Altoparlante
|
Trascrizione
|
| Beatrice Blum |
Ciao e grazie per esserti unito alla presentazione di Phil e alla mia Discovery oggi con un assaggio del mio favoloso stile di capelli per il 2021. |
| |
Parleremo di come ci siamo avvicinati ad alcuni dati dei sensori, perché l'uso dell'analisi dei dati funzionali (FDA) e dei minimi quadrati parziali |
| |
(PLS) nella nostra ricerca per catturare la curva d'oro. Mi chiamo Beatrice Blum e sono una statistica nel dipartimento di scienze dei dati e modellazione di Procter and Gamble, supportando la ricerca e lo sviluppo per la cura del bambino e della donna in Germania. Il mio coautore è Phil Bowtell dal Regno Unito. Phil, vuoi presentarti? |
| Phil Bowtell |
Grazie mille, Bea. Ciao, mi chiamo Phil. Vivo nel Regno Unito e, come Bea, faccio parte del gruppo di scienze dei dati e della modellazione come statistico. E sostengo una varietà di scienze tecniche in Europa, inclusa la cura del bambino con Bea. Grazie. |
| Beatrice Blum |
Quindi quello che vogliamo coprire oggi è una rapida introduzione ai dati che abbiamo raccolto e come stiamo cercando di capire il significato delle diverse forme della curva rispetto alle nostre risposte dei consumatori, Rendimento 1 e Rendimento 2. |
| |
Presteremo particolare attenzione al confronto tra due approcci di analisi a questi dati (PLS e FDA) e cercheremo di capire quando utilizzarli. |
| |
Nota che per questo discorso assumiamo una certa conoscenza di PCA, PLS e FDA, ma ciò che devi solo sapere sono i concetti e i dati generali ... come sono organizzati i dati. |
| |
Ma è molto probabile che sarai ancora in grado di seguire il corso di questo discorso, anche se non lo conosci. |
| |
Quindi potresti essere a conoscenza del fatto che Procter and Gamble sta sviluppando e producendo pannolini. Per migliorare questi pannolini e le prestazioni dei loro prodotti agli occhi del consumatore, |
| |
cerchiamo di catturare e comprendere le caratteristiche importanti di un pannolino. In particolare in alcuni dei nostri metodi di prova, applichiamo del fluido al pannolino in luoghi diversi e sotto diversi |
| |
protocolli o condizioni e misurare le curve di dati K, come si vede qui a sinistra, e le curve di dati P, come si vede a destra. |
| |
Partiamo dal presupposto che queste curve di dati K siano in qualche modo collegate alla nostra risposta del consumatore chiamata Rendimento 1 e che queste curve di dati P siano correlate alla nostra risposta del consumatore, Rendimento 2. |
| |
Quindi esaminiamo prima le curve dei dati K e analizziamole o proviamo ad adattarle con l'aiuto di Functional Data Explorer in JMP. Detto questo, passerò a JMP. |
| |
Quindi ecco la mia tabella dati in JMP. |
| |
È una tabella di dati molto limitata in termini di colonne. Abbiamo una colonna per i 10 prodotti che abbiamo esaminato, dalla A alla K. |
| |
Per ciascuno di questi prodotti abbiamo eseguito tre repliche nel nostro metodo. Ho combinato le due colonne in una colonna ID ed è composta dal nome del campione e dal numero di replica. |
| |
Raccogliamo i dati, nel tempo, variabili continue e il nostro segnale grezzo si chiama K raw. |
| |
Quindi diamo un'occhiata a come appare il K raw. |
| |
Ho appena scelto due prodotti, in questo caso G e io, perché i loro profili sembrano essere molto diversi. Quello che puoi vedere, abbiamo pezzi in cui la curva aumenta, salta e poi si appiattisce in un comportamento abbastanza ... abbastanza regolare. |
| |
L'aumento non è un grosso problema per PLS, che è stato creato in termini di tentativo di modellare i dati spettrali, mentre per una FDA (analisi dei dati funzionali) |
| |
ciò si aspetterebbe curve morbide e anche derivate morbide, che probabilmente non vengono fornite se la curva sta saltando. |
| |
Questi salti sono legati a una salsa (?) Che applichiamo al pannolino. Può anche vedere i tre replicati, quindi il metodo sembra essere ben riproducibile. |
| |
Piuttosto bella. Tuttavia, vediamo molto rumore nei nostri dati grezzi. Affonda di nuovo, oscillando quaggiù e assumiamo che modelleremo molto rumore e overfit |
| |
solo perché abbiamo così tante oscillazioni qui. Quindi quello che abbiamo trovato indicava per smussare le curve prima del montaggio, ed è quello che vediamo qui sotto. Abbiamo smussato le curve utilizzando il super campione a media mobile (?) Con una dimensione della finestra di 20. |
| |
Con quello andrò e cercherò di adattarmi |
| |
funzionale |
| |
componenti a questo. Quindi metto le mie variabili nei ruoli corrispondenti. Invece dei dati grezzi, utilizzo il K. Ho bisogno della mia variabile ID e della mia funzione ID. La mia X è il tempo in cui misuriamo la nostra K, e alla fine ciò che vogliamo ottenere collegando questi dati al nostro rendimento 1 |
| |
variabile continua e cerca di capire in che modo le nostre curve previste sono correlate a questa risposta del consumatore. Quindi lo metto nel ruolo supplementare. |
| |
Eseguilo, ottieni l'output originale da FDE e di solito inizio semplicemente adattando le B-splines perché è bello, facile e relativamente veloce. |
| |
Può vedere che ci vogliono solo un paio di secondi, nonostante abbiamo un paio di migliaia di righe. Quindi otteniamo un risultato. Non sembra davvero male ... così male da lontano, tuttavia approfondiamo un po '. |
| |
Come già accennato, quando si parla di cosa è stata sviluppata l'analisi dei dati funzionali, ci si aspetta curve morbide. |
| |
E le B-spline in realtà cuciono insieme in questo caso particolare pezzi cubici di spline |
| |
e per aggirare angoli come qui, dove non c'è cubica ... di certo nessuna curva cubica ma un vero cambiamento di comportamento e un punto di svolta, |
| |
deve andare in giro e cercare di catturare un po 'quel comportamento, ma puoi vedere che sta facendo un lavoro davvero scadente. Inoltre non sta facendo un buon lavoro nel cercare di rappresentare questi altipiani che abbiamo osservato in alto. |
| |
Quindi, nonostante sia molto veloce, semplice e, nella maggior parte dei casi, un ottimo approccio in questo particolare |
| |
contesto, probabilmente non è la migliore scelta per le B-spline. Invece di quello, |
| |
Ho letto un po 'in Aiuto e ho fatto un po' di ricerca e ho trovato Ok, dovremmo usare P-splines se abbiamo dati di profilo, se abbiamo qualcosa come dati spettrali. Questo è ciò che JMP consiglia, quindi abbiamo optato per le P-splines. |
| |
E poiché ho davvero visto che abbiamo cambiamenti di gradino qui, l'unico modo per attirare ... attirare questo è usando le funzioni di gradino. |
| |
E poiché le P-splines richiedono molto più tempo per adattarsi, le preparo e daremo solo un'occhiata a come sono i risultati. |
| |
Quindi, ancora una volta guardiamo i lotti reali e previsti qui e vediamo, oh stanno facendo un lavoro molto migliore nell'ottenere queste svolte ... punti di svolta e in |
| |
raggiungendo il passo verso l'alto. Hanno anche catturato in qualche modo gli altipiani qui intorno, ma si presume già in precedenza sì, lo fanno ancora |
| |
cattura un bel po 'del rumore. Quindi questo non è davvero fluido. Sarebbe davvero molto bello avere forse una B-spline adatta a questo |
| |
tipo di degrado stile della collina in discesa. Forse basta fare un passo P-spline in quest'area in cui è veramente necessario, ma almeno questo è molto meglio dei nostri adattamenti B-spline. Quindi vediamo cosa sta succedendo. |
| |
Quindi ha fatto un buon lavoro inserendo i nostri diversi prodotti su di esso, la partitura bidimensionale. Possiamo vedere chiaramente come le repliche di prodotti diversi si raggruppano tra loro. |
| |
Ci sono le A; abbiamo le H e così via. Alcuni di loro non sono così buoni, quindi gli I sono un po 'più distribuiti e si sovrappongono agli altri. |
| |
Tuttavia, possiamo vedere che la buona riproducibilità che abbiamo visto nei dati grezzi sembra funzionare bene qui. Abbiamo deciso di optare per quattro FPC, |
| |
come visto qui. E possiamo vedere che stanno prevedendo abbastanza bene le nostre curve. |
| |
Ma, alla fine, il nostro obiettivo è ovviamente quello di vedere come la nostra risposta dei consumatori si relaziona alle diverse curve. Quindi ciò che JMP sta facendo qui in background, nella regressione generalizzata, sta adattando ciascuno di questi quattro FPC utilizzando Yield 1. |
| |
E con i risultati che ne derivano, ora possiamo vedere come i cambiamenti nel rendimento 1 cambiano la forma delle curve; potrebbe vedere chiaramente un filo verso l'alto. |
| |
Così |
| |
sembra relativamente facile catturare quello che sta succedendo, quindi questo è un prodotto davvero scadente, quindi è sicuramente molto alto, molto stabile qui, |
| |
e questo sembra essere molto più basso. Quindi abbiamo trovato qualcosa in cui pensiamo che possa essere vicino a una curva aurea per il nostro rendimento 1. |
| |
Tuttavia, quando guardiamo i dati che abbiamo realmente raccolto dai consumatori, e ora non su un K continuo, ma li mettiamo semplicemente in ordine su una scala categorica. |
| |
Dobbiamo vedere che questi quattro prodotti che sono usciti quasi identici da 0,31 ... |
| |
Da 0,031 a 0,034. Se guardiamo le forme delle curve e come cambiano a sinistra, vedremo che sono abbastanza diverse. |
| |
Quindi non è del tutto in linea; si potrebbe anche dire che non è affatto in linea con ciò che abbiamo visto nell'adattamento del rendimento continuo 1. Quindi proprio attraverso quello qui sotto, e questo sarebbe ... sembrano così simili nonostante abbiano già una grande differenza nella risposta dei consumatori. |
| |
E ancora, anche questo non è così diverso rispetto a quello che abbiamo visto da quello continuo. |
| |
Detto questo, torno al mio mazzo di diapositive |
| |
Quindi torniamo al mio mazzo di diapositive. Qui possiamo vedere come adattiamo i dati che abbiamo estratto dalla FDA al nostro rendimento 1. |
| |
E puoi davvero vedere che questo è un modello molto, molto buono. È così positivo che abbiamo sempre dovuto dubitare che ciò sarebbe stato vero per i nuovi dati. Abbiamo adattato la situazione utilizzando la convalida automatica e la media del modello come promosso da Phil Ramsey e Tiffany Rao in Discoveries America 2020. |
| |
Il quadrato R con 97 e poi R ... Premi R quadrato incrociato convalida R quadrato di 90, è semplicemente troppo bello per noi credere che sia vero. |
| |
Detto questo, diamo un'occhiata a cosa ha scoperto Phil guardando gli stessi dati con PLS. |
| Phil Bowtell |
Quindi, come dici tu, abbiamo questo R quadrato del 97% con la stampa R quadrato di 90. Sembra tutto molto carino. Vediamo solo come si confrontano i minimi quadrati parziali con questo. |
| |
Quindi ho esaminato l'analisi delle componenti principali, i minimi quadrati parziali, che è uno strumento che utilizziamo quando abbiamo spettri o curve. È comunemente usato perché tutti i nostri input saranno altamente correlati e |
| |
le tecniche di regressione tradizionali non lo affrontano così bene. E la prima cosa che abbiamo notato è stata quella, quando abbiamo guardato la trama della partitura che Bea aveva nella diapositiva precedente |
| |
nella demo, sembra quasi esattamente lo stesso che si ottiene nell'analisi dei componenti principali, quindi è lì che vediamo alcuni collegamenti comuni. |
| |
Quando eseguo i minimi quadrati parziali, quello che vedo è che ottengo un R quadrato del 73%, |
| |
non abbastanza buono come 97. Inoltre, se guardi l'osservato contro il predetto, |
| |
in realtà vediamo quello che sembra andare bene, ma ovviamente il prodotto B sta avendo un po 'di impatto e un'influenza indebita. |
| |
E in JMP e in SIMCA abbiamo la misura di convalida incrociata Q al quadrato, che è bassa al 33%. Quindi questo non è davvero un buon modello. |
| |
Questo è stato fatto sui dati grezzi e fluidi che avevamo. Ci sono altre trasformazioni che puoi provare, ma in realtà non siamo stati in grado di costruire un buon modello. Non è certamente niente che compete con la FDA. |
| |
Tuttavia, una cosa che otteniamo dal modello sono le stime dei coefficienti. Otteniamo anche questa quantità chiamata VIP, e questi in tandem ci danno un'idea di quali particolari regioni delle curve eccitano o ci dicono cosa sta succedendo con le previsioni. Quindi se mi limito a sovrapporre |
| |
qui i VIP ei coefficienti sul grafico dei dati grezzi, il verde evidenzia le aree in cui questo sta davvero avendo un grande impatto sulle previsioni, cosa sta contribuendo al modello. |
| |
L'arancia è media, non così tanto. E il grigio è basso, e questo in realtà ci sta dicendo che il primo picco non ha davvero un grande impatto dal punto di vista della previsione. |
| |
Quindi, andando avanti, sto guardando un altro insieme di dati. Queste sono le curve dei dati p, e qui abbiamo queste curve che sono state raccolte. |
| |
Quattro condizioni, forse chiamate protocolli o condizioni, in tre posizioni. Abbiamo anche un quinto protocollo o una quinta condizione, ma questo è preso solo nella posizione 1 e non è tracciato qui. |
| |
E quello che abbiamo è la posizione 1 a sinistra, la posizione 3 a destra e la condizione 1 in alto che scende alla condizione 4 in basso. |
| |
E una cosa da notare che queste curve sono abbastanza simili. Vediamo alcune lievi deviazioni. |
| |
Ma una domanda che è stata posta è: beh, abbiamo bisogno di tutte queste curve? Sono tutti necessari? O forse prendiamo un sottoinsieme e li usiamo per aiutarci a capire i dati. Quindi quello che ho fatto è stato prendere tutti i prodotti e tracciarli in sequenza. Quindi ho la posizione 1, |
| |
Condizione 1, fino alla posizione 3, condizione 4 e tracciato i dati. |
| |
E possiamo vedere subito che ci sono alcune tendenze comuni; possiamo anche vedere alcune differenze. Quindi noi tutti noi sempre ... vediamo che ci sono tre prodotti qui che sembravano essere lontani dagli altri. |
| |
Quindi abbiamo una certa differenziazione del prodotto. Se guardo le diverse condizioni, posso vedere che, ovviamente, questi prodotti qui stanno sicuramente cambiando mentre ci muoviamo, cambiano le nostre condizioni. |
| |
Mentre guardo la posizione, non sembra avere un impatto enorme. Vediamo se possiamo esaminarlo un po 'più in dettaglio. |
| |
Quindi, con qualsiasi dato multivariato, normalmente, la prima cosa da fare è semplicemente lanciarlo letteralmente nell'analisi delle componenti principali e vedere se ne esce qualcosa. Quindi è uno strumento di analisi dei dati esplorativo. |
| |
E se guardo i grafici del punteggio, ho preso tutti i dati che hai appena visto, li ho inseriti nel pacchetto, ne vengono fuori i componenti principali, codificati a colori per prodotto. |
| |
E possiamo vedere subito che i prodotti D, G e H sembrano essere lontani dal resto dei prodotti. Abbiamo tre prodotti qui, sette prodotti qui. |
| |
E quando abbiamo parlato con le persone che sviluppano questi prodotti e realizzano questi prodotti, ha perfettamente senso. Quindi è positivo che i dati stiano effettivamente evidenziando qualcosa che ci aspetteremmo di vedere. |
| |
Quindi evidenzierò le diverse posizioni e non vedo davvero uno schema qui. Penso che dovresti essere abbastanza avventuroso per dire che sta succedendo qualcosa. |
| |
Tuttavia, quando coloro in base alle diverse condizioni, vedo emergere un motivo. E se guardo i tre prodotti che abbiamo qui, D, G e H, |
| |
Vedo che, andando da destra a sinistra, stiamo assistendo a un passaggio dalla Condizione 1 alla Condizione 4, e allo stesso modo per i sette prodotti qui. La condizione 5 è al centro e, di nuovo, è qualcosa che ci aspetteremmo perché in realtà è un dispositivo di misurazione diverso. |
| |
Quindi, da un punto di vista esplorativo, possiamo vedere queste differenze. Vediamo se possiamo guardare questo da un punto di vista più statistico. E per l'esempio che vedrò, mi concentrerò solo sulla posizione 3 e guarderò le quattro condizioni all'interno della posizione 3. |
| |
Per fare questo, userò l'analisi dei componenti ortogonali multiblocco, che è un po 'un boccone, quindi è solo ridotta a MOCA. |
| |
E guarderò anche al modello gerarchico, ma non lo farò ... discutendone troppo nel contesto di questo discorso, mi concentrerò ... concentrandomi sul MOCA e queste sono due tecniche che troviamo nel pacchetto di statistiche SIMCA. |
| |
Ora l'idea qui è che guardiamo ai blocchi di dati e tradizionalmente ogni blocco rappresenta un modo diverso di misurare un qualche tipo di sostanza chimica o qualche tipo di prodotto. Quindi, come esempio, abbiamo la spettroscopia del vicino infrarosso, infrarosso e raman. |
| |
E le due cose che ci proponiamo di fare con MOCA e con la modellazione gerarchica sono innanzitutto valutare la ridondanza. |
| |
Potrebbe essere che mi serva solo la spettroscopia del vicino infrarosso e del raman per la previsione e, infatti, se conosco il vicino infrarosso e conosco il raman, posso effettivamente prevedere l'infrarosso o è ridondante. |
| |
Quindi questo è quello che vedremo, ma una cosa da notare è che quando parlo di ridondanza non significa automaticamente che posso eliminare quel particolare blocco. |
| |
Perché di per sé, può aggiungere alla previsione. Quindi è un atto di bilanciamento tra ridondanza e prevedibilità. Come abbiamo già visto, se guardo questi grafici qui, sembra che ci possa essere un po 'di ridondanza. |
| |
Allora cosa sta succedendo realmente? Bene, pensiamo a questo in termini di sovrapposizione. Ho la posizione 3 e ho le mie quattro condizioni. E per esprimere la sovrapposizione ho un meraviglioso diagramma di Venn e possiamo davvero iniziare a cercare di capire che tipo di informazioni abbiamo. |
| |
Il primo punto di informazione è l'informazione globale congiunta, che è dove abbiamo informazioni comuni a tutte e quattro le condizioni. |
| |
Quindi posso avere informazioni comuni solo a due o tre delle condizioni, informazioni congiunte a livello locale, come evidenziato in arancione qui. |
| |
E alla fine quello che resta è l'informazione unica, e questo è ciò che le diverse condizioni portano alla festa a pieno titolo. Quindi cosa ci si potrebbe aspettare di vedere qui? |
| |
Ebbene, il lato sinistro indicherebbe una situazione in cui le quattro condizioni hanno effettivamente una quantità piuttosto grande di informazioni indipendenti. |
| |
E probabilmente penseremo, no, non ci sarà alcuna ridondanza qui, dobbiamo mantenerli tutti e quattro. |
| |
L'immagine a destra, in cui abbiamo una grande quantità di informazioni congiunte a livello globale e locale e non così tante informazioni univoche, può indicare una situazione in cui potremmo avere una ridondanza, e potrebbe essere che ce la caviamo guardando uno o due dei condizioni e non tutte e quattro. |
| |
In termini di ciò che fa SIMCA, |
| |
fa un po 'di modellazione e abbiamo le nostre quattro condizioni ed è dotato di quattro componenti, due dei quali esaminano componenti comuni e due dei quali guardano componenti unici. |
| |
Nel complesso, spieghiamo gran parte della variabilità dei dati. Possiamo vedere dai numeri in alto qui che spiegano quasi il 100% della variabilità. È una buona cosa. |
| |
La barra verde sta guardando le informazioni congiunte globali e possiamo vedere che sono davvero abbastanza grandi; abbiamo un numero alto. Così |
| |
questo ci sta solo dicendo che c'è una grande quantità di sovrapposizione tra queste quattro diverse condizioni. |
| |
Se guardo le informazioni sulle articolazioni locali in arancione, ce ne sono alcune, proprio tra le Condizioni 2, 3 e 4. Non è enorme. |
| |
E infine, possiamo esaminare i contributi unici che ciascuna delle nostre informazioni uniche ciascuna delle condizioni ha, e questo è piuttosto piccolo. Quindi qui siamo praticamente certi che ci sarà un po 'di ridondanza. |
| |
Possiamo anche indagare da dove proviene l'unicità in termini di prodotti. Quindi la dimensione della bolla qui indica se è unica o meno. |
| |
Ora, se non abbiamo unicità, otteniamo bolle molto piccole, quindi, ad esempio, i prodotti I e F sono molto piccoli. Ci aspetteremmo, se li guardassimo individualmente, solo di avere molte barre verdi verdi qui. |
| |
Se guardiamo al prodotto H, vediamo un po 'più di indipendenza. Ci sta dicendo che ci sono un po 'di informazioni indipendenti sufficienti per le condizioni. |
| |
Non è una grande bolla, per niente, e in realtà sembra che ci sia molta ridondanza. Quindi quello che è stato fatto è che abbiamo preso tutte le 13 possibili condizioni e posizioni, abbiamo eseguito l'analisi MOCA e anche il modello gerarchico, |
| |
e da questo ci dice, idealmente, che abbiamo bisogno della prima condizione nelle posizioni 1 e 3 e della quinta condizione nella posizione 1, |
| |
il che va davvero contro quello che abbiamo detto. Sai, stavamo dicendo prima, beh, |
| |
sai che le condizioni differiscono un po 'e le posizioni non differiscono affatto. Beh, non proprio, ovviamente sta succedendo qualcosa in termini di previsioni, |
| |
ma siamo stati in grado di passare da 13 diverse combinazioni fino a quattro, con un modello abbastanza buono, R quadrato di 85,5 |
| |
e Q quadrato a 69,3. La misura di convalida incrociata non è male; essere carino se questi due sono più vicini, ma almeno stiamo modellando i nostri dati qui, in questo caso Yield 2, meglio di quanto siamo stati in grado di fare in passato, usando questi dati P. |
| |
Detto questo, tornerò a Bea. |
| Beatrice Blum |
Grazie, Phil, per questi spunti super interessanti che potresti fornire. Ora diamo un'occhiata a cosa fa la FDA ai dati P e cosa possiamo ottenere da questo. |
| |
Analogamente a quanto ci ha mostrato Phil, possiamo vedere che la posizione è un fattore che, se si può dire, non sta avendo tanto impatto quanto le diverse quattro condizioni. Quindi variano molto di più i risultati. |
| |
E possiamo anche vedere, che è piuttosto interessante, quando guardiamo i due prodotti con le migliori prestazioni qui con 74 e 72, |
| |
che sono curve, le corrispondenti curve di previsione, sembrano abbastanza diverse, anche molto più diverse di quelle che abbiamo visto nelle curve K, forse anche. |
| |
Quindi, se stiamo andando per la curva aurea e proviamo a capire quali sono davvero i profili più performanti, questo ci sta dando filo da torcere perché è abbastanza difficile trovare punti in comune tra queste due curve. |
| |
Quindi la domanda è davvero, ci sono diverse curve d'oro o può una curva media tra quelle che stanno già funzionando bene essere ciò che dobbiamo perseguire? |
| |
Non possiamo ancora rispondere. Inoltre, non possiamo rispondere se ci sono ridondanze o quali combinazioni di posizione-condizione dobbiamo davvero misurare da questo. |
| |
Tuttavia, ancora una volta quando estraggo i riepiloghi da questi FDA e ho provato a costruire un modello e prevedere Yield 2, ottengo di nuovo un modello super buono con un quadrato R di 98 e premo R quadrato di 97. Sì, sappiamo già che questo è troppo bello per essere vero. |
| |
Dall'altro lato, abbiamo provato a modellare lo stesso rendimento 2 con altri valori estratti dalle nostre curve come ci sono stati forniti dal reparto misurazioni. |
| |
Ma il tentativo di modellare quei valori estratti e di prevedere il rendimento 2 non ha funzionato affatto. I quadrati R che abbiamo potuto ottenere non erano nemmeno vicini a quelli che otteniamo qui. |
| |
Quindi pensiamo che stia succedendo qualcosa e abbiamo fatto un enorme passo avanti nel tentativo di capire come possiamo modellare il rendimento 2. |
| |
Quindi concludiamo quello che abbiamo trovato. Abbiamo visto che entrambi i modelli, o meglio entrambi i metodi, risultano in componenti principali molto simili e che concordano in termini di quali elementi in comune estraggono dalle curve K e P. |
| |
La FDA potrebbe probabilmente essere un po 'più facile da usare, con poca preparazione dei dati. Ci consente di prevedere le forme delle curve da Yield 1 e Yield 2 e questo ci dà un'idea di come potrebbero apparire le nostre curve dorate. |
| |
Indica anche quale fattore pratico di misurazione sembra più importante mantenere. |
| |
Siamo in grado di ottenere modelli davvero buoni per i nostri raccolti, ma mettiamo in discussione profondamente questi modelli. |
| |
Al momento non è stato possibile estrarre le combinazioni di posizione-condizione più rilevanti da mantenere. Questo è qualcosa che vorremmo dare seguito a JMP. |
| |
PLS, d'altra parte, non ci fornisce informazioni molto utili su quali sezioni delle curve sono più informative in termini di discriminazione dei nostri prodotti. |
| |
MOCA e PLS gerarchico ci indicano inoltre i protocolli di misurazione che dobbiamo mantenere per acquisire le informazioni più rilevanti dalle nostre curve P. I modelli PLS per prevedere la resa sembrano in qualche modo più ragionevoli in termini di bontà delle metriche di adattamento rispetto ai modelli FDA. |
| |
I nostri sforzi combinati ci hanno aiutato a trovare schemi chiari per differenziare i nostri prodotti. Sia PLS che FDA ci consentono, |
| |
estrarre le caratteristiche essenziali dalle tracce e calcolare buoni modelli di previsione per i nostri rendimenti. Abbiamo anche imparato che gli aspetti delle curve e quali protocolli sono più significativi. |
| |
Siamo riusciti a modellare o prevedere i nostri rendimenti molto meglio di quanto avremmo potuto in passato. È un enorme passo avanti. |
| |
Questo è un ottimo esempio in cui in realtà troppi cuochi non hanno rovinato il brodo. Entrambi i metodi concordano fino a un certo punto, ma forniscono anche informazioni aggiuntive diverse laddove differiscono l'uno dall'altro. Il lavoro è in corso; ci espanderemo da qui. |
| |
Particolarmente, |
| |
aggiungeremo nuovi dati indipendenti per convalidare o migliorare i modelli. Dobbiamo ancora mettere a punto i protocolli che dobbiamo mantenere per fornirci le informazioni più pertinenti e meno ridondanti. |
| |
Questo è qualcosa in cui speriamo che JMP possa aiutare, abilitandolo nella piattaforma FDE. Il nostro obiettivo finale è capire quale composizione materiale dei pannolini |
| |
risulterà in quali forme della curva e come queste forme della curva si riferiscono al rendimento del consumatore. Nella nostra ricerca della curva aurea, abbiamo fatto buoni progressi e siamo entusiasti di poterla finalmente cogliere appieno. |
| |
Con ciò, ti ringraziamo per la tua attenzione e siamo aperti alle domande ora. |
