Transkript |
| Hallo Chris Gotwalt hier. |
| Heute werden wir sein |
| Aufbau der Geschichte von |
| grafische Paradoxe und oh warte, |
| falsches Thema. Eigentlich gehen wir |
| über Kandidaten sprechen |
| Bühnenbilder, Schneiderei DOE |
| Einschränkungen für das Problem. |
| Also industrielles Experimentieren |
| für Produkt und Prozess |
| Verbesserung hat eine lange Geschichte |
| mit vielen Fäden, die ich zugeben muss |
| kenne nur einen winzigen Splitter |
| von. Die Idee der Beobachtung |
| für Produkt und Prozess |
| Innovation ist so alt wie die Menschheit |
| selbst. Es wurde erneuert |
| Fokus während der Renaissance und |
| Wissenschaftliche Revolution. Während der |
| nachfolgende industrielle |
| Revolution, Wissenschaft und Industrie |
| begann immer mehr zu arbeiten |
| im Gleichschritt. Anfang des 20 .. |
| Jahrhundert war Edisons Labor ein |
| industrielle Innovation auf a |
| Fabrikmaßstab, aber es wurde getan |
| meines Wissens außerhalb von |
| moderne experimentelle Traditionen. |
| Nicht lange nach RA Fisher |
| eingeführte Konzepte wie |
| Blockierung und Randomisierung, seine |
| Mitarbeiter und dann Schwiegersohn, |
| George Box hat entwickelt, was ist |
| jetzt wohl die dominante |
| Paradigma in der Gestaltung von |
| Experimente mit den meisten |
| beliebtes Buch ist Statistik |
| für Experimentatoren von Box, |
| Jäger und Jäger. |
| Die in Box, Hunter |
| und Hunter nenne ich das |
| taxonomischer Designansatz. |
| Angenommen, Sie haben ein Produkt |
| oder Prozess, den Sie verbessern möchten. |
| Du denkst über die Dinge nach, die du hast |
| kann wechseln. Die Knöpfe können sich drehen |
| wie Temperatur, Druck, |
| Zeit, Zutaten, die Sie verwenden können oder |
| Verarbeitungsmethoden, die Sie können |
| benutzen. Diese diese Dinge werden |
| Ihre Faktoren. Dann denkst du |
| darüber, ob sie sind |
| kontinuierlich oder nominal, und wenn |
| sie sind nominal, wie viele |
| Ebenen, die sie nehmen oder die Reichweite |
| Sie sind bereit, sie zu variieren. Wenn eine |
| Faktor ist kontinuierlich, dann Sie |
| finde den Namen des heraus |
| Design, das am einfachsten passt |
| bis zum Problem und den Ressourcen |
| dass du ... das passt zu deinem Budget. |
| Dieser Entwurf wird haben ... |
| wird einen Namen wie eine Box haben |
| Behnken Design, ein Bruchteil |
| Fakultät oder eine zentrale |
| zusammengesetzte Zeichen oder möglicherweise |
| so etwas wie ein Taguchi-Array. Es wird |
| Beschränkungen für die Nummern sein |
| von Läufen, dem Level ... den Zahlen |
| von Ebenen von kategorial |
| Faktoren und so weiter, so da |
| wird ein paar Schuhmacher sein |
| Problem zur Hand in das Design |
| das können Sie finden. Zum Beispiel, |
| Faktoren in der BHH |
| Ansatz, Box Hunter und Hunter |
| Ansatz, muss oft sein |
| schnitzte auf zwei oder drei |
| eindeutige Werte oder Ebenen. |
| Trotz seiner Einschränkungen ist die |
| taxonomischer Ansatz war |
| fantastisch erfolgreich. |
| Im Laufe der Zeit natürlich einige |
| Leute haben gefragt, ob wir könnten |
| noch besser machen. |
| Und mit besser wollen wir fragen |
| selbst, wie gestalten wir unsere |
| studieren, um das Höchste zu erhalten |
| Qualitätsinformationen relevant für |
| die Ziele der Verbesserung |
| Projekt? Diese Zeile von |
| Fragen führen letztendlich zu |
| optimales Design. Optimales Design ist |
| ein akademischer Forschungsbereich. Es war |
| begann parallel mit der Box |
| Schule in den 50er und 60er Jahren, aber |
| aus verschiedenen Gründen blieb aus |
| des Mainstreams der Industrie |
| Experimente, bis die |
| Custom Designer und JMP. |
| Die Philosophie des Brauchs |
| Designer ist das, was Sie beschreiben |
| das Problem mit der Software. Es |
| Dann erhalten Sie das beste Design |
| für Ihre budgetierte Anzahl von |
| läuft. Sie beginnen mit der Erklärung |
| Ihre Antworten zusammen mit ihren |
| Ziele wie minimieren, maximieren, |
| oder Match Ziel, und dann Sie |
| beschreiben die Arten von Faktoren |
| Sie haben, kontinuierlich, kategorisch |
| Mischung usw. Kategorisch |
| Faktoren können eine beliebige Anzahl von haben |
| Ebenen. Sie geben ihm ein Modell, das |
| Sie möchten zu dem Ergebnis passen |
| Daten. Das Modell geht zumindest davon aus |
| Quadrate Analyse und besteht aus |
| Haupteffekte und Wechselwirkungen in |
| Polynomterme. Der Brauch |
| Designer machen einige Standard |
| Annahmen über die Natur |
| von Ihrem Ziel, wie ob |
| Sie interessieren sich für Screening |
| oder Vorhersage, die ist |
| spiegelt sich in der Optimalität |
| Kriterium, das verwendet wird. Das |
| Standardeinstellungen können überschrieben werden |
| mit einem roten Dreieck Menü |
| Option, wenn Sie möchten |
| mach etwas anderes als |
| was die Software beabsichtigt. |
| Der Workflow in den meisten |
| Anwendungen ist einzurichten |
| das Model. |
| Dann wählen Sie Ihr Budget, |
| Klicken Sie auf Design erstellen. Einmal das |
| passiert, verwendet JMP eine gemischte, |
| kontinuierlich und kategorisch |
| Optimierungsalgorithmus, Lösen |
| für die Anzahl der Faktoren mal |
| die Anzahl der Zeilenbegriffe. |
| Dann erhalten Sie Ihre Konstruktionsdaten |
| Tisch mit allem, was Sie brauchen |
| außer den Antwortdaten. Dies |
| ist ein großartiger Workflow wie der |
| Faktoren können variiert werden |
| unabhängig voneinander. |
| Was ist, wenn Sie nicht können? Was, wenn |
| gibt es Einschränkungen? Was |
| wenn der Wert einiger Faktoren |
| Bestimmen Sie die möglichen Bereiche |
| von anderen Faktoren? |
| Na dann kannst du machen .... dann |
| Sie können einen Faktor definieren |
| Einschränkungen oder verwenden Sie es |
| unzulässige Kombinationen |
| Filter. |
| Leider während diese |
| sind mächtige Werkzeuge für |
| experimentell einschränken |
| Regionen kann es immer noch sehr sein |
| schwer zu charakterisieren |
| Einschränkungen, die diese verwenden. |
| Das DOE-Team von Brad Jones, Ryan Lekivetz, |
| Joseph Morgan und Caleb |
| König haben eine hinzugefügt |
| außerordentlich nützlich neu |
| Funktion, die das Handling macht |
| Einschränkungen erheblich einfacher in |
| JMP 16. Diese nennt man |
| Kandidaten- oder Kovariatenläufe. |
| Was Sie tun können, ist, auf Ihrem |
| eigene, erstellen Sie eine Tabelle von allen |
| mögliche Kombinationen von |
| Faktoreinstellungen, die Sie möchten |
| der kundenspezifische Designer zu |
| Erwägen. Dann laden Sie sie auf |
| hier und die werden die sein |
| nur Kombinationen von Faktoren |
| Einstellungen, die der Designer |
| werden... |
| werde schauen. Das Original |
| Tabelle, die ich a nenne |
| Kandidatentabelle, ist wie ein |
| Menüfaktoreinstellungen für |
| der kundenspezifische Designer. |
| Dies gibt JMP-Benutzern eine |
| unglaubliche Kontrolle über |
| ihre Entwürfe. Was ich machen werde |
| Heute geht es um mehrere |
| Beispiele, um zu zeigen, wie Sie verwenden können |
| dies, um den Brauch zu machen |
| Designer erfüllen ihr Potenzial |
| als Werkzeug, das die |
| Design auf das Problem zur Hand. |
| Bevor ich das mache, gehe ich zu |
| für einen Moment vom Thema abkommen und |
| weisen darauf hin, dass im JMP Pro |
| Version des benutzerdefinierten Designers, |
| Es gibt jetzt eine Fähigkeit, die |
| ermöglicht es Ihnen, Grenzen von zu deklarieren |
| Erkennung zur Entwurfszeit. |
| Wenn Sie nicht fehlende Werte wünschen |
| für die Grenzen hier der Brauch |
| Der Designer fügt eine Spalte hinzu |
| Eigenschaft, die die informiert |
| verallgemeinerte Regressionsplattform |
| der Nachweisgrenzen und es |
| wird dann automatisch die bekommen |
| Analyse korrekt. Dies führt zu |
| dramatisch höhere Leistung zu |
| Effekte erkennen und viel niedriger |
| Vorurteile bei Vorhersagen, aber das ist es |
| ein Thema für ein anderes Gespräch. |
| Hier finden Sie eine Reihe von Anwendungen |
| das kann ich mir für das vorstellen |
| Kandidat Set Designer. Das |
| Am einfachsten ist es, wenn Bereiche von a |
| kontinuierlicher Faktor hängt von der |
| Stufe einer oder mehrerer kategorialer |
| Faktoren. Ein anderes Beispiel ist wann |
| Wir können die Reichweite von nicht kontrollieren |
| Faktoren vollständig |
| unabhängig, aber die |
| Einschränkungen sind schwer zu schreiben |
| Nieder. Es gibt zwei Methoden, die wir |
| kann dafür verwenden. Einer benutzt |
| historische Prozessdaten als |
| Kandidatensatz und dann die |
| Das andere nenne ich Filter |
| Entwürfe, bei denen Sie erstellen ... Design |
| ein riesiger Anfangsdatensatz mit |
| Zufallszahlen oder ein Leerzeichen |
| Füllen Sie das Design und verwenden Sie dann die Reihe |
| Auswahl in Streudiagrammen |
| die Punkte herausgreifen, die |
| Erfüllen Sie nicht die Einschränkungen. |
| Es gibt auch die Möglichkeit dazu |
| wirklich sehr individuelle Mischung |
| Probleme, insbesondere Situationen |
| wo du mehrschichtig bist |
| Mischen. Das ist nicht |
| etwas, das ich sein werde |
| in der Lage, über heute zu sprechen, aber in |
| die Zukunft das ist etwas |
| dass Sie suchen sollten, um zu sein |
| in der Lage, mit diesem Kandidaten zu tun |
| Bühnenbildner. Sie können auch tun |
| nichtlineare Einschränkungen mit dem |
| Filtermethode, das gleiche |
| Möglichkeiten, wie Sie andere Arten von tun können |
| Einschränkungen. Es ist sehr |
| einfach und ich werde eine schnelle haben |
| Beispiel ganz am Ende |
| dies veranschaulichen. |
| Betrachten wir also unsere erste |
| Beispiel. Angenommen, Sie möchten |
| eine Zielantwort in einem übereinstimmen |
| Untersuchung zweier Faktoren. |
| Einer ist ausgerüstet ... eine Ausrüstung |
| Lieferant, von denen es zwei gibt |
| Ebenen und die andere ist die |
| Temperatur des Geräts. Das |
| zwei verschiedene Lieferanten haben |
| verschiedene Betriebsbereiche |
| Temperaturen. Lieferant A ist mehr |
| schmal von den beiden, ausgehend von |
| 150 bis 170 Grad Celsius. |
| Aber es ist steuerbar zu einem |
| feinere Auflösung von |
| etwa 5 Grad. Lieferant B. |
| hat einen größeren Betriebsbereich |
| von 140 bis 180 Grad |
| Celsius, ist aber nur |
| steuerbar auf 10 Grad |
| Celsius. Angenommen, wir wollen es tun |
| ein 12-Run-Design, um die zu finden |
| optimale Kombination davon |
| zwei Faktoren. |
| Wir zählen alle möglichen auf |
| Kombinationen der beiden |
| Faktoren in 10 Läufen in der |
| Tabelle hier, nur erstellen |
| dies manuell selbst. |
| Also hier sind die fünf möglichen |
| Werte des Maschinentyps A. |
| Temperatureinstellungen. Und dann |
| Hier unten sind die fünf möglichen |
| Werte der Temperatur von Typ B. |
| die Einstellungen. Wir wollen das Beste |
| Design in 12 Läufen, was übersteigt |
| die Anzahl der Zeilen in der |
| Kandidatentabelle. Das ist kein |
| Problem in der Theorie, aber ich |
| empfehlen, eine Kopie des zu erstellen |
| Kandidatensatz nur für den Fall |
| dass die Anzahl der Läufe das |
| Ihre Kandidatentabelle hat überschritten |
| die Nummer, die Sie suchen |
| für im Design. |
| Dann gehen wir zum Brauch |
| Designer. |
| Drücken Sie Select-Kovariate |
| Faktoren-Taste. |
| Wählen Sie die gewünschten Spalten aus |
| als Kandidatendesign geladen |
| Faktoren. Nun der Kandidat |
| Design wird geladen und angezeigt. |
| Fügen wir den Interaktionseffekt hinzu: |
| sowie der quadratische Effekt |
| der Temperatur. Jetzt sind wir bei der |
| letzter Schritt vor dem Erstellen der |
| Design. Ich möchte das erklären |
| zwei Optionen, die Sie in der sehen |
| Entwurfsgenerierungs-Gliederungsknoten. |
| Der erste, der zwingen wird |
| in allen Zeilen, die sind |
| in der Originaltabelle ausgewählt |
| oder in der Auflistung der |
| Kandidaten im Brauch |
| Designer. Also wenn du hast |
| Checkpoints, die unwahrscheinlich sind |
| durch die Optimalität begünstigt werden |
| Kriterium und wollen sie erzwingen |
| in das Design hinein können Sie |
| Verwenden Sie diese Option. Es ist ein bisschen |
| wie die gleichen Reihen nehmen und |
| Erstellen eines erweiterten Designs |
| basierend nur auf ihnen, außer dem |
| Sie kontrollieren das Mögliche |
| Kombinationen der Faktoren in |
| die zusätzlichen Zeilen. |
| Die zweite Option, die ich bin |
| hier absichtlich prüfen, erlaubt |
| die zu wählenden Kandidatenzeilen |
| mehr als einmal. Dies wird geben |
| Sie haben optimal gewählt |
| Replikationen und ist wahrscheinlich ein |
| Gute Idee, wenn Sie gleich rennen wollen |
| ein physikalisches Experiment. Wenn, auf |
| Auf der anderen Seite verwenden Sie eine |
| optimale Teilmenge der zu findenden Zeilen |
| in einer schicken neuen Maschine zu versuchen |
| Lernalgorithmus wie SVEM, a |
| Thema eines meiner anderen Vorträge |
| bei der März Entdeckung |
| Konferenz. Du würdest nicht wollen |
| um diese Option zu überprüfen, wenn dies der Fall war |
| der Fall. Grundsätzlich, wenn Sie |
| Ich habe nicht alle Ihre Antworten |
| Werte schon würde ich überprüfen |
| diese Box und wenn Sie bereits haben |
| die Antwortwerte dann nicht. |
| Setzen Sie die Stichprobengröße auf 12 und zurück |
| Klicken Sie auf Design erstellen. Der Kandidat |
| Design in seiner ganzen Pracht wird |
| erscheinen wie alle anderen |
| Design nach Maß |
| Designer. Wie wir in der sehen |
| mittleres JMP-Fenster, auch JMP |
| wählt die Zeilen im Original aus |
| vom Kandidaten gewählte Tabelle |
| Entwurfsalgorithmus. Beachten Sie, dass 10 |
| Es wurden nicht 12 Zeilen ausgewählt. |
| Rechts sehen wir das Neue |
| Designtisch ganz rechts |
| Spalte in der Tabelle gibt an |
| die Ursprungsreihe dafür |
| Lauf. Beachten Sie die ursprünglichen Zeilen |
| 11 und 15 wurden zweimal gewählt |
| und sind Replikate. |
| Hier ist eine Histogrammansicht des |
| Design. Sie können sehen, dass die |
| unterschiedliche Temperaturwerte |
| wurden vom Kandidatensatz ausgewählt |
| Algorithmus für verschiedene Maschinen |
| Typen. Insgesamt ist dieses Design |
| gut ausbalanciert, aber wir nicht |
| haben 3 Temperaturstufen in |
| Maschinentyp A. Glücklicherweise, |
| Wir können die Zeilen auswählen, die wir haben |
| will in das Design gezwungen werden |
| um sicherzustellen, dass wir 3 haben |
| Temperaturniveaus für |
| beide Maschinentypen. |
| Wählen Sie einfach die gewünschte Zeile aus |
| gezwungen in das Design in der |
| kovariate Tabelle. Überprüfen Sie einschließen |
| alle ausgewählten kovarianten Zeilen in |
| die Designoption. |
| Und dann, wenn Sie durchgehen |
| All das werden Sie sehen |
| dass jetzt beide Ebenen von |
| Maschine haben mindestens drei |
| Temperaturniveaus in der |
| Design. Also das erste Design |
| Wir haben auf der linken Seite erstellt |
| und das neue Design zwingen |
| Es gibt 3 Ebenen von |
| Maschinentyp A's |
| Die Temperatureinstellungen sind beendet |
| hier rechts. |
| Mein zweites Beispiel basiert auf a |
| realer Datensatz aus a |
| metallurgische Herstellung |
| Prozess. Das Unternehmen will |
| Kontrollieren Sie das Ausmaß der Schrumpfung |
| während des Sinterschrittes. Sie |
| habe viele historische Daten |
| und Maschine angewendet haben |
| Lernmodelle vorherzusagen |
| Schrumpfen und so eine Idee haben |
| Was sind die Schlüsselfaktoren? |
| Allerdings tatsächlich zu optimieren |
| Den Prozess solltest du wirklich |
| mache ein geplantes Experiment. |
| Als Laura Castro-Schilo |
| einmal gezeigt ... |
| Als Laura Castro-Schilo einmal |
| sagte mir, Kausalität ist ein |
| Eigentum nicht der Daten, aber |
| wenn die Daten generiert |
| Mechanismus und als George Box |
| sagt auf der Innenseite von |
| Statistiken für Experimentatoren, |
| um herauszufinden, was wann passiert |
| du änderst etwas, das ist es |
| notwendig, um es zu ändern. |
| Nun, obwohl wir das nicht benutzen können |
| historische Daten zu beweisen |
| Kausalität gibt es |
| wesentliche Informationen über |
| welche Kombinationen von Faktoren |
| sind möglich, dass wir verwenden können |
| in dem Design. |
| Wir müssen zuerst die trennen |
| Spalten in der Tabelle, die |
| steuerbare Faktoren darstellen |
| von denen, die mehr sind |
| passive Sensormessungen |
| oder Antriebsmengen, die |
| kann nicht direkt gesteuert werden. |
| Ein Blick auf das Streudiagramm von |
| die möglichen kontinuierlichen Faktoren |
| zeigt an, dass es gibt |
| implizite Einschränkungen, die könnten |
| schwer zu charakterisieren sein als |
| lineare Einschränkungen oder nicht zulässig |
| Kombinationen. Diese jedoch |
| repräsentieren eine Stichprobe der |
| mögliche Kombinationen, die |
| kann mit dem verwendet werden |
| Kandidat Designer ganz |
| leicht. |
| Dazu rufen wir die |
| kundenspezifischer Designer. Richten Sie die ein |
| Antwort. Ich lade gerne welche auf |
| kovariate Faktoren. Wähle aus |
| Spalten, die wir als steuern können |
| Faktor ... DOE Faktoren und |
| OK klicken. Jetzt haben wir sie |
| geladen. Lassen Sie uns ein Quadrat einrichten |
| Antwortoberflächenmodell als unser |
| Basismodell. Wählen Sie dann alle aus |
| die Modellbegriffe mit Ausnahme der |
| abfangen. Dann machen Sie eine Kontrolle |
| plus Rechtsklick und konvertieren |
| all diese Begriffe in if |
| mögliche Auswirkungen. Das in |
| Kombination mit Antwort |
| Oberflächenmodell gewählt, bedeutet |
| dass wir eine schaffen werden |
| Bayesianischer I-optimaler Kandidat |
| Bühnenbild. |
| Aktivieren Sie das Kontrollkästchen, das dies zulässt |
| optimal ausgewählte Replikate. |
| Geben Sie die Stichprobengröße ein. |
| Anschließend wird das Design erstellt |
| für uns. Wenn wir uns das ansehen |
| Verteilung der Faktoren, |
| wir sehen, dass es hart versucht wird |
| ein größeres Gleichgewicht anstreben. |
| Links haben wir eine |
| Streudiagramm-Matrix der |
| kontinuierliche Faktoren aus dem |
| Originaldaten und rechts |
| ist das hundertreihige Design. Wir sehen |
| das beim Sintern |
| Temperatur haben wir einige |
| potenzielle Ausreißer bei 1220. |
| Man würde das sicherstellen wollen |
| das sind echte Werte. Im |
| Im Allgemeinen müssen Sie |
| Stellen Sie sicher, dass die Eingabe |
| Kandidatensatz ist klar |
| Outliars und von fehlenden Werten |
| bevor Sie es als Kandidat verwenden |
| Bühnenbild. In meinem Gespräch mit Ron |
| Kennet das ... im März |
| 2021 Entdeckungskonferenz, |
| Ich demonstriere kurz, wie Sie verwenden können |
| der Ausreißer und fehlender Wert |
| Screening-Plattformen zu entfernen |
| die Ausreißer und ersetzen die |
| fehlende Werte, damit Sie könnten |
| Verwenden Sie sie bei einem späteren |
| Bühne wie diese. |
| Nehmen wir nun an, wir haben ein Problem |
| ähnlich dem ersten Beispiel, |
| wo es zwei maschinen gibt |
| Typen, aber jetzt haben wir |
| Temperatur und Druck als |
| Faktoren, und das wissen wir |
| Temperatur und Druck können nicht |
| unabhängig voneinander variieren und dass die |
| Art dieser Abhängigkeit |
| wechselt zwischen Maschinentypen. |
| Wir können einen anfänglichen Raum schaffen |
| Fülldesign und verwenden Sie die |
| Datenfilter zum Entfernen der |
| unmögliche Kombinationen von |
| Faktoren, die separat für eingestellt werden |
| jeder Maschinentyp. Dann können wir |
| Verwenden Sie den Kandidatenset-Designer |
| das effizienteste zu finden |
| Design für diese Situation. |
| Also jetzt habe ich das durchgemacht, |
| Jetzt habe ich meinen Raum geschaffen |
| Füllungsdesign. Es hat 1.000 |
| läuft und ich kann das ansprechen |
| globaler Datenfilter darauf und |
| Verwenden Sie es, um sich anders zu rasieren |
| Kombinationen von Temperatur |
| und Druck, damit wir können |
| haben separate Einschränkungen durch |
| Maschinentyp. |
| Also benutze ich das Lasso |
| Werkzeug zum Abschneiden |
| eine Ecke in Maschine B. |
| Und ich gehe zurück und schneide ab |
| eine andere Ecke in Maschine B so |
| Maschine B ist die Maschine, die hat |
| Art einer breiteren Betriebsregion |
| in Temperatur und Druck. |
| Dann wechseln wir zur Maschine |
| EIN. Und wir werden nur verwenden |
| das Lasso-Werkzeug |
| sich rasieren |
| die Punkte, die außerhalb seiner sind |
| Betriebsbereich. Und wir sehen |
| dass seine Betriebsregion a |
| viel schmaler als bei Maschine A. |
| Und hier ist unser kombiniertes Design. |
| Von dort können wir das zurück laden |
| bis in den Custom Designer. |
| Legen Sie dort ein RSM-Modell ab |
| Setzen Sie unsere Anzahl der Läufe auf 32, |
| koviariate Zeilen zulassen |
| wiederholt. Und es wird kurbeln |
| durch. Sobald es fertig ist, ist es |
| wählt alle Punkte aus, die waren |
| vom Kandidatensatz ausgewählt |
| Designer. Und hier können wir sehen |
| die Punkte, die ausgewählt wurden. |
| Sie wurden hervorgehoben und die |
| Original-Satz von Kandidatenpunkten |
| die nicht ausgewählt wurden sind |
| sind grau. |
| Wir können das neue Design ansprechen |
| in Fit Y von X und wir können |
| sehen Sie ein Streudiagramm, wo wir sehen |
| dass die |
| die die Maschine A Designpunkte |
| sind in rot. Sie sind im Innenraum |
| des Raumes und dann den Typ |
| B-Läufe sind blau. Es hatte die |
| breitere Betriebsregion und |
| So sehen wir diese Punkte |
| hier draußen, weiter draußen. So |
| wir haben schnell eine erreicht |
| Design mit linearen Einschränkungen |
| diese Änderung mit einer kategorischen |
| Faktor ohne das zu gehen |
| ärgerlicher Prozess der Ableitung der |
| lineare Kombinationskoeffizienten. |
| Wir haben einfach Basic JMP 101 verwendet |
| Visualisierung und Filterung |
| Werkzeuge. Diese Idee verallgemeinert |
| zu anderen nichtlinearen |
| Einschränkungen und andere komplexe |
| Situationen ziemlich leicht. |
| Also jetzt werden wir verwenden |
| Filtern und multivariate zu |
| Richten Sie eine sehr einzigartige neue Art von |
| Design, das ich Ihnen versichere |
| habe noch nie gesehen. |
| Gehe zum |
| Lasso-Werkzeug. Wir gehen |
| ein sehr ungewöhnliches ausschneiden |
| Zwang. |
| Und wir werden umkehren |
| Auswahl. |
| Wir werden diese Zeilen löschen. |
| Dann können wir dies beschleunigen a |
| ein kleines bisschen. Wir können durchgehen |
| und das Gleiche tun |
| für andere Kombinationen von X1 |
| und die anderen Variablen. |
| Ein sehr schnitzen |
| ungewöhnlich geformtes Kandidatenset. |
| Wir können dies in laden |
| der kundenspezifische Designer. Gleich |
| Sache wie zuvor. Bringen Sie unsere |
| Spalten als Kovariaten, |
| ein Design mit allen ... |
| alle Interaktionen hoher Ordnung gemacht |
| wenn möglich mit hundert |
| läuft. Und jetzt sehen wir |
| unser Design dafür sehr |
| ungewöhnlich eingeschränkte Region |
| das ist angesichts dieser optimal |
| Einschränkungen. |
| Also werde ich dich damit verlassen |
| Bild. Ich bin sehr aufgeregt |
| Hören Sie, was Sie konnten |
| mit dem neuen Kandidatensatz |
| Designer. Hut ab vor dem DOE |
| Team für das Hinzufügen |
| überraschend nützlich und |
| flexible neue Funktion. Danken |
| Sie. |
