크리닝을 찾는 작업을 수행합니다. 물론 시계열 예측은 새로운 항목입니다. 스크리닝 메뉴에는 없지만 큰 문제를 처리하기 위해 구성되어 있습니다. 그리고 이러한 모든 것들이 결과를 표현하는 더 간결한 방법뿐만 아니라 수천 개의 보고서가 필요하지 않고 계산적으로도 효율적입니다. 그들은 다중 스레딩을 사용하므로 CPU의 다중 코어를 활용하여 매우 빠르게 만듭니다. 따라서 많은 공정 데이터가 있다고 가정 해 보겠습니다. 568 개의 변수가 있습니다. 그렇다면이 변수 중 어떤 것이 건강 해 보일까요? 웰 프로세스 스크리닝은 이에 답하기 위해 고안되었습니다. 따라서 안정성을 기준으로 정렬하거나 능력 (Ppk)을 기준으로 정렬하거나 불량한 항목을 정렬하거나 관리도 측정 값, 관리 불능 계정 등으로 정렬 할 수 있습니다. 하지만 더 좋은 점은 모든 프로세스를 하나의 그래프로 보여주는 도구 중 일부입니다. 그리고 내가 사랑하는 두 가지가 있습니다. 하나는 각 프로세스가 사양 한계와 관련하여 어떻게 작동하는지 보여주는 목표 플롯이며, 가능한 프로세스 인 경우 여기에있는이 녹색 영역에 있습니다. 한계가있는 경우 노란색 영역에 있습니다. 그렇지 않은 경우 빨간색 영역에 있고 높으면 너무 많은 분산이 있습니다. 한쪽에 있으면 문제가있는 것입니다. 와... 중심을 벗어 났고 목표를 벗어났습니다. 그러나 녹색 영역에 있으면 좋은 프로세스입니다. 버전 15에서는 그래프 렛, 마우스 오버 도움말을 도입하여 마우스를 가져 가면 각 프로세스를 볼 수 있습니다. 그리고이 모든 것을 요약하고이 모든 보고서를 살펴 보는 고통을 줄이는 데있어서 제가 좋아하는 또 다른 플롯은이 프로세스 성능 그래프입니다. 따라서 수직 축에서는 능력 Ppk의 사양 한계 내에 있는지 여부를 알려줍니다. 따라서 1.33에서이 선 위에 있으면 사양 한계와 관련하여 값의 분포까지 괜찮아 보입니다. 사양 한도 내에 있습니다. 그렇다면 안정성 지수는 x 축에 있습니다. 그래서 그것이 능력이 있지만 불안정하더라도 꽤 불안정한 과정이라면. 따라서 그 과정을 살펴보면 일부 주변을 돌아 다니는 안정성이있을 수 있습니다. 그리고 만약 당신이 노란색 영역에 있다면, 당신은 능력이 있지만 불안정합니다. 레드 존은 당신이 무능력하고 불안정한 나쁜 영역입니다. 그래서 지금은 수백 또는 수천 개의 프로세스를 살펴 보는 것이 쉽습니다. 예전에는 많은 고통이있었습니다. 문제는 무엇이 가장 많이 바뀌 었습니까? 다음은 여러 해에 걸쳐 활동에 대해 질문 한 설문 조사 데이터입니다. 캠핑 갔어? 아니면 카지노에서 도박을하나요? 아니면 감기에 걸렸나요? 알다시피,이 모든 활동들 중 어떤 활동이 가장 큰 차이를 만들 었는지 알고 싶어합니다. (제 생각에는 95 개의 다른 활동이 있습니다.) 그래서 여러분이 찾고있는 것은 ... 여러분이 할 수있는 한 가지는 한 번에 하나씩 살펴보고 조사 연도별로 그 활동을 맞추는 것입니다. 한 번에 하나씩 보는 대신. 응답 스크리닝을보고 하나의 차트 만 보면 무엇이 가장 많이 바뀌 었는지 확인할 수 있습니다. 그리고 이것은 95 개 모두에 대한 차트를 보여줍니다. 첫째, P 값의 음의 로그에 대한 중요성은 우리가 로그 가치라고 부르며 잘못된 발견 비율에 맞게 조정됩니다. 그리고 모든 p 값을 정렬하기 때문에 선택 편향의 일부를 처리합니다. 그리고 뒤에 ... 낮은 P 값을 선택합니다. 그리고 비디오 테이프를 빌리는 것이 가장 많이 바뀌 었다는 것을 알게되었습니다. 비디오 카세트 테이프는 당연히 쓸모 없게되었습니다. 물론 변경되었습니다. 또 다른 비디오 카세트 테이프가 많이 바뀌었고, 수집 한 것들을 재활용으로 많이 바꾸었고, 우리 집에있는 사람들을 즐겁게 해주셨습니다. 덜 중요하지만 효과 크기가 큰 것은 인터넷을 사용합니까? 물론이 설문 조사는 인터넷이 있기 전에 시작되었습니다. 그래서 많이 바뀌 었습니다. 그래서 무엇이 가장 많이 바뀌 었는지에 대한 질문은 지금은 쉬웠습니다. 빅 데이터에 대해 질문 한 또 다른 질문은 누락 된 값입니다. 여기에 280 개의 변수가 있습니다. 누락 된 값은 어디에 있습니까? 그들에 대해 걱정해야합니까? 결 측값 탐색 보고서를 보면 결 측값이있는 이러한 변수가 5 개뿐이라는 것을 알 수 있습니다. 그리고 그들 중 일부는 하나의 변수, 하나의 결 측값 만 가지고 있지만 일부는 많은 것을 가지고 있습니다. 따라서 분석, 다변량 분석을 할 때 아마도 452 개 변수 중 376 개를 포함하고 싶지 않을 것입니다. 또는 J를 포함하고 싶다면 그렇게하여 누락 된 값을 대치 할 수 있습니다. 그럼 다음 질문, 데이터에 특이 치가 있습니까? 글쎄요, 저는 387 개의 측정 값을 가지고 있습니다. 저는이 과정에서합니다. 그리고 거기에 이상 치가 있는지 알고 싶습니다. 이제 스크리닝 메뉴에서이를 수행 할 수있는 기능이 있습니다. 나는 이것을 다소 민감하게 만들 수 있습니다. 더 적은 이상 값과 재검색이 없도록 더 민감하게 만들어 보겠습니다. 나인을 볼 수 있습니다. 너무나 자주, 9 개의 문자열은 누락 된 값을 나타내는 데 사용되며 그 9는 실제 9 일 수 있지만 누락 된 값의 지표 일 수 있습니다. 그래서 저는 그 9를 결 측값 코드에 더할 수 있다고 말할 수 있습니다. 이제 메모리가 변경되었습니다. 이제 다시 돌아가서 (여기에 많은 변수가 있음) 다시 스캔 할 수 있으며 걱정할 누락 된 값이 줄어 듭니다. 따라서 특이 치를 탐색하는 것은 고통 스러웠습니다. 여전히 큰 일이 될 수 있지만 예전보다 훨씬 쉽습니다. 이제 버전 15에서는 또 다른 선별 플랫폼을 추가했습니다. 데이터에 의심스러운 패턴이 있습니까? 여기에 임상 실험에서 얻은 몇 가지 실험실 데이터가 있습니다. 니 카르 디핀 실험실 패턴 데이터입니다. 제가보고 싶은 실험실 결과가 27 개 있습니다. 그래서 저는 새로운 플랫폼을 호출하고 누락 된 값을 탐색합니다. 그리고 이것은 나에게 보여줄 것입니다. 내가 가치관이 있는가? 그래서 저는 .03536이라는 값을 가지고 있지만 연속적으로 7 개가 있습니다. 2065. 나는 그 세포들을 채색 할 수 있고, 그 값들을 볼 수 있습니다. 아마도 그것은 의심스럽지 않을 수도있는 마지막으로 이월 된 값일 것입니다. 이 경우에는 ... 같은 사람이에요. 따라서 이월 된 마지막 가치는 합리적 일 수 있지만, 이러한 것들을 배포했다면 드물고 드문 사건입니다. 이런 것들에 대해 무작위 분포를 가정한다면. 또한 가장 긴 중복 시퀀스입니다. 따라서이 변수의 경우 2816 행에서 시작하고 3034 행에서도 시작하여 동일한 값을 가진 행이 4 개 있습니다. 그래서 제가 그것들을 채색하면, 거기에 4 개가 연속되어 있습니다. 그리고 다음 시퀀스로 넘어 가면 같은 값을 가진 4 개의 연속이 있습니다. 따라서 한 위치에서 다른 위치로 동일한 값을 잘라내어 붙여 넣는 증상 일 수 있습니다. 그래서 탐구 패턴은 그런 것들을 찾고 있습니다. 그리고 그 27 개의 변수 각각에 대한 세부 사항을 살펴보고 의심스러운 것의 증상이나 데이터 처리 방식의 나쁜 영향 등을 찾을 수있는 다른 많은 것들이 있습니다. 따라서 큰 문제를 해결하는 패턴 부분을 탐색하십시오. 그래서, 통증 완화. 우리 개발의 많은 부분은 분석 흐름을 더 부드럽고, 덜 부담스럽고, 시간과 덜 고통스럽게 만드는 데 초점을 맞추고 있습니다. 진통제. 이제 우리는 무엇이 고통 스러운지 항상 알지 못합니다. 그래서 우리는 무엇에 집중해야할지 피드백에 의존합니다. 메시지에 수백 번 응답해야하는 이메일을 받았을 때 우리는 그 내용을 듣고 고통을 느꼈고 이제 수천 가지를 그룹별로 방송하고 그 결과를 방송 할 수 있도록 수정했습니다. 여러 번 대화를 나누는 것보다 대화. 그래서 우리가 처음으로 그것을 잡지 않았기 때문에 그것을 보내면 다른 모든 사람들에게 더 나아졌습니다. 따라서 귀하의 의견을 보내주십시오. 우리가 이미 수행 한 모든 개선을 통해 데이터 준비 및 분석 프로세스가 이미 훨씬 더 매끄럽고 중단되지 않고 더 많이 유입되었다고 생각합니다. 따라서 장애물을 극복하는 데 시간을 보내는 대신 데이터에서 학습하고 데이터를 이해하는 데 시간을 보냅니다. 해석학. 같은 어근에서 왔는지 궁금 할 것입니다. 물론 우리는이 두 단어를 축약하고 싶지 않습니다. 분석은 그리스어 analyein에서 나왔는데 어떻게 발음해야할지 모르겠습니다. 그러나 그리스어로는 헤어 지거나 해방되거나 해방되는 것을 의미합니다. 그리고 그것은 우리가 이해할 수 있도록 복잡한 것을 취하고 그것을 조각으로 나누는 것입니다. 물론 이것이 바로 우리가 데이터 분석, 데이터 과학으로하는 일입니다. 진통제는 \! "an- \!"라는 단어의 다른 조합에서 비롯됩니다. 의미없이 \! "algesis, \!" 그것은 고통의 감각입니다. 그래서 같은 접두사, 다른 ... 약간 다른 뿌리. 그리고 그것들을 축약하지 마십시오. 단백 동화 및 최음 제지. 우리는 권력에 관심이 있습니다. 우리가하는 일의 대부분은 데이터 분석을위한보다 강력한 도구를 제공하는 것입니다. 그 중 대부분은 JMP Pro와 JMP에서도 마찬가지입니다. 그리고 우리는 데이터가 발견의 스릴을 흥미롭게 만들어주기를 바랍니다. JMP에서 전원 기능을 사용하는 방법을 배우는 스릴과 우리는 이것이 흥미 롭다고 생각합니다. 알다시피, 그것은 최음제입니다. 따라서 힘과 흥분도 우리에게 가치가 있습니다. 단순히 통증 완화가 아닙니다. 그래서 우리는 내년에 무엇을할까요? 문자 B로 시작하는 큰 단어입니다. A부터 시작하고 다음은 B 죠? 내년에는 JMP 16이 출시 될 예정입니다. 이것이 우리가 이야기 할 것입니다. 그 다음 해에 우리가 무엇을 말할지 누가 알겠습니까? 정말 감사합니다. 또한 데이터 분석에 어려움이 거의 없기를 바랍니다. Jeff Perkinson 감사합니다, John. 감사합니다. 그것은 환상적인 이야기 였고 수년에 걸쳐 많은 고통을 목격하기 위해 주변에 있었고, 당신이 말하는 모든 것이 절대적으로 사실이라는 것입니다. 통증 완화는 우리에게 중요한 것입니다. 실제로 많은 질문이 들어온 하나의 질문이있었습니다. Q & A에서 몇 가지 답변을했는데, 안도의 고통과 약간의 매력을 제공하고 JMP를 더욱 강력하게 만들었 으면하는 점은 무엇입니까? John Sall 글쎄요, 모든 사람의 큰 기쁨은 Graph Builder입니다. 변수를 끌어다 놓고 몇 번만 클릭하면 원하는 그래프를 얻을 수 있고 쉽게 변경할 수 있습니다. 그래서 그것은 스릴입니다. 강력한 기능이며 통증 완화입니다. 예전에는하기가 더 어려웠습니다. 그래서 모두가 좋아하는 것 같아요. 하지만 물론 ... JMP는 풍부한 제품이며 우리는 그 안에있는 모든 것을 자랑스럽게 생각합니다. 실험 설계, 거기에 관련된 모든 위대한 힘과 우리는 그 과정도 쉽게 만들려고 노력했습니다. 그리고 많은 것들이 떠 오릅니다. Jeff Perkinson 아주 좋습니다. 고마워요 존, 고마워요 이 강연을 즐겼다면 두 가지 제안이 있습니다. 하나, 우리는 이것을 게시 할 것입니다기조