Transkript |
| Hallo Chris Gotwalt hier. |
| Heute werden wir es sein |
| Aufbau der Geschichte von |
| Grafische Paradoxien und oh warte, |
| falsches Thema. Eigentlich gehen wir |
| über den Kandidaten sprechen |
| Bühnenbild, Schneiderei DOE |
| Einschränkungen des Problems. |
| Also industrielles Experimentieren |
| für Produkt und Prozess |
| Verbesserung hat eine lange Geschichte |
| mit vielen Threads, die ich zugebe |
| Kenne nur einen winzigen Splitter |
| von. Die Idee, Beobachtung zu nutzen |
| für Produkt und Prozess |
| Innovation ist so alt wie die Menschheit |
| selbst. Es wurde erneuert |
| Schwerpunkt während der Renaissance und |
| Wissenschaftliche Revolution. Während der |
| anschließend Industrial |
| Revolution, Wissenschaft und Industrie |
| begann immer mehr zu operieren |
| im Gleichschritt. Im frühen 20 |
| Jahrhundert war Edisons Labor ein |
| Industrielle Innovation auf einem |
| Fabrikmaßstab, aber es wurde geschafft |
| meines Wissens außerhalb |
| moderne experimentelle Traditionen. |
| Nicht lange nach RA Fisher |
| eingeführte Konzepte wie |
| Blockierung und Randomisierung, sein |
| Gesellschafter und dann Schwiegersohn, |
| George Box hat entwickelt, was ist |
| jetzt wahrscheinlich das dominierende |
| Paradigma im Design von |
| Experimente, mit den meisten |
| Beliebtes Buch ist Statistik |
| für Experimentatoren von Box, |
| Jäger und Jäger. |
| Die in Box, Hunter beschriebene Methode |
| und Hunter nenne ich das |
| Taxonomischer Ansatz für Design. |
| Angenommen, Sie haben ein Produkt |
| oder Prozess, den Sie verbessern möchten. |
| Du denkst die Dinge durch, die du hast |
| kann wechseln. Die Knöpfe sind drehbar |
| wie Temperatur, Druck, |
| Zeit, Zutaten, die Sie verwenden können bzw |
| Verarbeitungsmethoden, die Sie können |
| verwenden. Diese diese Dinge werden |
| Ihre Faktoren. Dann denkst du |
| darüber, ob sie es sind |
| kontinuierlich oder nominal, und wenn |
| sie sind nominal, wie viele |
| welche Stufen sie einnehmen oder wie weit sie reichen |
| Sie sind bereit, sie zu variieren. Wenn ein |
| Faktor ist stetig, dann Sie |
| Finden Sie den Namen heraus |
| Design, das am besten passt |
| bis zum Problem und den Ressourcen |
| dass Sie...das in Ihr Budget passt. |
| Dieses Design wird... |
| wird einen Namen wie eine Box haben |
| Behnken-Design, ein Bruchteil |
| faktoriell oder zentral |
| zusammengesetzte Zeichen, oder möglicherweise |
| so etwas wie ein Taguchi-Array. Das wird es |
| Beschränkungen hinsichtlich der Anzahl sein |
| Anzahl der Läufe, das Level ... die Zahlen |
| von Ebenen der Kategorisierung |
| Faktoren und so weiter, also da |
| wird einiges an Aufwand erfordern |
| Problem in das Design einfließen zu lassen |
| das du finden kannst. Zum Beispiel, |
| Faktoren im BHH |
| Ansatz, Box Hunter und Hunter |
| Ansatz, oft muss es sein |
| auf zwei oder drei reduziert |
| eindeutige Werte oder Ebenen. |
| Trotz seiner Einschränkungen ist das |
| taxonomischer Ansatz war |
| fantastisch gelungen. |
| Im Laufe der Zeit natürlich einige |
| Die Leute haben gefragt, ob wir könnten |
| immer noch besser machen. |
| Und mit besser meinen wir zu fragen |
| uns selbst, wie gestalten wir unsere |
| studieren, um das Höchste zu erreichen |
| Qualitätsinformationen relevant für |
| die Ziele der Verbesserung |
| Projekt? Diese Zeile von |
| Fragen führen letztendlich dazu |
| optimale Gestaltung. Optimales Design ist |
| ein akademisches Forschungsgebiet. Es war |
| parallel zur Box gestartet |
| Schule in den 50er und 60er Jahren, aber |
| blieb aus verschiedenen Gründen aus |
| des Mainstreams der Industrie |
| Experimente, bis die |
| kundenspezifischer Designer und JMP. |
| Die Philosophie des Brauchtums |
| Designer ist das, was Sie beschreiben |
| das Problem liegt in der Software. Es |
| Dann erhalten Sie das beste Design zurück |
| 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 du |
| Beschreiben Sie die Art der Faktoren |
| Sie haben, kontinuierlich, kategorisch |
| Mischung usw. Kategorisch |
| Faktoren können beliebig viele haben |
| Ebenen. Geben Sie ihm ein Modell |
| Sie möchten zum Ergebnis passen |
| Daten. Das Modell geht zumindest davon aus |
| Quadratanalyse und besteht aus |
| Haupteffekte und Wechselwirkungen in |
| Polynomterme. Der Brauch |
| Designer machen einige Standardvorgaben |
| Annahmen über die Natur |
| Ihres Ziels, z. B. ob |
| Sie sind an einer Vorführung interessiert |
| oder Vorhersage, was ist |
| spiegelt sich in der Optimalität wider |
| Kriterium, das verwendet wird. Der |
| Standardwerte können überschrieben werden |
| mit einem roten Dreieck-Menü |
| Option, wenn Sie möchten |
| etwas anderes machen als |
| was die Software beabsichtigt. |
| Der Workflow in den meisten Fällen |
| 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 Zeilenterme. |
| Anschließend erhalten Sie Ihre Konstruktionsdaten |
| Tisch mit allem, was Sie brauchen |
| außer den Antwortdaten. Das |
| ist ein toller Workflow wie der |
| Faktoren können variiert werden |
| unabhängig voneinander. |
| Was ist, wenn Sie es nicht können? Was ist, wenn |
| Gibt es Einschränkungen? Was |
| wenn der Wert einiger Faktoren |
| Bestimmen Sie die möglichen Bereiche |
| von anderen Faktoren? |
| Na dann können Sie es tun....dann |
| Sie können einen Faktor definieren |
| Einschränkungen oder verwenden Sie es |
| unzulässige Kombinationen |
| Filter. |
| Leider, während diese |
| sind leistungsstarke Werkzeuge für |
| einschränkend experimentell |
| Regionen kann es immer noch sehr sein |
| schwer zu charakterisieren |
| Einschränkungen mithilfe dieser. |
| Das DOE-Team von Brad Jones, Ryan Lekivetz, |
| Joseph Morgan und Caleb |
| King hat eine hinzugefügt |
| außerordentlich nützliche neue |
| Funktion, die die Handhabung erleichtert |
| Einschränkungen erheblich einfacher |
| JMP 16. Diese nennt man |
| Kandidaten- oder Kovariatenläufe. |
| Was Sie tun können, ist, loszulegen |
| Eigene, erstellen Sie eine Tabelle von allen |
| mögliche Kombinationen von |
| Faktoreinstellungen, die Sie wünschen |
| der benutzerdefinierte Designer zu |
| halten. Dann laden Sie sie auf |
| hier und das werden die sein |
| nur Faktorkombinationen |
| Einstellungen, die der Designer vorgenommen hat |
| Wille... |
| Werde es mir anschauen. Das Original |
| Tisch, den ich a nenne |
| Kandidatentabelle, ist wie eine |
| Menüfaktoreinstellungen für |
| der individuelle Designer. |
| Dies gibt JMP-Benutzern eine |
| unglaubliches Maß an Kontrolle über |
| ihre Entwürfe. Was ich vorhabe |
| Heute geht es darum, mehrere durchzugehen |
| Beispiele, um zu zeigen, wie Sie es verwenden können |
| dies, um den Brauch zu machen |
| Designer sein Potenzial voll ausschöpfen |
| als Werkzeug, das die |
| Design an das jeweilige Problem anzupassen. |
| Bevor ich das tue, werde ich es tun |
| Kommen Sie für einen Moment vom Thema ab und |
| Weisen Sie darauf im JMP Pro hin |
| Version des benutzerdefinierten Designers, |
| Es gibt jetzt eine Möglichkeit, die |
| ermöglicht es Ihnen, Grenzwerte festzulegen |
| 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 das bekommen |
| Analyse korrekt. Dies führt zu |
| dramatisch höhere Leistung zu |
| Effekte erkennen und viel geringer |
| Voreingenommenheit in Vorhersagen, aber das ist |
| ein Thema für einen weiteren Vortrag. |
| Hier finden Sie eine Reihe von Anwendungen |
| das fällt mir ein |
| Kandidat Bühnenbildner. Der |
| Am einfachsten ist es, wenn Bereiche von a |
| Der kontinuierliche Faktor hängt von der ab |
| Ebene einer oder mehrerer Kategorien |
| Faktoren. Ein anderes Beispiel ist wann |
| Wir können die Reichweite nicht kontrollieren |
| Faktoren vollständig |
| unabhängig, aber die |
| Einschränkungen sind schwer zu schreiben |
| runter. Wir haben zwei Methoden |
| kann hierfür verwendet werden. Einer nutzt |
| historische Prozessdaten als |
| Kandidatensatz und dann der |
| Das andere nenne ich Filter |
| Designs, bei denen Sie kreieren...Design |
| ein riesiger anfänglicher Datensatz mit |
| Zufallszahlen oder ein Leerzeichen |
| Füllen Sie das Design und verwenden Sie dann die Zeile |
| Auswahlen in Streudiagrammen |
| um die Punkte herauszuholen, die |
| genügen nicht den Einschränkungen. |
| Es gibt auch die Möglichkeit dazu |
| wirklich sehr individuelle Mischung |
| Probleme, insbesondere Situationen |
| wo Sie Multilayer haben |
| Mischen. Das ist nicht der Fall |
| etwas, das ich sein werde |
| Ich kann über heute reden, aber in |
| Die Zukunft, das ist etwas |
| das solltest du sein |
| mit diesem Kandidaten nichts anfangen können |
| Bühnenbildner. Sie können es auch tun |
| nichtlineare Einschränkungen mit dem |
| Filtermethode, das gleiche |
| Möglichkeiten, wie Sie andere Dinge tun können |
| Einschränkungen. Es ist sehr |
| einfach und ich nehme schnell einen |
| Beispiel ganz am Ende |
| dies veranschaulichen. |
| Betrachten wir also zunächst unser erstes |
| Beispiel. Angenommen, Sie möchten |
| Übereinstimmung mit einer Zielantwort in einem |
| Untersuchung zweier Faktoren. |
| Einer ist ausgestattet...eine Ausrüstung |
| Anbieter, von denen es zwei gibt |
| Ebenen und das andere ist das |
| Temperatur des Geräts. Der |
| zwei verschiedene Lieferanten haben |
| verschiedene Einsatzbereiche |
| Temperaturen. Lieferant A ist mehr |
| eng von den beiden, ausgehend von |
| 150 bis 170 Grad Celsius. |
| Aber es ist kontrollierbar |
| feinere Auflösungsstufe von |
| etwa 5 Grad. Lieferant B |
| hat einen größeren Betriebsbereich |
| von 140 auf 180 Grad gehen |
| Celsius, aber nur |
| regelbar bis 10 Grad |
| Celsius. Angenommen, wir wollen es tun |
| ein 12-Run-Design, um das zu finden |
| optimale Kombination davon |
| zwei Faktoren. |
| Wir zählen alles Mögliche auf |
| Kombinationen aus beidem |
| Faktoren in 10 Läufen im |
| Tabelle hier, gerade erstellt |
| Dies manuell selbst. |
| Hier sind also die fünf möglichen |
| Werte von Maschinentyp A |
| Temperatureinstellungen. Und dann |
| Hier unten sind die fünf möglichen |
| Werte der Temperatur von Typ B |
| Einstellungen. Wir wollen das Beste |
| Design in 12 Läufen, was übersteigt |
| die Anzahl der Zeilen im |
| Kandidatentabelle. Das ist kein |
| Problem in der Theorie, aber ich |
| Ich empfehle, eine Kopie davon zu erstellen |
| Kandidatensatz für alle Fälle |
| dass die Anzahl der Läufe das ist |
| Ihre Kandidatentabelle weist Überschreitungen auf |
| die Nummer, die Sie suchen |
| für im Design. |
| Dann gehen wir zum Brauch |
| Designer. |
| Drücken Sie auf Kovariate auswählen |
| Schaltfläche „Faktoren“. |
| Wählen Sie die gewünschten Spalten aus |
| als Kandidatendesign geladen |
| Faktoren. Jetzt der Kandidat |
| Das Design wird geladen und angezeigt. |
| Fügen wir den Interaktionseffekt hinzu, |
| sowie der quadratische Effekt |
| der Temperatur. Jetzt sind wir dabei |
| Letzter Schritt vor der Erstellung |
| Design. Ich möchte das erklären |
| Zwei Optionen sehen Sie in der |
| Entwurfsgenerierungsgliederungsknoten. |
| Der erste, der erzwingen wird |
| in allen Zeilen, die es gibt |
| in der Originaltabelle ausgewählt |
| oder in der Auflistung der |
| Kandidaten im Brauch |
| Designer. Also wenn ja |
| Kontrollpunkte, die unwahrscheinlich sind |
| durch die Optimalität begünstigt werden |
| Kriterium und wollen sie erzwingen |
| in das Design ein, können Sie |
| nutzen Sie diese Möglichkeit. Es ist ein bisschen |
| Als würde man dieselben Zeilen nehmen und |
| Erstellen eines erweiterten Designs |
| basierend nur auf ihnen, außer dass |
| Du kontrollierst das Mögliche |
| Kombinationen der Faktoren in |
| die zusätzlichen Zeilen. |
| Die zweite Option, die ich bin |
| Hier absichtlich nachschauen, erlaubt |
| die Kandidatenzeilen, die ausgewählt werden sollen |
| mehr als einmal. Das wird geben |
| Sie haben optimal gewählt |
| Replikationen und ist wahrscheinlich ein |
| Gute Idee, wenn du vor dem Laufen stehst |
| ein physikalisches Experiment. Wenn, auf |
| Andererseits verwenden Sie ein |
| optimale Teilmenge der zu findenden Zeilen |
| eine schicke neue Maschine auszuprobieren |
| Lernalgorithmus wie SVEM, a |
| Thema eines meiner anderen Vorträge |
| bei der March Discovery |
| Konferenz. Das würdest du nicht wollen |
| um diese Option zu überprüfen, wenn das so wäre |
| der Fall. Grundsätzlich, wenn Sie |
| Ich habe nicht alle Ihre Antworten |
| Werte bereits, ich würde überprüfen |
| dieses Feld und wenn Sie es bereits haben |
| die Antwortwerte, dann nicht. |
| Setzen Sie die Stichprobengröße auf 12 zurück und |
| Klicken Sie auf „Design erstellen“. Der Kandidat |
| Design in all seiner Pracht wird |
| erscheinen wie alle anderen |
| Design nach Maß gefertigt |
| Designer. Wie wir in der sehen |
| mittleres JMP-Fenster, auch JMP |
| Wählt die Zeilen im Original aus |
| vom Kandidaten gewählten Tisch |
| 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 Ursprungszeile dafür |
| laufen. Beachten Sie, dass die ursprünglichen Zeilen |
| 11 und 15 wurden zweimal ausgewählt |
| und sind Replikate. |
| Hier ist eine Histogrammansicht des |
| Design. Sie können sehen, dass die |
| unterschiedliche Temperaturwerte |
| wurden von der Kandidatengruppe ausgewählt |
| Algorithmus für verschiedene Maschinen |
| Typen. Insgesamt ist dieses Design |
| schön ausgewogen, aber wir nicht |
| haben 3 Temperaturstufen |
| Maschinentyp A. Glücklicherweise, |
| Wir können die Zeilen auswählen, die wir haben |
| wollen in das Design gezwungen werden |
| um sicherzustellen, dass wir 3 haben |
| Temperaturstufen für |
| beide Maschinentypen. |
| Wählen Sie einfach die gewünschte Zeile aus |
| in das Design gezwungen |
| Kovariatentabelle. Überprüfen Sie das Einschließen |
| alle ausgewählten kovarianten Zeilen in |
| die Gestaltungsmöglichkeit. |
| Und wenn du dann durchkommst |
| das alles werdet ihr sehen |
| dass jetzt beide Ebenen von |
| Maschine haben mindestens drei |
| Temperaturniveaus in der |
| Design. Also der erste Entwurf |
| Das von uns erstellte Bild befindet sich auf der linken Seite |
| und das neue Design forcieren |
| Es soll 3 Ebenen geben |
| Maschinentyp A |
| Temperatureinstellungen ist beendet |
| hier rechts. |
| Mein zweites Beispiel basiert auf a |
| realer Datensatz von a |
| metallurgische Fertigung |
| Verfahren. Das Unternehmen möchte |
| Kontrollieren Sie das Ausmaß der Schrumpfung |
| während des Sinterschritts. Sie |
| viele historische Daten haben |
| und haben maschinell angewendet |
| Lernmodelle zur Vorhersage |
| Schrumpfung und so haben Sie eine Idee |
| was die Schlüsselfaktoren sind. |
| Allerdings um tatsächlich zu optimieren |
| Den Prozess sollten Sie wirklich durchführen |
| Führen Sie ein geplantes Experiment durch. |
| Als Laura Castro-Schilo |
| einmal angedeutet... |
| Einst als Laura Castro-Schilo |
| sagte mir, Kausalität ist eine |
| Eigentum nicht der Daten, sondern |
| wenn die Daten generiert werden |
| Mechanismus und als George Box |
| steht auf der Innenseite des Covers |
| Statistiken für Experimentatoren, |
| um herauszufinden, was wann passiert |
| Du veränderst etwas, es ist |
| notwendig, es zu ändern. |
| Nun, obwohl wir das nicht verwenden können |
| historische Daten zu beweisen |
| Kausalität gibt es |
| wesentliche Informationen über |
| welche Kombinationen von Faktoren |
| sind möglich, die wir nutzen können |
| in dem Design. |
| Wir müssen zuerst die trennen |
| Spalten in der Tabelle, die |
| stellen kontrollierbare Faktoren dar |
| von denen, die mehr sind |
| Passive Sensormessungen |
| oder Antriebsmengen, die |
| nicht direkt kontrollierbar. |
| Ein Blick auf das Streudiagramm von |
| die potenziellen kontinuierlichen Faktoren |
| zeigt an, dass es welche gibt |
| implizite Einschränkungen, die das könnten |
| schwer zu charakterisieren sein |
| lineare Beschränkungen oder unzulässig |
| Kombinationen. Allerdings sind diese |
| stellen ein Beispiel dar |
| mögliche Kombinationen, die |
| Kann mit dem verwendet werden |
| Kandidat Designer ganz |
| leicht. |
| Dazu rufen wir das auf |
| kundenspezifischer Designer. Richten Sie das 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 aufstellen |
| Antwortoberflächenmodell wie unser |
| Basismodell. Wählen Sie dann alle aus |
| die Musterbedingungen mit Ausnahme der |
| abfangen. Dann machen Sie eine Kontrolle |
| plus Rechtsklick und Konvertieren |
| alle diese Begriffe in if |
| mögliche Auswirkungen. Das in |
| Kombination mit Reaktion |
| Oberflächenmodell gewählt, bedeutet |
| dass wir eine erstellen 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 |
| um mehr Ausgeglichenheit anzustreben. |
| Auf der linken Seite haben wir eine |
| Streudiagrammmatrix der |
| kontinuierliche Faktoren aus dem |
| Originaldaten und rechts |
| ist das hundertreihige Design. Wir sehen |
| das beim Sintern |
| Temperatur, wir haben welche |
| Mögliche Ausreißer bei 1220. |
| Das möchte man sicherstellen |
| Das sind echte Werte. In |
| Im Allgemeinen werden Sie es tun müssen |
| Stellen Sie sicher, dass die Eingabe |
| Kandidatensatz, von dem es frei ist |
| Ausreißer und fehlende Werte |
| bevor Sie es als Kandidat verwenden |
| Bühnenbild. In meinem Gespräch mit Ron |
| Kennet dies ... im März |
| Discovery-Konferenz 2021, |
| Ich demonstriere kurz, wie Sie es verwenden können |
| der Ausreißer und der fehlende Wert |
| Siebplattformen zu entfernen |
| die Ausreißer und ersetzen Sie die |
| fehlende Werte, damit Sie es könnten |
| Verwenden Sie sie später |
| 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 das nicht |
| unabhängig voneinander variieren und dass die |
| Art dieser Abhängigkeit |
| Änderungen zwischen Maschinentypen. |
| Wir können einen ersten Raum schaffen |
| Fülldesign und Verwendung der |
| Datenfilter zum Entfernen der |
| undurchführbare Kombinationen von |
| Faktoreneinstellung separat für |
| jeden Maschinentyp. Dann können wir |
| Verwenden Sie den Kandidaten-Set-Designer |
| um das Effizienteste zu finden |
| Design für diese Situation. |
| Jetzt habe ich das durchgemacht, |
| So, jetzt habe ich meinen Raum geschaffen |
| Füllungsdesign. Es hat 1.000 |
| läuft und ich kann das aufrufen |
| globaler Datenfilter darauf und |
| Verwenden Sie es, um sich anders zu rasieren |
| Temperaturkombinationen |
| und Druck, damit wir es können |
| haben separate Einschränkungen durch |
| Maschinentyp. |
| Also benutze ich das Lasso |
| Werkzeug zum Abschneiden |
| eine Ecke in Maschine B. |
| Und ich gehe zurück und unterbreche das Gespräch |
| Noch eine Ecke in Maschine B, also |
| Maschine B ist die Maschine, die hat |
| eine Art größeres Betriebsgebiet |
| in Temperatur und Druck. |
| Dann schalten wir auf Maschine um |
| A. Und wir werden es einfach nutzen |
| das Lasso-Werkzeug |
| abrasieren |
| die Punkte, die außerhalb davon liegen |
| Betriebsregion. Und wir sehen |
| dass sein Betriebsgebiet a ist |
| viel schmaler als Maschine A. |
| Und hier ist unser kombiniertes Design. |
| Von dort können wir das wieder laden |
| bis zum kundenspezifischen Designer. |
| Platzieren Sie dort dann ein RSM-Modell |
| Setzen Sie unsere Anzahl der Läufe auf 32, |
| Erlauben, dass es sich um koviatäre Reihen handelt |
| wiederholt. Und es wird krachen |
| durch. Sobald es erledigt ist, ist es |
| wählt alle Punkte aus, die vorhanden waren |
| von der Kandidatengruppe ausgewählt |
| Designer. Und hier können wir sehen |
| welche Punkte ausgewählt wurden. |
| Sie wurden hervorgehoben und die |
| ursprünglicher Satz Kandidatenpunkte |
| die nicht ausgewählt wurden, sind |
| sind grau. |
| Wir können das neue Design zur Sprache bringen |
| in Fit Y durch X und wir können |
| Sehen Sie sich ein Streudiagramm an, in dem wir sehen |
| dass die |
| Die Konstruktionspunkte der Maschine A |
| sind in Rot. Sie sind im Innenraum |
| des Raums und dann den Typ |
| B-Strecken sind blau. Es hatte das |
| breiteres Betriebsgebiet und |
| So sehen wir diese Punkte |
| Hier draußen, weiter draußen dafür. So |
| Wir haben schnell ein Ziel erreicht |
| Design mit linearen Einschränkungen |
| das ändert sich mit einer kategorialen |
| Faktor, ohne das zu gehen |
| lästiger Prozess der Ableitung der |
| Linearkombinationskoeffizienten. |
| Wir haben einfach die Grundkenntnisse von JMP 101 verwendet |
| Visualisierung und Filterung |
| Werkzeug. Diese Idee lässt sich verallgemeinern |
| zu anderen nichtlinearen |
| Einschränkungen und andere komplexe |
| Situationen ziemlich leicht. |
| Jetzt werden wir es verwenden |
| Filterung und Multivariate zu |
| Richten Sie eine sehr einzigartige neue Art von ein |
| Design, das versichere ich Ihnen |
| noch nie zuvor gesehen. |
| Gehe zum |
| Lasso-Werkzeug. Wir gehen |
| etwas sehr Ungewöhnliches herausschneiden |
| Zwang. |
| Und wir werden umkehren |
| Auswahl. |
| Wir werden diese Zeilen löschen. |
| Dann können wir das beschleunigen |
| ein kleines bisschen. Wir können durchkommen |
| und das Gleiche tun |
| für andere Kombinationen von X1 |
| und die anderen Variablen. |
| Eine sehr herausarbeiten |
| ungewöhnlich geformtes Kandidatenset. |
| Wir können das laden |
| der individuelle Designer. Dasselbe |
| Sache wie vorher. Bringen Sie unsere mit |
| Spalten als Kovariaten, |
| Erstellen Sie ein Design mit allen... |
| Alle durchgeführten Interaktionen höherer Ordnung |
| wenn möglich mit hundert |
| läuft. Und jetzt sehen wir |
| Unser Design dafür |
| ungewöhnlich begrenzte Region |
| Das ist angesichts dieser Voraussetzungen optimal |
| Einschränkungen. |
| Also überlasse ich es Ihnen |
| Bild. Ich freue mich sehr darauf |
| Hören Sie, was Sie tun konnten |
| mit dem neuen Kandidatensatz |
| Designer. Hut ab vor dem DOE |
| Team für das Hinzufügen |
| überraschend nützlich und |
| flexible neue Funktion. Dank |
| Du. |
