Tenemos un cliente fabricante de vidrio que está evaluando JMP Pro.Tiene un conjunto de datos inusual (para mí).Me interesaría cualquier sugerencia sobre cómo manejar cualquiera de varios problemas.
El proceso consiste en enviar lentamente el material de vidrio a través de varios hornos, donde se controlan varias temperaturas y flujos de aire.Las temperaturas se miden de arriba a abajo del horno, así como a lo largo del horno.Las temperaturas se registran cada minuto más o menos.
El resultado es una inspección visual del vidrio, en busca de burbujas, por lo que tienen un tipo de respuesta de conteo por pulgada cuadrada.Aparentemente se trata de una inspección manual, así que solo sacan muestras cada cuatro horas .Su estimación es que las muestras se pueden desviar de las temperaturas medidas hasta 40 minutos (el tiempo que la muestra pasa por un sensor de temperatura hasta el momento en que sale del horno y se examina), aunque esto varía para las diferentes estaciones de medición de temperatura a lo largo de la longitud de el horno.
El conjunto de datos termina siendo muy amplio (quizás 1000 columnas de temperaturas y tasas de flujo de aire). También hay miles de filas, pero solo unos pocos cientos de filas de datos de respuesta debido al muestreo intermitente de 4 horas.También es bastante ruidoso, con caídas de señal de vez en cuando y muchas faltas que deben solucionarse.
Están haciendo una prueba Pro, por lo que inmediatamente saltaron a la plataforma Model Screening.Los conjuntos de entrenamiento pueden dar un Rsqd bastante alto (quizás 0,8 más o menos), pero la Validación es muy baja (quizás 0,2).Neural Boosted y Boosted Tree tienden a aparecer en la parte superior de la lista, pero no son lo suficientemente buenos para construir modelos predictivos útiles.
Estoy pensando que necesitan abordar el tiempo de retraso entre las entradas y salidas.Tendrían que crear una nueva columna para cada una de las entradas, con un retraso adecuado a la respuesta medida (que podría variar de una columna a otra).Puedo ver cómo hacerlo manualmente, pero aparte de escribir un script, sería mucho trabajo configurarlo.¿Alguien sabe una forma más rápida de hacerlo?O mejor aún, ¿cómo determinar realmente el mejor retraso para cada señal (nuevamente sin un guión)?
¿Alguien se ocupó de esto en algún lugar en el pasado?
¡Gracias!
Hola @JerryFish ,
yo creé esta demostración cuando estaba imaginando una situación similar: flujo continuo de datos de sensores de un proceso con retrasos desconocidos. La solución en esta demostración es adoptar un enfoque de aprendizaje automático rápido y sucio para encontrar los tiempos de retraso más predictivos.
Básicamente, la idea es que para cada sensor cree una serie de variables de retraso para cubrir un rango de tiempos de retraso. (Esto es muy fácil ahora con la capacidad Lag Multiple... en New Formula Column > Row). Luego, use Bootstrap Forest para examinarlos en busca del tiempo de retraso que es el mejor predictor de la respuesta. Usaría este subconjunto de predictores para construir el modelo "final"; probablemente usaría Model Screening en este punto. Model Screening no existía cuando creé la demostración.
Hay dos ventajas de esto sobre los métodos más tradicionales. 1. Es rápido y sencillo. 2. Puede encontrar efectos no lineales y de interacción entre los predictores y la respuesta.
Creo que este es un buen caso de uso para JMP Pro. Pero, por supuesto, eso no significa que definitivamente podrán construir un modelo útil; es posible que todos esos sensores no estén midiendo los factores importantes.
Déjame saber si sería útil hablar sobre este ejemplo. No sé si alguien tiene una grabación de este demo. Sé que no. Pero tal vez sería útil crear uno.
Salud,
phil
excelente sugerencia @Phil_Kay !Le pasaré esto al cliente y veré si funciona para él.
Y (personalmente) creo que una grabación de esta técnica sería muy útil para otros.
Realmente aprecio la sugerencia!
alemán
