いらっしゃいませにのトークE説明できるAI:開梱するの黒箱。
しましょう導入私たち自身そしてしましょう始めるとローラ。
こんにちは、私はローラランカスターそして私はとして統計開発者でJMP
そして私は位置したでのケーリーオフィス。
ありがとう。
何についてあなた、ラス？
こんにちは、みなさん。ラスウルフィンガー。
私は監督の人生科学研究開発でのJMPグループ
そして研究仲間として良い。
探していますフォワードにの話す今日。
そしてピート？
私の名前のピーターハーシュ。
私は一部ののグローバルテクニカルイネーブルメントTえむ
そして私は位置したでデンバー、コロラド州。
素晴らしいそして私の名前はフロリアンフォークト。
私はシステムエンジニアのためにの化学薬品チームでヨーロッパ
そして私は位置したで美しいハイデルベルク、ドイツ。
いらっしゃいませにの話す。
AIはある熱いトピックでの一瞬そしてある多くの人々欲しいにするそれ。
しかし何するそれ平均のためにの産業？
するそれ平均それ科学者そしてエンジニア必要になるコーダー、
のためにプロセスでの未来走るによるデータ科学者？
あ最近の出版物呼ばれた産業用データ科学 -あるレビュー
の機械学ぶアプリケーションのために化学薬品そしてプロセス産業
説明する工業用データ科学基本的なこと、
レビュー工業用アプリケーションを使用して
州のの美術機械学ぶテクニック
そしてそれポイント外いくつかの重要側面の工業用あい。
これらはのアクセシビリティのAI、のわかりやすさのAI
そしてのの消耗品AI、そしてで特定のの出力。
良い見せるあなたいくつかののの特徴それ私たちは考える
は貢献するにこれトピックとても良いでJMP。
前に私たちは始めるの中へのプログラムの今日、しましょう簡単にレビュー
何AI包含するそして何私たちの集中今日は位置したの上。
私は選んだあるソースそれ実は分離するそれの中へ四グループ。
それらのグループは：初め、サポートするAIまた呼ばれたリアクティブ機械
そしてこれ目的で決断サポート。
の2番グループは呼ばれた増強するAI
または限定理論そしてそれ焦点を当てるの上プロセス最適化
そしての三番目グループは自動化AI、
または理論の心、どれの、としての名前示唆する、目的の上オートメーション、
そしての第4は呼ばれた自律的AI
または自己わかっているAI、どれの包含する自律的最適化。
今日の集中は本当にの上の初めそしての2番トピック。
私たちは持っていたある簡単な議論前に。
ラス、何はあなたの考えの上これらまたと尊敬に何JMPできるカバー？
良い、確かにの学期AI取得投げられたその周りある多く。
その使用済みで多くの親切の違う微妙な会議。
私傾向があるに好む会議それは
絶対にもっと有形そして使えるそしてもっと集中した。
のようにだった行くにズームでの上今日といくつかの特定の例。
の用語できる得るある少し紛らわしいけれど。
私推測私ただ傾向があるに親切の保つそれかなり広い、開ける心
いつでも誰でも用途の学期AIそして試すに推測するその意味からのコンテクスト。
右。 それは入っています条項の導入、
今良い得るある少し少しもっとの中への詳細そして具体的にはの中へ
なぜそれは重要に実は理解するあなたのAIモデル。
以上にあなた、ピート。
完璧。 ありがとう、フロリアン。
私考える何ラスだったヒッティングの上そこにはそしてフロリアンの導入は、
私たちはしばしばしないでください知る何のAIモデルは伝える私たちそして何ですか下のフード。
いつだった考えについてどうやって良いあるモデル実行し、
私たちは考えるについてどうやって良いそれ合うのデータ。
もし私たちは見てここ、だった探しているであるニューラル通信網図
そしてとしてあなたできる見る、これらできる得るかわいい複雑な。
これらのAIモデルはなるもっとそしてもっと蔓延している
そして依存したその上のために決断作ること。
本当に、理解なぜのAIモデルは作るあるある決断、
何基準その拠点を置くそれに関する決定、
必須ですに取る満杯アドバンテージのこれらモデル。
いつあるモデル変化またはアップデート、
特にとそれ自律的AIまたはの自動化AI、
私たちは必要に理解するなぜ。
私たちは必要に確認するそれこれモデルは多分ない
外挿するまたは拠点を置くそれの上ある少しポイント外の私たちの普通オペレーティング範囲。
所有の上。
させて自分窃盗の画面ここからフロリアン
そして私は行くに行く先にそして歩くを通してある場合勉強ここ。
全て右、それでこれ場合勉強
はベースのの上方向性のある掘削から井戸近く砦価値、テキサス。
のアイデアとこれタイプの掘削は
とは異なり従来の井戸、どこあなたするだろうただ行く垂直方向、
あなた行く下あるある深さ、そしてそれからあなた始める行く水平方向。
のアイデアはこれらは多くのもっと効率的よりもの伝統的井戸。
あなた持っているこれら地域の閉じ込められた油そしてガスそれあなたできる
得るでといくつかの特別完了パラメーター。
だった探しているでのデータここからこれら井戸、
そしてだった試していますに形外何はのほとんど重要要因、
含むの地質学、の位置、そしての完了要因、
そしてできる私たちは最適化するこれら要因に増加または最適化する私たちの良い生産？
に与えるあなたのアイデア、ここにありますある地図のそれたらい、
それでのように私言及された、これは砦価値、テキサス。
あなたできる見る私たちは持っている井戸全てその周りこれ。
私たちは持っているある地域どこ私たちの毎年生産はより高い、
その他どこそのより低い。
私たちは欲しかったに聞くある少し質問探しているでこれデータ。
何要因持っているの最大の影響の上生産？
もし私たちは知るあるレベルのためにある新しい良い、
できる私たちは予測する何私たちの生産意思なれ？
はそこにはある方法に変更する私たちの要因、多分いくつかののの完了パラメーター
そしてインパクト私たちの生産？
だった行くに行く先にそして答えいくつかの質問とあるモデル。
しかし前に私たちは得るの中へそれ、私欲しかったに聞くラス、
以来彼は得たたくさんの経験とこれ。
いつあなたは起動に掘るの中へデータ、ラス、
何ですかの最高場所に始めるそしてなぜ？
良い、私推測多分私は偏見のある、しかし私愛JMP
のためにこれタイプの応用、ピート
ただなぜならそのそれで良い適したのために素早い探索的なデータ分析。
あなた欲しいに得るある感じるのために何目標あなたは試していますに予測する
そしての予測子あなたはについてに使用、探しているで彼らの配布物、
チェック中のために外れ値またはどれでも普通でないパターンでのデータ。
あなた5月平欲しいにするいくつかの素早いパターン発見クラスタリング
またはPCAタイプ分析ただに得るある感じるのためにどれでも構造それはでのデータ。
それからまたなれ考え気をつけてについて
何パフォーマンスメトリックするだろう作るのほとんどセンスのためにの応用で手。
通常の一般1つ、明らかにのために継続的な予測子だろう
のように根手段四角エラー、しかしそこにはできたなれケースどこ
それかもしれないないとても適切な、特にもしあるよ
直接料金関与した、時々絶対エラーはもっと関連する
のためにある真実利益-損失タイプ決断。
これらは全てものそれあなた欲しいに始める考えについて
として良いとしてどうやってあなたは行くに検証あなたのモデル。
私はある大きいファンのk 分割交差検証。
どこあなたスプリットあなたのデータの中へ明確なサブセットそして所有1つ外
そしているとても注意深いについてない許可する漏れまたはまた注意深いについて過学習。
これらは全て懸念事項それ傾向がある
に来る上の心のために自分いつ私始める外とある新しい問題。
完璧。 ありがとう、ラス。
私は行くに歩くを通してこれでJMP
いくつかのののツール私たちはできる使用に始める探しているで私たちの問題。
それからだった行くにカバーいくつかのののものそれヘルプ私たち決定する
どれののこれら要因は持っているの最大のインパクトの上良い生産。
私は行くに見せる変数重要性そしてそれからシャプリー価値観
そして良い持っているローラ話すにそれそしてどうやって私たちはするそれ。
でもまず、しましょう行く先にそして見てでこれデータ内部あるJMP。
のように私たちは言及されたここ、私持っている私の生産からこれら井戸。
私持っているいくつかの位置パラメーターそれでどこそれは緯度そして経度、
私持っているいくつかの地質学的パラメーター。
これはについてのロック形成だった掘削を通して。
それから私持っているいくつかの完了パラメーター
そしてこれは要因それ私たちはできる変化その間だった掘削として良い、
いくつかののこれら我々はできる持っている影響の上。
もし私たちは欲しかったに行くを通してそしてこれデータセットのみもっている5,000行。
いつ話しているにラスで起動に準備これ話す、彼言ったただ行く先に
そして走るいくつかのモデルふるい分けそして見る何タイプのモデル合うこれデータ最高。
にするそれ、だった行くに行く先にそして行く下の分析するメニュー、
行くに予測的モデルそして打つモデルふるい分け。
私は行くに置く私の応答、どれのはそれ生産、
取る全ての私たちの要因、位置、地質学そして完了パラメーター、
置くそれらのの中へのバツそして掴む私の検証そして置くそれの中へ検証。
下ここ私たちは持っている全て種類の違うオプションの上種類のモデル私たちはできる走る。
私たちはできる選ぶそして選ぶどれのもの多分作るセンス
またはしないでください作るセンスのためにこれタイプのデータ。
私たちはできる選ぶ外いくつかの違うモデリングオプションのために私たちの線形モデル。
平、のようにラス言及されたここ、もし私たちはしないでください持っている十分データ
に所有戻るそしてする私たちの検証。
それ方法私たちはできる利用するあるここでk分割交差検証を行います。
今に保存いくつかの時間、私は消えた先にそして走るこれすでにそれであなたしないでください持っている
に時計JMP作成する全てこれらモデル。
こちらですの結果。
のためにこれデータ、あなたできる見る
それこれら木ベースのメソッド:ブーストされた木、ブートストラップ fオレストそしてXGBオースト
全てしたとても良いでフィッティングのデータ、比較したにいくつかののの他のテクニック。
私たちはできた行くを通してそして走るいくつかののこれら、
しかしのためにこれ1つ、私は行くにただ選ぶ
のブーストされた木以来それ持っていたの最高RS正方形そして根平均四角エラー
のためにこれデータセット。
良い行く先にそして走るそれ。
後私たちは持っています走るのふるい分け、だった行くに行く先にそして選ぶあるモデル
またはあるカップルのモデルそれフィット良いそしてただ走る彼ら。
アル右、それでここにありますの全体フィットでこれ場合。
場合によってはの上何タイプのデータあなたは探しているで、
多分のRS正方形の.5は素晴らしい、多分のRスクエアの.5はないそれで素晴らしい。
ただ依存しての上何タイプのデータあなた持っている、
あなたできる裁判官もしこれはある良い十分モデルまたはない。
今それ私持っているこれ、私欲しいに答えそれ初め質問。
知ることある少しパラメーター行くで、
何できる私期待する私の生産レベルになれ？
アン簡単方法にするそれ内部あるJMPとどれでもタイプモデルはとこれプロファイラー。
わかった、それで私たちは持っているのプロファイラーここ、
私たちは持っている全てのの要因それだった含まれていますでのモデル、
そして私たちは持っている何私たちの期待される12月生産になれ。
ここ私できる調整するもし私知る私のある位置。
私知るの緯度そして経度入る
多分私知るいくつかののこれら地質学的パラメーター。
私できる多分調整するいくつかののこれら要因
そして形外のの完了パラメーター
そして形外ある方法に最適化するこれ。
しかし私考えるこことある多くの要因、これできるなれ複雑な。
しましょう話すについての2番質問、
どこ私たちはだった不思議に思うどれの1つのこれら要因だった持っているの最大の影響。
あなたできる見るベースのの上どれののこれら行はもっと平らな
または持っているもっと形に彼ら、何はの最大の影響。
しかししましょうJMPするそれのために私たち。
下評価変数重要性、
私は行くにたださせてJMP行くを通して
そして選ぶの要因それはほとんど重要。
ここあなたできる見るその概説したのほとんど重要
下にものそれは少ない重要。
私のようにこれ特徴色付けするのプロファイラー。
今その強調表示されたのほとんど重要要因
そして消えた下にの少しでも重要要因。
また、私できる調整するこれらそして見る、おお、それ見た目のように
多分調整するの深さのの良い、
追加するいくつかのもっと[聞き取れない 00:15:51]、それかもしれない改善する私の生産。
それはの方法私たちはできたするこれしかし私たちは持っているある新しい方法の探している
でのインパクトのそれぞれ1つのこれら要因の上あるある良い。
私たちはできる打ち上げそれ下の赤三角形でJMP 17そしてシャプリー価値観。
私できるセット私のオプションまたは保存外のシャプリー価値観。
一度私するそれ、それ意思作成する新しい列で私のデータテーブル
それ保存外の貢献からそれぞれ1つのそれらの要因。
これはどこ私は行くにさせてローラ話すにいくつかのシャプリー価値観。
私ただ欲しかった行くに話す簡単にについて何シャプリー価値観は
そしてどうやって私たちは使用彼ら。
シャプリー価値観はあるモデル不可知論的な方法のために説明するモデル予測
そして彼らはは本当に役立つのために黒箱モデル
それは本当に難しいに解釈するまたは説明する。
の方法来るから協力的ゲーム理論
そして私しないでください持っている時間に話すについての背景
またはの数学後ろにの計算、しかし私たちは持っているある参照
での底のの滑り台そしてもしあなたグーグルそれ、あなたすべきなれできるに探す
ある多くの参考文献に学ぶもっともしあなたは興味がある。
何これらシャプリー価値観する、
彼らは教えてあなたどうやって多くのそれぞれ入力変数
は貢献するにの個人予測のためにあるモデル。
それは離れてからの平均予測された価値
横切っての入力データセット
そしてあなたの入力データセットは行くに来るからあなたのトレーニングデータ。
シェープリーの価値観は添加剤、
どれの作る彼ら本当にニースそして簡単に解釈するそして理解する。
毎予測できるなれ書かれたとしてある和のあなたのシェープリーの価値観
プラスそれ平均予測された価値、
どれの私たちは参照するにとしてのシャプリーインターセプトでJMP。
彼らはできるなれ計算的に集中的な
に計算するもしあなた持っているある多くの入力値、変数を入力しますあなたのモデル
またはもしあなたは試していますに作成するシェープリーの価値観のためにある多くの予測。
私たちは試すに与えるいくつかのオプションのために助けるに減らす時間JMPで。
これらシャプリー価値観、としてピーター言及された、
だった追加したにの予測プロファイラーのためにとてもある少しののモデルでJMPプロ17
そして彼らはまた利用可能でのグラフプロファイラー。
彼らは利用可能のために最小フィット S四角い公称ロジスティック、O基本的なロジスティクス、
ニューラル、レグ将軍、Pパーティション、ブートストラップ森そしてブーストされた木。
彼らはまた利用可能もしあなた持っているのXBオースト追加-で。
を除外するでそれ追加-Iん、彼らは利用可能からのモデルメニュー
そしてないからの予測プロファイラー。
わかった、次滑り台。
でこれ滑り台私欲しいにただ見てでいくつかののの予測からピーターさんのモデル。
これはからあるモデルを使用して五入力変数。
これらはスタックバーチャートのの初め三つ予測
到来からの初め三つ行の彼のデータ。
の上の左あなた見るあるスタック棒グラフののシャプリー価値観のためにの初め行。
それ初め予測は11.184生産樽
何十万もの単位で。
それぞれ色でそれバーグラフは分割された外によるの違う入力変数。
内部のバーはのシェープリーの価値観。
もしあなた追加上全てのそれらの価値観、プラスのシャプリーインターセプト
それ私持っているでの真ん中ののグラフ、あなた得るそれ予測価値。
これは見せているあなたそれ初めの全て、全てのこれらは作る
ポジティブ貢献にの生産そして彼らは見せるあなたどうやって多くの、それで、サイズ、
私できる見るそれ経度そしてプロパント
は貢献するのほとんどのためにこれ特定の予測。
それからもし私見てにの右側にの三番目予測、
どれのは2.916生産樽そして何百ものの何千もの、
私できる見るそれ二の私の入力変数
は貢献する積極的にに私の生産
そして三つの彼らは持っているネガティブ貢献、
の底三つここ。
あなたできる使用グラフのようにこれにヘルプ視覚化するあなたのシャプリーの価値観。
それ助けますあなた本当に理解する
これら個人予測。
次滑り台。
これはただ1つの多くの種類のグラフ
あなたできる作成する。
のシャプリー価値観得る保存されましたの中へあなたのデータテーブル。
あなたできる操作する彼ら
そして作成する全て種類のグラフでグラフビルダーそしてJMP。
これグラフはただあるグラフの全てのシャプリー価値観
から以上5,000行ののデータスプリット外によるそれぞれ入力変数。
それだけ与えるあなたのアイデアのの貢献のそれらの変数、
両方ポジティブそして否定的ににの予測。
今私は行くに手それ戻る以上にピーター。
素晴らしい。ありがとう、ローラ。
私考える今良い行く先にそして遷移に私たちの2番場合勉強
それフロリアンは行くにする。
すべき私合格の画面共有戻るにあなた？
うん、それするだろうなれ素晴らしい。
移行を行ってください。
ありがとうのためにこれ初め場合勉強そしてありがとうのためにの貢献。
本当に面白い。
願っています私たちはできる持ってくるいくつかのライトにある違う親切の応用
と私たちの2番場合勉強。
私持っている与えられたそれの字幕、だったそれトルク？
なぜならそれはある質問良い持っているうまくいけば答えた
によるの終わりのの2番場合勉強プレゼンテーション。
これ2番場合勉強はについて予測的なメンテナンス
そしての特定の側面のなぜそれは重要に理解する
あなたのモデルでこれシナリオ。
ほとんどおそらくみんなできる考えるそれそのとても重要
に持っているあるセンスのためにいつ機械必要とするメンテナンス。
なぜならもし機械失敗、それならそれはある多くのトラブル、
ある多くの費用、いつ植物持っているにシャット下そしてそれでの上。
その本当に必要にする予防的なメンテナンス
に保つシステムランニング。
あ選考科目タスクでこれはに決定する
いつのメンテナンスすべきなれ実行されました
そしてないあまりにも早い、ないあまりにも遅い、確かに。
したがって、そのあるタスクに探すあるバランス
どれの限界失敗そしてまた節約します費用の上メンテナンス。
あるよある場合勉強それだったを使用してにハイライトいくつかの機能特徴
そしてその実はある合成データセット
どれの来るからある出版された勉強。
のソースは下そこにはでの底。
あなたできる探すそれ。
それだった出版されたでのAIのために業界イベントで2020年。
の基本的なコンテンツのこれデータセット
はそれそれもっている六違う特徴のプロセス設定、
どれのは製品または製品タイプ
どれのを示しますのために違う品質亜種。
それから私たちは持っている空気温度、
プロセス温度、回転式スピード、トルク、そして工具の磨耗。
私たちは持っている1つ主要応答そしてそれはかどうかの機械失敗するまたはない。
いつ私たちは考えるの質問
それ私たちはできた答えとあるモデルまたはモデルまたは一般的にデータ。
あるよいくつかのそれ来るに心。
今、のほとんど明らか質問
はおそらくどうやって私たちはできる説明するそして解釈する設定、
どれのおそらく鉛に機械失敗。
これは何かそれ[聞き取れない 00:24:38]
に作成するそして比較する複数モデル
そしてそれから選ぶの1つそれはほとんど適切な。
今、でこれ特定の設定どこ私たちは欲しいに予測する
かどうか機械失敗するまたはない。
私たちはまた持っているにアカウントのために誤分類
それはどちらかある間違いポジティブまたはある間違いネガティブ予測。
とJMPの決断しきい値グラフ
そしての利益マトリックス、私たちはできる実は特定の強調
または重要性にどれの結果は少ない望ましい。
のために例、
それは通常少ない望ましいに実は持っているある失敗
いつのモデルしませんでした予測する1つ
比較したにの反対、誤分類。
それからその上のバイナリ分類、のコース、
あなたはそうするだろうなれまた興味があるで理解何ドライブ失敗通常。
そこにはは確かにいくつかの方法に取引とこれ質問。
私考える視覚化はいつもある一部のそれ。
しかしいつだったを使用してモデル私たちはできる考慮する、
のために例、これ自己説明するモデル
のように決断木または私たちはできる使用建てられた-で機能性
のようにの予測プロファイラーそしての変数重要性特徴。
の最後ポイントここ
いつ私たちは調査して評価するどれの要因はほとんど重要
のためにの予測的な結果、
私たちは仮定するそれそこにははの根底にある行動。
のほとんど重要要素はXYZ、
しかし私たちはするない知るどれの要素実は
もっている貢献したに何範囲にの個人予測。
あ得、シャプリー価値観はあるとても役立つ
追加それできる許可する私たちに理解するの貢献
のためにそれぞれのの要因で個人予測。
で一般的なレベル、
今、しましょう取るある見ての中へ三つ特定の質問
そしてどうやって私たちはできる答えそれらのとのソフトウェア。
の初め1つはどうやってする私たちは調整する予測的なモデル
と尊敬にの高い重要性の省略間違いネガティブ予測？
これ仮定しますある少し少しそれ私たちは持っていますすでに終わりある初めステップ
なぜなら私たちは持っていますすでに見たモデルふるい分けそしてどうやって私たちはできる得るそこには。
私は起動1つステップ先に。
しましょう動くの中へJMPに実は取るある見てでこれ。
私たちは見るのデータセット、それがわかりますかなり小さい、
ないあまりにも多くの列。
それ見た目とても単純。
私たちはのみ持っているこれら少し予測子そしてあるよいくつかのもっと列。
あるよまたある検証カラムそれ私は追加した、
しかしそのない示されているここ。
としてのためにの初め質問、
しましょう仮定する私たちは持っているすでに終わりのモデルふるい分け。
また、これはアクセス可能な
で分析された予測的なモデルふるい分け
どこ私たちはしないでください特定何私たちは欲しいに予測する
そしての要因それ私たちは欲しいに調査する。
また、私持っているすでに準備したこれ。
私たちは持っているの結果それ見た目のようにこれ。
それ見た目ある少し少し違うよりもでの初め使用場合
なぜなら今私たちは持っているこれバイナリ結果
そしてそれで私たちは持っているいくつかの違う対策
それ私たちはできる使用に比較する。
しかしまた、何ですか重要はそれ私たちは持っているの概要
のどれのののメソッドは演奏するより良いよりも他のもの。
として私たちは言った、で注文に今改善する
のモデルそして強調するの上省略これら
間違いネガティブ予測。
しましょうただ選ぶの1つそして見る何私たちはできるするここ。
しましょう多分平選ぶの初め三つここ、
それで私たちはできるただするそれによるホールディングのコントロール鍵。
別の特徴それ意思ヘルプ私たちここ
は呼ばれた決断しきい値
そしてその位置したでの赤三角関係の決断しきい値。
の決断しきい値与える私たちいくつかのコンテンツ。
私たちは持っているこれらグラフここ、これらショーの実際のデータポイント。
私たちは持っているこれ混乱マトリックス
そして私たちは持っているいくつかの追加グラフそしてマトリックス、
しかし私たちは意思集中の上のアッパー一部ここ。
実際にやってみましょう取るある見てでのテスト部分ののセット。
いつ私たちは取るある見てでこれ、
私たちはできる見るそれ私たちは持っている違う種類の結果。
のデフォルトのこれ確率しきい値
はの真ん中、どれのするだろうなれここで.5。
私たちは持っている今いくつかのオプションに見るそして最適化するこれモデル
そしてどうやって効果的それはと尊敬にの混乱マトリックス。
混乱マトリックス、私たちはできる見るの予測された価値
そしてかどうかそれ実はだった真実またはない。
もし私たちは見てでいつああ失敗は予測され、
私たちはできる見るそれここ、とこれ設定、
私たちは実は持っているとてもある高い番号の失敗、
平けれどそこにはだったいいえ予測した。
今私たちはできるインタラクティブに探検するどうやって調整するこれしきい値
実は影響を与えるの正確さののモデルまたはの誤分類料金。
またはでいくつかのケース、私たちはできるまた置く
の強調の上何ですか本当に悪いよりもの他の失敗。
私たちはできるするこれとのそれで呼ばれた利益マトリックス。
もし私たちは行くここ、私たちはできるセットある価値
の上どれののの誤分類は実は悪いよりもの他の1つ。
でこれ場合、私たちは本当にするない欲しい
に持っているある予測のいいえ失敗
いつそこには実ははある失敗ハプニング。
私たちはするだろう置く何かのように20回。
もっと重要なことは、私たちはするない得るこれ誤分類
そして私たちはセットそれそして打つわかった、
そしてそれからそれ意思自動的にアップデートのグラフ
そしてそれから私たちはできる見るそれの価値観のためにの誤分類
持っている落とした今でそれぞれののモデル
そして私たちはできる使用これとしての追加道具
に選択するあるモデルそれは多分ほとんど適切な。
それはのためにの初め質問のどうやって私たちはできる調整するある予測的なモデル
と尊敬にのより高い重要性の省略間違いネガティブ予測。
今、別の質問ここはまたいつ私たちは考えるのメンテナンス
そしてどこ私たちは置く私たちの尽力の中へメンテナンス、
はどうやってできる私たちは識別するそして通信する
の全体重要性の予測者？
何要因は運転のシステム、の失敗？
しましょう行く戻るにのデータテーブルに言うそれ初め、
私個人的にのようにビジュアルそして単純なもの。
1つの彼らそれ私のようにに使用はもののようにの平行プロット。
なぜならその本当にあるニース概要要約する
どこの失敗グループそしてどれパラメーター設定そしてそれでの上。
の上のモデリングそして機械学ぶ側、
あるよある少し他のオプションそれ私たちはできる実は使用。
1つそれ私のようになぜならそのとてもさわやかなそしてクリア、
はの予測子ふるい分け。
予測者ふるい分け与える私たちとてもコンパクト出力
について何は重要そしてそのとても簡単にする
そしてその下分析されたふるい分け、
予測子ふるい分け。
あll私たちは必要にするは言う何私たちは欲しいに理解する
そしてそれから特定のパラメーター
それ私たちは欲しいに使用のためにこれ。
クリックわかった、そしてそれからそれ再計算します
そして私たちは持っているこれ出力。
のために自分、そのある本当にニースもの
なぜなら、私が言ったように、さわやかなそしてクリアそして消費する。
しかし私たちは持っています話しましたについてこれ前に
そしてラス、いつだった働くとモデル特に、
するあなた持っているどれでも他の提案またはするあなた持っている何でもに追加
に私のアプローチに理解の要因
のどれの予測子は重要。
はい、それはある良いものに試す。
として私言及された以前、あなた得たになれ本当に注意深い
について過学習。
私は仕事をする傾向がありますとある多くのこれら広い問題、
言うからゲノミクスそして他のアプリケーション、
どこあなたかもしれない平持っている
多くのもっと予測子よりもあなた持っている観察。
でそのようなある場合、もしあなただったに走る予測子ふるい分け、
言う多分選ぶの上10最高
そしてそれから行く振り向く右その周りそしてフィットある新しいモデル
とそれらの10のみ、あなたは実はただセットあなた自身上
のために過学習もしあなたしたの予測子ふるい分けの上の全体データセット。
それはのシナリオ私は心配しているについて。
そのの簡単トラップに秋の中へ、
なぜならあなた考えるあなたはただフィルタリングもの下、
しかしあなたは得たに再利用の同じデータ2回。
の危険するだろうなれもしあなただったにプラグを差し込みます適用するそれモデル
にいくつかの新しいデータ、それおそらくしませんするほぼとして良い。
もしあなたはでのゲームどこあなた欲しいに減らす予測子、
私傾向があるにのようにに好むにするそれ内でそれぞれ折り畳みのあるK折り。
の欠点のそれはあなたはそうします得る
ある違うセット毎時間、しかしあなたできない集計それらのもの。
もしあなた得たあるある予測子
それはただ示しているだけです上一貫して横切って折り目。
そのとても良い証拠その。 それはあるとても重要1つ。
私期待するそれは何するだろう起こるでこれ場合と、言う、トルク。
平もしあなただったにするこれエクササイズ、
言う10回と10違う折り目、あなたはそうするだろうおそらく得るあるかわいい似ているランキング、
しかしそのもっとのある繊細さ
しかしまた、ある危険それあなた持っているに時計外のために。
仕事できる作るそれある少し少しより簡単にただなぜならものはそれで素早いそしてクリーン、
のようにあなた言及された、それあなたかもしれない秋の中へそれトラップもしあなたはない注意深い。
うん、それはとても貴重な追加にこれアプローチ。
ただ同行するだけにこれ追加情報、
あるよまたの他のオプションそれ私たちは持っている、
特にいつ私たちは持っているすでに
消えたを通してのプロセスの作成あるモデルどこ私たちはできるそれから
実はまた、使用の予測プロファイラーそしての変数重要性。
その別の方法どこ私たちはできる評価
どれののの変数持っているのより高い重要性。
ラス、するあなた欲しいに言う言葉の上それまた
で対比多分にの予測子ふるい分け？
うん。 正直に、フォークト私のようにの重要性それはでしたか少しより良い。
ただダイビング右の中へのモデリング。
また、私するだろう好むとK折り。
それからあなたできるただ使用の変数重要性対策、
どれのは頻繁本当に有益な直接。
彼らはとても似ている。 で事実、予測子ふるい分け、
私信じる、そのただ電話をかけるブートストラップ森での背景
そして収集するのほとんど重要変数。
その基本的にの同じもの。
それから続く上とのプロファイラー、どれのできるなれ素晴らしいのために見るその通り
どうやってある変数はわずかに影響の応答、
そしてそれから掘削それ平さらに遠くとシャプリー
になれできるに壊す下個人予測
の中へ彼らのコンポーネント。
に自分、そのあるとても説得力のあるそして面白い方法
にダイビングの中へある予測的なモデル
そして理解する何ですか本当に行くの上とそれ、
開梱の一種の黒箱
そしてさせてあなた見る何ですか本当にハプニング。
うん、ありがとう。
私考えるそれはの全体ポイント、
作るそれ理解できるそして作るそれ消耗品
その上、のコース、実は取得にの結果、
どれのは理解どれの要因は影響を与えるの結果。
ありがとう。
今、私持っている1つもっと質問、そしてあなたはすでに言及されたそれ。
いつ私たちはスコア新しいデータ、で特定の、
何できる私たちはするに識別する
どれの予測子持っている実は影響を受けのモデル結果？
今、と何私たちは持っている終わりそれで遠い、
私たちは持っている得たある良い理解ののシステムそして知る
どれののの要因はのほとんど支配的なそして私たちはできる平派生するオペレーティング範囲。
もしのシステム変化、何もしある違う要素実はドライブある失敗？
それからとしてそれするだろうなれ期待されるでこれ場合そして私たちは話しましたローラ予め、
そしてシャプリー V結果またはある素晴らしい追加それ意思ヘルプ私たちに解釈する。
私たちは持っています見たどうやって私たちはできる生成する彼ら、
そしてあなたは学んだの上どれのプラットフォーム彼らはそうするだろうなれ利用可能。
今、の出力それあなた得るいつあなた保存シャプリーの価値観は、
のために例、またあるグラフそれショー私たち当たり実際の当たり行。
でこれ場合、
私たちは持っている10,000行でのデータタブなので、10,000 個の積み上げ棒グラフがあります。
そしてそれから私たちはできるすでに見るよくあるパターンのほかに、
あるよまた回いつあるよ実際には他の影響要因
それドライブの決断ののモデル。
その本当にある役立つ道具にない個人的な予想を上げているだけですが、
しかしまた追加の上にそれ何ラスだけ言った、
理解ののシステム、どれの要因貢献する。
いつ私たちは動くある少し噛む
でこれ理解できるまたは探索的な道、
私たちはできる使用これらシャプリーの価値観で違う方法。
何私個人的に好きだったという提案だった
に実はプロットのシャプリー価値による彼らの実際のパラメータ設定、
なぜならそれ許可します私たちに識別する地域の設定。
のために例、
もし私たちは取る回転式スピードここ、私たちはできる見るそれあるよ実は
地域のこれパラメータそれ傾向があるに貢献するある多く
で条項ののモデル結果、しかしまたで条項のの実際の失敗。
それまた助けます私たちはさらなる理解を得るために
と尊敬にの実際の機械の故障の問題とその原因、
そしてまたと尊敬になぜのモデルは何かを予測します。
今、ついに、私のようにに答えの質問。
いつ私たちは取るこれらグラフのシェープリーの価値観、
そして私たちは持っている見たそれ前にでいくつかの機会に、
ストックは確かにある支配的な要素。
しかしから全てのこれら、私はただ選んだある少し予測、
そして私たちはできる見るそれ時々それ株式、時々そのない。
とのシャプリー価値観、私たちは本当に素晴らしい方法を持っています
に通訳するある特定の予測によるのモデル。
全て右、それでそれらのだったのもの私たちは欲しかったに見せる。
私希望これ与えるいくつかの素晴らしい洞察力
どのように私たちはできる作るAIモデルもっと説明可能な、
もっと理解できる、
もっと簡単にダイジェストそしてに仕事と、なぜならそれはの意図ここ。
うん、私はそうするだろうのようにに要約するある少し少し。
ピート多分あなた欲しい来るでそしてヘルプ自分ここ。
私考える何だった願ってに見せるはそれ
としてこれらAIモデルなるもっとそしてもっと蔓延している
そしては依存したその上のために決断作る、それ理解、通訳、
そしているできるに通信するそれらのモデルはとても重要。
私たちは希望それとこれらシャプリー v利益、
との変数プロファイラーを使用すると、
私たちは持っています示されているあなたあるカップルの方法それ結果を共有できます
そして持っている彼ら簡単に理解できる。
それだったの取る-家その間にあるそしているできるに利用する
モデル上映会など、
できれば、あなた見つかったある少しテクニック
それ意思作るこれもっと理解できるそして少ないのある黒箱。
うん、私絶対に同意する。
ただに要約すると、私本当にのようににラスとローラに感謝します
のために貢献するこことあなたの専門知識。
ありがとう、ピート。 そうだったある喜び。
ありがとう、みんな聞いてくれて。
だった探しているフォワードに持っているディスカッションそして質問に答え。
