Benvenuto A IL parla E spiegabile IA: Spacchettamento IL Nero scatola.
Andiamo introdurre noi stessi E andiamo inizio con Laura.
Ciao, Io sono Laura Lancaster, E Io sono COME Sviluppatore statistico In JMP
E Io sono situato In IL Cary ufficio.
Grazie.
Che cosa Di Voi, Russo?
Ciao a tutti.Russo Wolfinger.
io sono il Direttore Di Vita Scienze Ricerca e sviluppo In IL JMP Gruppo
E una ricerca compagno COME BENE.
Guardare inoltrare A IL parlare Oggi.
E Pietro?
Mio nome Peter Hersch.
Io sono parte Di IL Globale Tecnico Abilitazione T eam
E Io sono situato In Denver, Colorado.
Grande E Mio nome È Floriano Vogt.
Io sono Sistemi Ingegnere per IL Chimico Squadra In Europa
E Io sono situato In Bellissimo Heidelberg, Germania.
Benvenuto A IL parlare.
AI È UN caldo argomento A IL momento E UN quantità Di persone Volere A Fare Esso.
Ma Che cosa fa Quello Significare per IL industrie?
Fa Esso Significare Quello scienziati E ingegneri Bisogno A diventare programmatori informatici,
per processi In IL futuro correre di dati scienziati?
UN recente pubblicazione chiamato Industriale Dati Scienza - UN revisione
Di Macchina Apprendimento Applicazioni per Chimico E Processi Industrie
spiega industriale dati scienza fondamentali,
recensioni industriale applicazioni utilizzando
stato Di IL arte macchina apprendimento tecniche
E Esso punti fuori Alcuni importante aspetti Di industriale AI.
Questi Sono IL accessibilità Di l'intelligenza artificiale, IL comprensibilità Di AI
E IL consumabilità di l'intelligenza artificiale, E In particolare IL produzione.
BENE spettacolo Voi Alcuni Di IL caratteristiche Quello Noi pensare
Sono contribuendo A Questo argomento molto BENE In JMP.
Prima Noi inizio in IL programma Di Oggi, andiamo brevemente revisione
Che cosa AI comprende E Che cosa Nostro messa a fuoco Oggi È situato SU.
Io ho scelto UN fonte Quello In realtà separa Esso in quattro gruppi.
Quelli gruppi Sono: Primo, supporto AI Anche chiamato Reattivo Macchine
E Questo obiettivi A decisione supporto.
IL secondo gruppo È chiamato Aumentando AI
O Limitato Teoria E Quello si concentra SU processi ottimizzazione
E IL terzo gruppo È Automatizzare l'intelligenza artificiale,
O Teoria Di Mente, Quale, COME IL nome suggerisce, obiettivi SU automazione,
E IL il quarto È chiamato autonomo AI
O se stesso consapevole l'intelligenza artificiale, Quale comprende autonomo ottimizzazioni.
Di oggi messa a fuoco È Veramente SU IL Primo E IL secondo argomento.
Noi avevo UN breve discussione Prima.
Russo, Che cosa Sono tuo pensieri SU questi Anche con rispetto A Che cosa JMP Potere copertina?
BENE, certamente IL termine AI prende gettato in giro UN quantità.
Suo usato In molti Tipo Di diverso sfumato riunioni.
IO tendere A preferire riunioni Quello Sono
decisamente Di più tangibile E utilizzabile E Di più focalizzata.
Come erano andando A Ingrandisci In SU Oggi con Alcuni specifica esempi.
IL terminologia Potere Ottenere UN poco confuso Anche se.
IO Indovinare IO Appena tendere A Tipo Di Mantenere Esso abbastanza ampio, aprire mente
ogni volta chiunque usi IL termine AI E Tentativo A dedurre suo Senso da IL contesto.
Giusto. Questo è dentro termini Di introduzione,
Ora BENE Ottenere UN poco morso Di più in IL dettagli E specificamente in
Perché Esso È importante A In realtà capire tuo AI Modelli.
Sopra A Voi, Pietro.
Perfetto. Grazie, Floriano.
IO pensare Che cosa Russo era colpire SU Là E Di Floriano introduzione È,
Noi spesso non Sapere Che cosa UN AI modello È raccontando noi E cosa c'è Sotto IL cappuccio.
Quando erano pensiero Di Come BENE UN modello esegue,
Noi pensare Di Come BENE Quello si adatta IL dati.
Se Noi Aspetto Qui, erano guardare A UN neurale rete diagramma
E COME Voi Potere Vedere, questi Potere Ottenere bello complesso.
Queste IA Modelli Sono divenire Di più E Di più prevalente
E fatto affidamento su per decisione fabbricazione.
Veramente, comprensione Perché UN AI modello È fabbricazione UN certo decisione,
Che cosa criteri suo basando Quello decisione su,
è imperativo A prendendo pieno vantaggio Di questi Modelli.
Quando UN modello i cambiamenti O aggiornamenti,
particolarmente con Quello autonomo AI O IL automatizzando l'intelligenza artificiale,
Noi Bisogno A capire Perché.
Noi Bisogno A Confermare Quello Questo modello È Forse non
estrapolando O basando Esso SU UN pochi punti al di fuori Di Nostro normale operativo allineare.
Presa SU.
Permettere Me rubare IL schermo Qui da Floriano,
E Io sono andando A andare avanti E camminare Attraverso UN caso studio Qui.
Tutto Giusto, COSÌ Questo caso studio
È basato SU direzionale perforazione da pozzi vicino Forte Di valore, Texas.
IL idea con Questo tipo Di perforazione È
a differenza di convenzionale pozzi, Dove Voi volevo Appena andare verticalmente,
Voi andare giù UN certo profondità, E Poi Voi inizio andando orizzontale.
IL idea È questi Sono tanto Di più efficiente di IL tradizionale pozzi.
Voi Avere questi le zone Di intrappolato olio E gas Quello Voi Potere
Ottenere A con Alcuni speciale completamento parametri.
Erano guardare A IL dati Qui da questi pozzi,
E erano provando A figura fuori Che cosa Sono IL maggior parte importante fattori,
Compreso IL geologia, IL posizione, E IL completamento fattori,
E Potere Noi ottimizzare questi fattori A aumento O ottimizzare Nostro BENE produzione?
A Dare Voi UN idea, ecco UN carta geografica Di Quello bacino,
COSÌ Piace IO menzionato, Questo È Forte Di valore, Texas.
Voi Potere Vedere Noi Avere pozzi Tutto in giro Questo.
Noi Avere certo le zone Dove Nostro annuale produzione È più alto,
altri Dove suo inferiore.
Noi ricercato A chiedere UN pochi domande guardare A Questo dati.
Che cosa fattori Avere IL più grande influenza SU produzione?
Se Noi Sapere certo livelli per UN nuovo BENE,
Potere Noi prevedere Che cosa Nostro produzione Volere Essere?
È Là UN modo A alterare Nostro fattori, Forse Alcuni Di IL completamento parametri
E impatto Nostro produzione?
Erano andando A andare avanti E risposta Alcuni domande con UN modello.
Ma Prima Noi Ottenere in Quello, IO ricercato A chiedere Russo,
Da lui è avuto molti Di esperienza con Questo.
Quando tu sei di partenza A scavare in dati, Russo,
cosa c'è IL migliore posto A inizio E Perché?
BENE, IO Indovinare Forse Io sono prevenuto, Ma IO Amore JMP
per Questo tipo Di applicazione, Pietro,
Appena Perché suo COSÌ BENE adatto per presto esplorativo dati analisi.
Voi Volere A Ottenere UN Tatto per Che cosa bersaglio tu sei provando A prevedere
E IL predittori tu sei Di A utilizzo, guardare A loro distribuzioni,
controllo per valori anomali O Qualunque insolito modelli In IL dati.
Voi Maggio Anche Volere A Fare Alcuni presto modello scoperta raggruppamento
O PCA tipo analisi Appena A Ottenere UN Tatto per Qualunque struttura quello è In IL dati.
Poi Anche Essere pensiero accuratamente Di
Che cosa prestazione metrico volevo Fare IL maggior parte senso per IL applicazione A mano.
Tipicamente IL comune uno, ovviamente per continuo predittori sarebbe
Piace radice significa piazza errore, Ma Là Potevo Essere casi Dove
può darsi che sia così non abbastanza adeguata, particolarmente Se c'è
diretto costo coinvolto, A volte assoluto l'errore è Di più pertinente
per UN VERO profitto- perdita tipo decisione.
Questi Sono Tutto cose Quello Voi Volere A inizio pensiero Di
COME BENE COME Come tu sei andando A convalidare tuo modello.
Io sono UN grande fan Di validazione incrociata k-fold.
Dove Voi diviso tuo dati in distinto sottoinsiemi E Presa uno fuori
E essendo molto attento Di non permettendo perdita O Anche attento Di adattamento eccessivo.
Questi Sono Tutto preoccupazioni Quello tendere
A Venire superiore Di mente per Me Quando IO inizio fuori con UN nuovo problema.
Perfetto. Grazie, Russo .
Io sono andando A camminare Attraverso Questo In JMP
Alcuni Di IL utensili Noi Potere utilizzo A inizio guardare A Nostro problema.
Poi erano andando A copertina Alcuni Di IL cose Quello aiuto noi determinare
Quale Di questi fattori Sono avendo IL più grande impatto SU BENE produzione.
Io sono andando A spettacolo Variabile Importanza E Poi Shapley Valori
E BENE Avere Laura parlare A Quello E Come Noi Fare Quello.
Ma prima, andiamo andare avanti E Aspetto A Questo dati dentro UN JMP.
Come Noi menzionato Qui, IO Avere Mio produzione da questi pozzi.
IO Avere Alcuni posizione parametri COSÌ Dove Esso È latitudine E longitudine,
IO Avere Alcuni geologico parametri.
Questo È Di IL roccia formazione erano perforazione Attraverso.
Poi IO Avere Alcuni completamento parametri
E Questo È fattori Quello Noi Potere modifica Mentre erano perforazione COME BENE,
Alcuni Di questi noi possiamo Avere influenza SU.
Se Noi ricercato A andare Attraverso E Questo set di dati soltanto ha 5.000 righe.
Quando parlando A Russo In di partenza A preparazione Questo parlare, Lui disse Appena andare avanti
E correre Alcuni modello selezione E Vedere Che cosa tipo Di modello si adatta Questo dati migliore.
A Fare Quello, erano andando A andare avanti E andare Sotto IL Analizzare menù,
andare A Predittivo Modello E colpo Modello Selezione.
Io sono andando A Mettere Mio risposta, Quale È Quello produzione,
Prendere Tutto Di Nostro fattori, posizione, geologia E completamento parametri,
Mettere quelli in IL X E preda Mio Validazione E Mettere Esso in Validazione.
Giù Qui Noi Avere Tutto sorta Di diverso opzioni SU tipi Di Modelli Noi Potere correre.
Noi Potere scegliere E scegliere Quale quelli Forse Fare senso
O non Fare senso per Questo tipo Di dati.
Noi Potere scegliere fuori Alcuni diverso modellazione opzioni per Nostro lineare Modelli.
Anche, Piace Russo menzionato Qui, Se Noi non Avere Abbastanza dati
A Presa Indietro E Fare Nostro convalida.
Quello modo Noi Potere utilizzare UN Convalida incrociata k-fold qui.
Ora A salva Alcuni tempo, Io ho andato avanti E correre Questo Già COSÌ Voi non Avere
A orologio JMP creare Tutto questi Modelli.
Ecco IL risultati.
Per Questo dati, Voi Potere Vedere
Quello questi albero basato metodi: Potenziato Albero, Bootstrap f orest E XGB oost
Tutto fatto molto BENE A raccordo IL dati, rispetto A Alcuni Di IL altro tecniche.
Noi Potevo andare Attraverso E correre parecchi Di questi,
Ma per Questo uno, Io sono andando A Appena scegliere
IL Potenziato Albero Da Esso avevo IL migliore RS piazza E radice media piazza errore
per Questo set di dati.
BENE andare avanti E correre Quello.
Dopo noi abbiamo correre IL selezione, erano andando A andare avanti E scegliere UN modello
O UN coppia Di Modelli Quello adatto BENE E Appena correre loro.
Al Giusto, COSÌ ecco IL complessivamente adatto In Questo caso.
Dipendente SU Che cosa tipo Di dati tu sei guardare A,
Forse UN RS piazza Di .5 È Grande, Forse UN RSquadro Di .5 È non COSÌ Grande.
Appena dipendente SU Che cosa tipo Di dati Voi Avere,
Voi Potere giudice Se Questo È UN Bene Abbastanza modello O non.
Ora Quello IO Avere Questo, IO Volere A risposta Quello Primo domanda.
Conoscere UN pochi parametri andando In,
Che cosa Potere IO aspettarsi Mio produzione livello A Essere?
UN facile modo A Fare Quello dentro UN JMP con Qualunque tipo modello È con Questo profilatore.
Va bene, COSÌ Noi Avere IL profilatore Qui,
Noi Avere Tutto Di IL fattori Quello erano incluso In IL modello,
E Noi Avere Che cosa Nostro previsto 12 mese produzione A Essere.
Qui IO Potere regolare Se IO Sapere Mio certo posizione.
IO Sapere IL latitudine E longitudine andare in
Forse IO Sapere Alcuni Di questi geologico parametri.
IO Potere Forse regolare parecchi Di questi fattori
E figura fuori Di IL completamento parametri
E figura fuori UN modo A ottimizzare Questo.
Ma IO pensare Qui con UN quantità Di fattori, Questo Potere Essere complesso.
Andiamo parlare Di IL secondo domanda,
Dove Noi erano meravigliato Quale uno Di questi fattori era avendo IL più grande influenza.
Voi Potere Vedere basato SU Quale Di questi linee Sono lusingare
O Avere Di più forma A loro, Che cosa È IL più grande influenza.
Ma andiamo JMP Fare Quello per noi.
Sotto Valutare Variabile Importanza,
Io sono andando A Appena permettere JMP andare Attraverso
E scegliere IL fattori Quello Sono maggior parte importante.
Qui Voi Potere Vedere suo delineato IL maggior parte importante
giù A quelli Quello Sono meno importante.
IO Piace Questo caratteristica colorare IL profilatore.
Ora suo evidenziato IL maggior parte importante fattori
E andato giù A IL meno importante fattori.
Ancora, IO Potere regolare questi E Vedere, OH, Esso sembra Piace
Forse regolazione IL profondità Di IL BENE,
aggiungendo Alcuni Di più [impercettibile 00:15:51], Esso Potrebbe migliorare Mio produzione.
Quello È IL modo Noi Potevo Fare Questo Ma Noi Avere UN nuovo modo Di guardare
A IL impatto Di ogni uno Di questi fattori SU UN certo BENE.
Noi Potere lancio Quello Sotto IL rosso triangolo In JMP 17 E Shapley valori.
IO Potere impostato Mio opzioni O salva fuori IL Shapley valori.
Una volta IO Fare Quello, Esso Volere creare nuovo colonne In Mio dati tavolo
Quello salva fuori IL contributi da ogni uno Di quelli fattori.
Questo È Dove Io sono andando A permettere Laura parlare A Alcuni Shapley valori.
IO Appena ricercato andando A parlare brevemente Di Che cosa Shapley valori Sono
E Come Noi utilizzo loro.
Shapley valori Sono UN modello agnostico metodo per spiegando modello predizioni
E Essi Sono Veramente utile per Nero scatola Modelli
Quello Sono Veramente difficile A interpretare O spiegare.
IL metodo arriva da cooperativa gioco teoria
E IO non Avere tempo A parlare Di IL sfondo
O IL matematica dietro IL calcoli, Ma Noi Avere UN riferimento
A IL metter il fondo a Di IL diapositiva E Se Voi Google Esso, Voi Dovrebbe Essere capace A Trovare
UN quantità Di Riferimenti A Imparare Di più Se tu sei interessato.
Che cosa questi Shapley valori Fare,
Essi raccontare Voi Come tanto ogni ingresso variabile
È contribuendo A UN individuale predizione per UN modello.
Quello è lontano da IL media previsto valore
attraverso IL ingresso set di dati
E tuo ingresso set di dati È andando A Venire da tuo dati di allenamento.
Valori di Shapley Sono additivo,
Quale fa loro Veramente Carino E facile A interpretare E capire.
Ogni predizione Potere Essere scritto COME UN somma Di tuo Valori di Shapley
più Quello media previsto valore,
Quale Noi fare riferimento A COME IL Shapley intercettare In JMP.
Essi Potere Essere computazionalmente intensivo
A calcolare Se Voi Avere UN quantità Di valori di input, variabili di input in tuo modello
O Se tu sei provando A creare Valori di Shapley per UN quantità Di predizioni.
Noi Tentativo A Dare Alcuni opzioni per aiutando A ridurre tempo nel JMP .
Questi Shapley valori, COME Peter menzionato,
erano aggiunto A IL predizione profilatore per abbastanza UN pochi Di IL Modelli In JMP Pro17
E Loro sono Anche disponibile In IL grafico profilatore.
Loro sono disponibile per Vestibilità minima S quares Logistica nominale, O rdinale La logistica,
Neurale, Gen Reg, P articolazione, Bootstrap foresta E Potenziato Albero.
Loro sono Anche disponibile Se Voi Avere IL XB oost Aggiungere -In.
Tranne In Quello Aggiungi-I N, Loro sono disponibile da IL modello menù
E non da IL predizione profilatore.
Va bene, Prossimo diapositiva.
In Questo diapositiva IO Volere A Appena Aspetto A Alcuni Di IL predizioni da Pietro modello.
Questo È da UN modello utilizzando cinque ingresso variabili.
Questi Sono pila sbarra grafici Di IL Primo tre predizioni
in arrivo da IL Primo tre righe Di il suo dati.
SU IL Sinistra Voi Vedere UN pila grafico a barre Di IL Shapley valori per IL Primo riga.
Quello Primo predizione È 11.184 produzione botti
in centinaia di migliaia.
Ogni colore In Quello sbarra grafico È diviso fuori di IL diverso ingresso variabili.
Dentro IL barre Sono IL Valori di Shapley.
Se Voi aggiungere su Tutto Di quelli valori, più IL Shapley intercettare
Quello IO Avere In IL mezzo Di IL grafico, Voi Ottenere Quello predizione valore.
Questo È mostrando Voi Quello Primo Di Tutto, Tutto Di questi Sono fabbricazione
positivo contributi A IL produzione E Essi spettacolo Voi Come tanto, così il misurare,
IO Potere Vedere Quello longitudine E prop
Sono contribuendo IL maggior parte per Questo particolare predizione.
Poi Se IO Aspetto A IL Giusto lato A IL terzo predizione,
Quale È 2.916 produzione botti E centinaia Di migliaia,
IO Potere Vedere Quello due Di Mio ingresso variabili
Sono contribuendo positivamente A Mio produzione
E tre Di loro Sono avendo negativo contributi,
IL metter il fondo a tre Qui.
Voi Potere utilizzo grafici Piace Questo A aiuto visualizzare tuo Valori di Shapley .
Quello aiuta Voi Veramente capire
questi individuale predizioni.
Prossimo diapositiva.
Questo È Appena uno Di molti tipi Di grafici
Voi Potere creare.
IL Shapley valori Ottenere salvato in tuo dati tavolo.
Voi Potere manipolare loro
E creare Tutto tipi Di grafici In Grafico Costruttore E JMP.
Questo grafico È Appena UN grafico Di Tutto IL Shapley valori
da Sopra 5.000 righe Di IL dati diviso fuori di ogni ingresso variabile.
E 'solo dà Voi UN idea Di IL contributi Di quelli variabili,
Entrambi positivo E negativamente A IL predizioni.
Ora Io sono andando A mano Esso Indietro Sopra A Peter.
Grande.Grazie, Laura.
IO pensare Ora BENE andare avanti E transizione A Nostro secondo caso studio
Quello Floriano È andando A Fare.
Dovrebbe IO passaggio IL schermo condividere Indietro A Voi?
Sì, Quello volevo Essere Grande.
Effettua la transizione.
Grazie per Questo Primo caso studio E Grazie per IL contributi.
Veramente interessante.
Spero Noi Potere Portare Alcuni leggero su UN diverso Tipo Di applicazione
con Nostro secondo caso studio.
IO Avere dato Esso IL sottotitolo, Era Esso Coppia?
Perché quello è UN domanda BENE Avere fiduciosamente rispose
di IL FINE Di IL secondo caso studio presentazione.
Questo secondo caso studio È Di predittivo manutenzione
E IL particolare aspetti Di Perché Esso È importante A capire
tuo Modelli In Questo scenario.
Maggior parte probabile tutti Potere pensare Quello suo molto importante
A Avere UN senso per Quando macchine richiedere manutenzione.
Perché Se macchine fallire, allora è così UN quantità Di guaio,
UN quantità Di costi, Quando impianti Avere A chiuso giù E COSÌ SU.
Suo Veramente necessario A Fare preventivo manutenzione
A Mantenere sistemi corsa.
UN maggiore compito In Questo È A determinare
Quando IL manutenzione Dovrebbe Essere eseguita
E non pure Presto, non pure tardi, certamente.
Perciò, suo UN compito A Trovare UN bilancia
Quale limiti fallimenti E Anche salva costi SU manutenzione.
C'è UN caso studio Quello erano utilizzando A evidenziare Alcuni funzioni caratteristiche
E suo In realtà UN sintetico dati impostato
Quale arriva da UN pubblicato studio.
IL la fonte è giù Là A IL metter il fondo a.
Voi Potere Trovare Esso.
Esso era pubblicato In IL AI per Industria evento In 2020.
IL di base contenuto Di Questo set di dati
È Quello Esso ha sei diverso caratteristiche Di processi impostazioni,
Quale Sono Prodotto o tipo di prodotto
Quale denota per diverso qualità varianti.
Poi Noi Avere aria temperatura,
processi temperatura, rotazionale velocità, coppia, E usura degli utensili.
Noi Avere uno principale risposta E Quello È se IL macchina non riesce O non.
Quando Noi pensare Di domande
Quello Noi Potevo risposta con UN modello O Modelli O generalmente dati.
C'è parecchi Quello Venire A mente.
Ora, IL maggior parte ovvio domanda
È probabilmente Come Noi Potere spiegare E interpretare impostazioni,
Quale probabile Guida A macchina fallimento.
Questo È qualcosa quello [impercettibile 00:24:38]
A creare E confrontare multiplo Modelli
E Poi scegliere IL uno quello è maggior parte adatto.
Ora, In Questo particolare collocamento Dove Noi Volere A prevedere
se una macchina non riesce O non.
Noi Anche Avere A account per classificazioni errate
Quello È O UN falso positivo O UN falso negativo predizione.
Con quelli di JMP decisione soglia grafici
E IL profitto matrice, Noi Potere In realtà specificare UN enfasi
O importanza A Quale risultato È meno auspicabile.
Per esempio,
Esso È tipicamente meno auspicabile A In realtà Avere UN fallimento
Quando IL modello non l'ho fatto prevedere uno
rispetto A IL opposto, classificazione errata.
Poi Oltretutto IL binario classificazione, Di corso,
lo faresti Essere Anche interessato In comprensione Che cosa unità fallimento tipicamente.
Là Sono certamente parecchi modi A Affare con Questo domanda.
IO pensare visualizzazione È Sempre UN parte Di Esso.
Ma Quando erano utilizzando Modelli Noi Potere prendere in considerazione,
per esempio, Questo se stesso spiegando Modelli
Piace decisione alberi O Noi Potere utilizzo costruito- In funzionalità
Piace IL predizione profilatore E IL variabile importanza caratteristica.
IL scorso punto Qui
Quando Noi indagare e valutare Quale fattori Sono maggior parte importante
per IL predittivo risultato,
Noi assumere Quello Là È UN sottostante comportamento.
IL maggior parte importante fattore È XYZ,
Ma Noi Fare non Sapere Quale fattore In realtà
ha ha contribuito A Che cosa estensione A UN individuale predizione.
UN guadagno, Shapley valori Sono UN molto utile
aggiunta Quello Potere permettere noi A capire IL contributo
per ogni Di IL fattori In individuale predizione.
Su un generale livello,
Ora, andiamo Prendere UN Aspetto in tre specifica domande
E Come Noi Potere risposta quelli con IL Software.
IL Primo uno È Come Fare Noi regolare predittivo modello
con rispetto A IL alto importanza Di omettendo falso negativo predizioni?
Questo presuppone UN poco morso Quello noi abbiamo Già Fatto UN Primo fare un passo
Perché noi abbiamo Già visto modello selezione E Come Noi Potere Ottenere Là.
Io sono di partenza uno fare un passo avanti.
Andiamo mossa in JMP A In realtà Prendere UN Aspetto A Questo.
Noi Vedere IL set di dati, possiamo vederlo abbastanza piccolo,
non pure molti colonne.
Esso sembra molto semplice.
Noi soltanto Avere questi pochi predittori E c'è Alcuni Di più colonne.
C'è Anche UN convalida colonna Quello Io ho aggiunto,
Ma suo non mostrato Qui.
COME per IL Primo domanda,
andiamo assumere Noi Avere Già Fatto IL modello selezione.
Ancora, Questo È accessibile
sul analizzato predittivo modello selezione
Dove Noi non specificare Che cosa Noi Volere A prevedere
E IL fattori Quello Noi Volere A indagare.
Ancora, IO Avere Già preparato Questo.
Noi Avere UN risultato Quello sembra Piace Questo.
Esso sembra UN poco morso diverso di In IL Primo utilizzo caso
Perché Ora Noi Avere Questo binario risultato
E COSÌ Noi Avere Alcuni diverso le misure
Quello Noi Potere utilizzo A confrontare.
Ma Ancora, cosa c'è importante È Quello Noi Avere UN panoramica
Di Quale Di IL metodi Sono eseguendo Meglio di altro quelli.
COME Noi disse, In ordine A Ora migliorare
IL modello E enfatizzare SU omettendo questi
falso negativo predizioni.
Andiamo Appena scegliere IL uno E Vedere Che cosa Noi Potere Fare Qui.
Andiamo Forse Anche scegliere IL Primo tre Qui,
COSÌ Noi Potere Appena Fare Quello di presa IL controllo chiave.
Un altro caratteristica Quello Volere aiuto noi Qui
È chiamato decisione soglia
E suo situato In IL rosso decisione del triangolo soglia.
IL decisione soglia dà noi parecchi Contenuti.
Noi Avere questi grafici Qui, questi Spettacoli IL effettivo dati punti.
Noi Avere Questo confusione matrice
E Noi Avere Alcuni aggiuntivo grafici E matrice,
Ma Noi Volere messa a fuoco SU IL superiore parte Qui.
Facciamolo davvero Prendere UN Aspetto A IL test porzione Di IL impostato.
Quando Noi Prendere UN Aspetto A Questo,
Noi Potere Vedere Quello Noi Avere diverso tipi Di risultati.
IL predefinito Di Questo probabilità soglia
È IL mezzo, Quale volevo Essere Qui A .5.
Noi Avere Ora parecchi opzioni A Vedere E ottimizzare Questo modello
E Come efficace Esso È con rispetto A IL confusione matrice.
Confusione matrice, Noi Potere Vedere IL previsto valore
E se Quello In realtà era VERO O non.
Se Noi Aspetto A Quando o fallimento È previsto,
Noi Potere Vedere Quello Qui, con Questo collocamento,
Noi In realtà Avere abbastanza UN alto numero Di fallimenti,
Anche Anche se Là erano NO previsto.
Ora Noi Potere in modo interattivo Esplorare Come regolazione Questo soglia
In realtà colpisce IL precisione Di IL modello O IL classificazione errata aliquote.
O In Alcuni casi, Noi Potere Anche Mettere
UN enfasi SU cosa c'è Veramente peggio di UN altro fallimento.
Noi Potere Fare Questo con IL COSÌ chiamato profitto matrice.
Se Noi andare Qui, Noi Potere impostato UN valore
SU Quale Di IL classificazioni errate È In realtà peggio di IL altro uno.
In Questo caso, Noi Veramente Fare non Volere
A Avere UN predizione Di NO fallimento
Quando Là In realtà È UN fallimento accadendo.
Noi volevo Mettere qualcosa Piace 20 volte.
Di più soprattutto, Noi Fare non Ottenere Questo classificazione errata
E Noi impostato Esso E colpo Va bene,
E Poi Esso Volere automaticamente aggiornamento IL grafico
E Poi Noi Potere Vedere Quello IL valori per IL classificazione errata
Avere caduto Ora In ogni Di IL Modelli
E Noi Potere utilizzo Questo COME UN aggiuntivo attrezzo
A Selezionare UN modello quello è Forse maggior parte adeguata.
Quello è per IL Primo domanda Di Come Noi Potere regolare UN predittivo modello
con rispetto A IL più alto importanza Di omettendo falso negativo predizioni.
Ora, un altro domanda Qui È Anche Quando Noi pensare Di manutenzione
E Dove Noi Mettere Nostro sforzi in manutenzione,
È Come Potere Noi identificare E comunicare
IL complessivamente importanza Di predittori?
Che cosa fattori Sono guida IL sistema, IL fallimenti?
Andiamo andare Indietro A IL dati tavolo A Dire Quello Primo,
IO personalmente Piace visivo E semplicistico quelli.
Uno Di loro Quello IO Piace A utilizzo È cose Piace IL parallelo complotto.
Perché suo Veramente UN Carino panoramica riassumendo
Dove IL fallimenti gruppo e che parametri impostazioni E COSÌ SU.
SU IL modellazione E macchina apprendimento lato,
c'è UN pochi altro opzioni Quello Noi Potere In realtà utilizzo.
Uno Quello IO Piace Perché suo molto croccante E chiaro,
È IL predittore selezione.
Predittore selezione dà noi molto compatto produzione
Di Che cosa È importante E suo molto facile A Fare
E suo Sotto analizzato selezione,
predittore selezione.
UN LL Noi Bisogno A Fare È Dire Che cosa Noi Volere A capire
E Poi specificare IL parametri
Quello Noi Volere A utilizzo per Questo.
Clic Va bene, E Poi Esso ricalcola
E Noi Avere Questo produzione.
Per Me, suo UN Veramente Carino cosa
perché come ho detto, croccante E chiaro E consumando.
Ma noi abbiamo parlato Di Questo Prima
E Russo, Quando erano lavorando con Modelli in particolar modo,
Fare Voi Avere Qualunque altro suggerimento O Fare Voi Avere nulla A aggiungere
A Mio approccio A comprensione IL fattori
Di Quale predittori Sono importante.
SÌ, Esso È UN Bene cosa A Tentativo.
COME IO menzionato prima, Voi avuto A Essere Veramente attento
Di adattamento eccessivo.
Tendo a lavorare con UN quantità Di questi Largo i problemi,
Dire da Genomica E altro applicazioni,
Dove Voi Potrebbe Anche Avere
molti Di più predittori di Voi Avere osservazioni.
In come UN caso, Se Voi erano A correre predittore selezione,
Dire Forse scegliere IL superiore 10 migliore
E Poi andare giro Giusto in giro E adatto UN nuovo modello
con quelli 10 soltanto, hai In realtà Appena impostato te stesso su
per adattamento eccessivo Se Voi fatto IL predittore selezione SU IL intero dati impostato.
Quello è IL scenario Io sono interessato Di.
Suo UN facile trappola A autunno in,
Perché Voi pensare tu sei Appena filtraggio cose giù,
Ma hai avuto A riutilizzo IL Stesso dati due volte.
IL Pericolo volevo Essere Se Voi erano A collega quindi fare domanda a Quello modello
A Alcuni nuovo dati, Esso probabile non Fare quasi COME BENE.
Se tu sei In IL gioco Dove Voi Volere A ridurre predittori,
IO tendere A Piace A preferire A Fare Esso entro ogni piega Di UN Piega a K.
IL inconveniente Di Quello È lo farai Ottenere
UN diverso impostato ogni tempo, Ma Voi non posso aggregato quelli cose.
Se Voi avuto UN certo predittore
è solo una dimostrazione su costantemente attraverso pieghe.
Suo molto Bene prova di quella. Quello è UN molto importante uno.
IO aspettarsi quello è Che cosa volevo accadere In Questo caso con, Dire, coppia.
Anche Se Voi erano A Fare Questo esercizio,
Dire 10 volte con 10 diverso pieghe, lo faresti probabile Ottenere UN bello simile classifica,
Ma suo Di più Di UN sottigliezza
Ma Ancora, UN Pericolo Quello Voi Avere A orologio fuori per.
Lavoro Potere Fare Esso UN poco morso Più facile Appena Perché cose Sono COSÌ presto E pulito,
Piace Voi menzionato, Quello Voi Potrebbe autunno in Quello trappola Se tu sei non attento.
Sì, quello è molto prezioso aggiunta A Questo approccio.
Semplicemente accompagnamento A Questo aggiuntivo informazione,
c'è Anche IL altro opzione Quello Noi Avere,
in particolar modo Quando Noi Avere Già
andato Attraverso IL processi Di creando UN modello Dove Noi Potere Poi
In realtà Ancora, utilizzo IL predizione profilatore E IL variabile importanza.
Suo un altro modo Dove Noi Potere valutare
Quale Di IL variabili Avere IL più alto importanza.
Russo, Fare Voi Volere A Dire parola SU Quello Anche
In contrasto Forse A IL predittore selezione?
Sì. Onestamente, Vogt, IO Piace IL importanza se fosse un poco Meglio.
Appena tuffo Giusto in IL modellazione.
Ancora, IO volevo preferire con Piega a K.
Poi Voi Potere Appena utilizzo IL variabile importanza le misure,
Quale Sono Spesso Veramente Informativo direttamente.
Loro sono molto simile. In fatto, predittore selezione,
IO credere, suo Appena chiamando bootstrap foresta In IL sfondo
E raccolta IL maggior parte importante variabili.
Suo fondamentalmente IL Stesso cosa.
Poi seguente su con IL profilatore, Quale Potere Essere eccellente per vedendo esattamente
Come certo variabili Sono marginalmente influenzando IL risposta,
E Poi perforazione Quello Anche ulteriore con Shapley
A Essere capace A rottura giù individuale predizioni
in loro componenti.
A Me, suo UN molto avvincente E interessante modo
A tuffo in UN predittivo modello
E capire cosa c'è Veramente andando SU con Esso,
sorta di disimballaggio IL nero scatola
E affittare Voi Vedere cosa c'è Veramente accadendo.
Sì, Grazie.
IO pensare quello è IL Totale punto,
fabbricazione Esso comprensibile E fabbricazione Esso consumabile
Oltretutto, Di corso, In realtà ottenere A IL risultati,
Quale È comprensione Quale fattori Sono influenzando IL risultato.
Grazie.
Ora, IO Avere uno Di più domanda, E hai Già menzionato Esso.
Quando Noi punto nuovo dati, In particolare,
Che cosa Potere Noi Fare A identificare
Quale predittori Avere In realtà influenzato IL modello risultato?
Ora, con Che cosa Noi Avere Fatto COSÌ lontano,
Noi Avere guadagnato UN Bene comprensione Di IL sistema E Sapere
Quale Di IL fattori Sono IL maggior parte dominante E Noi Potere Anche derivare operativo intervalli.
Se IL sistema i cambiamenti, Che cosa Se UN diverso fattore In realtà unità UN fallimento?
Poi COME Esso volevo Essere previsto In Questo caso e ne abbiamo parlato Laura in anticipo,
E Shapley V alori Ancora Sono UN Grande aggiunta Quello Volere aiuto noi A interpretare.
noi abbiamo visto Come Noi Potere creare loro,
E hai imparato SU Quale piattaforme lo faranno Essere disponibile.
Ora, IL produzione Quello Voi Ottenere Quando Voi salva i valori di Shapley sono:
per esempio, Anche UN grafico Quello Spettacoli noi per effettivo per riga.
In Questo caso,
Noi Avere 10.000 righe In IL dati scheda, quindi abbiamo 10.000 grafici a barre in pila,
E Poi Noi Potere Già Vedere che oltre allo schema comune,
c'è Anche volte Quando c'è in realtà altri fattori che influenzano
Quello guidare IL decisione Di IL modello.
Suo Veramente UN utile attrezzo A non aumentare solo una previsione individuale,
Ma Anche aggiungere SU A Quello Che cosa Russ, semplicemente disse,
comprensione Di IL sistema, Quale fattori contribuire.
Quando Noi mossa UN poco un po' su
In Questo comprensibile O percorso esplorativo,
Noi Potere utilizzo questi Valori di Shapley In diverso modi.
Che cosa IO personalmente è piaciuto era il suggerimento
A In realtà complotto IL Shapley valore di loro impostazione dei parametri effettivi,
Perché Quello consente noi A identificare le zone Di impostazioni.
Per esempio,
Se Noi Prendere rotazionale velocità Qui, Noi Potere Vedere Quello c'è In realtà
le zone Di Questo parametro Quello tendere A contribuire UN quantità
In termini Di IL modello risultato, Ma Anche In termini Di IL effettivo fallimento.
Quello Anche aiuta noi per ottenere più comprensione
con rispetto A IL effettivo problema del guasto della macchina e cosa lo sta causando,
E Anche con rispetto A Perché IL il modello prevede qualcosa.
Ora, Finalmente, IO Piace A risposta IL domanda.
Quando Noi Prendere questi grafici Di Valori di Shapley,
E Noi Avere visto Esso Prima In molte occasioni,
azione È certamente UN dominante fattore.
Ma da Tutto Di questi, Io ho Appena scelto UN pochi predizioni,
E Noi Potere Vedere Quello A volte Esso azioni, A volte suo non.
Con IL Shapley valori, abbiamo davvero un ottimo modo
A interpretariato UN specifica predizione di IL modello.
Tutto Giusto, COSÌ quelli erano IL cose Noi ricercato A spettacolo.
IO Speranza Questo dà Alcuni Grande intuizione
nel come Noi Potere Fare AI Modelli Di più spiegabile,
Di più comprensibile,
Di più facile A digerire E A lavoro con, Perché quello è IL Intenzione Qui.
Sì, Id Piace A riassumere UN poco morso.
Pietro, Forse Voi Volere venire In E aiuto Me Qui.
IO pensare Che cosa erano sperando A spettacolo È Quello
COME questi AI Modelli diventare Di più E Di più prevalente
E Sono fatto affidamento su per decisione fabbricazione, Quello comprensione, interpretariato,
E essendo capace A comunicare quelli Modelli È molto importante.
Noi Speranza Quello con questi Shapley v valori,
con IL variabile importanza, e con il profiler,
noi abbiamo mostrato Voi UN coppia Di modi Quello puoi condividere condividere questi risultati
E Avere loro facilmente comprensibile.
Quello era IL Prendere- casa lì in mezzo a quello E essendo capace A utilizzare
modello screening e cose del genere,
che si spera, Voi trovato UN pochi tecniche
Quello Volere Fare Questo Di più comprensibile E meno Di UN nero scatola.
Sì, IO assolutamente Essere d'accordo.
Appena A riassumere, IO Veramente Piace A grazie Russ e Laura
per contribuendo Qui con tuo competenza.
Grazie, Pietro. Era UN piacere.
Grazie, tutti ad ascoltare.
Erano guardare inoltrare A avendo discussioni E domande A risposta.
