환영 에게 그만큼 이야기 E 설명할 수 있는 일체 포함: 언박싱 그만큼 검은색 상자.
하자 소개하다 우리 스스로 그리고 하자 시작 ~와 함께 로라.
안녕하세요, 나는 로라 랭커스터, 그리고 나는 처럼 통계 개발자 ~에 JMP
그리고 나는 위치한 ~에 그만큼 캐리 사무실.
감사해요.
무엇 ~에 대한 너, 러스?
안녕 모두들.러스 울핑거.
나는 감독 ~의 삶 과학 연구개발 ~에 그만큼 JMP 그룹
그리고 연구 사람 ~처럼 잘.
찾고 앞으로 에게 그만큼 말하다 오늘.
그리고 피트?
나의 이름의 베드로 Hersch.
나는 부분 ~의 그만큼 글로벌 인위적인 활성화 T 응
그리고 나는 위치한 ~에 덴버, 콜로라도.
엄청난 그리고 나의 이름 ~이다 플로리안 Vogt.
나는 시스템 엔지니어 ~을 위한 그만큼 화학적인 팀 ~에 유럽
그리고 나는 위치한 ~에 아름다운 하이델베르그, 독일.
환영 에게 그만큼 말하다.
일체 포함 ~이다 ㅏ 더운 주제 ~에 그만큼 순간 그리고 ㅏ 많은 ~의 사람들 원하다 에게 하다 그것.
하지만 무엇 하다 저것 평균 ~을 위한 그만큼 산업?
하다 그것 평균 저것 과학자들 그리고 엔지니어 필요 에게 ~이 되다 코더,
~을 위한 프로세스 ~에 그만큼 미래 달리다 ~에 의해 데이터 과학자?
ㅏ 최근의 출판 ~라고 불리는 산업용 데이터 과학 - ㅏ 검토
~의 기계 학습 응용 ~을 위한 화학적인 그리고 프로세스 산업
설명하다 산업의 데이터 과학 기본,
리뷰 산업의 애플리케이션 사용하여
상태 ~의 그만큼 미술 기계 학습 기법
그리고 그것 포인트들 밖으로 일부 중요한 상들 ~의 산업의 일체 포함.
이것들 ~이다 그만큼 접근성 ~의 일체 포함, 그만큼 이해 가능성 ~의 일체 포함
그리고 그만큼 소비성 일체 포함, 그리고 ~에 특정한 그만큼 산출.
잘 보여주다 너 일부 ~의 그만큼 특징 저것 우리 생각하다
~이다 기여 에게 이것 주제 매우 잘 ~에 JMP.
전에 우리 시작 ~ 안으로 그만큼 프로그램 ~의 오늘, 하자 간단히 검토
무엇 일체 포함 포함한다 그리고 무엇 우리의 집중하다 오늘 ~이다 위치한 에.
나는 고른 ㅏ 원천 저것 실제로 분리하다 그것 ~ 안으로 네 여러 떼.
저것들 여러 떼 이다: 첫 번째, 지원 일체 포함 또한 ~라고 불리는 반응성 기계
그리고 이것 목표 ~에 결정 지원하다.
그만큼 두번째 그룹 ~이다 ~라고 불리는 강화 일체 포함
또는 제한된 이론 그리고 저것 초점을 맞춘다 ~에 프로세스 최적화
그리고 그만큼 제삼 그룹 ~이다 자동화 일체 포함,
또는 이론 ~의 정신, 어느, ~처럼 그만큼 이름 제안, 목표 ~에 오토메이션,
그리고 그만큼 네번째 ~이다 ~라고 불리는 자발적인 일체 포함
또는 본인 알고 있는 일체 포함, 어느 포함한다 자발적인 최적화.
오늘의 집중하다 ~이다 정말 ~에 그만큼 첫 번째 그리고 그만큼 두번째 주제.
우리 가졌다 ㅏ 짧은 논의 전에.
러스, 무엇 ~이다 당신의 생각 ~에 이것들 또한 ~와 함께 존경 에게 무엇 JMP ~할 수 있다 씌우다?
잘, 틀림없이 그만큼 용어 일체 포함 얻다 던져진 약 ㅏ 많은.
그것은 사용된 ~에 많은 친절한 ~의 다른 미묘한 회의.
나 추세 에게 선호하다 회의 저것 ~이다
분명히 더 명백한 그리고 쓸 수 있는 그리고 더 집중.
좋다 이었다 가고 있다 에게 줌 ~에 ~에 오늘 ~와 함께 일부 특정한 예.
그만큼 술어 ~할 수 있다 얻다 ㅏ 작은 혼란스러운 그렇지만.
나 추측하다 나 단지 추세 에게 친절한 ~의 유지하다 그것 꽤 넓은, 열려 있는 정신
언제든지 누구나 용도 그만큼 용어 일체 포함 그리고 노력하다 에게 미루다 그것은 의미 ~에서 그만큼 문맥.
오른쪽. 그게 들어있어 자귀 ~의 소개,
지금 잘 얻다 ㅏ 작은 조금 더 ~ 안으로 그만큼 세부 그리고 구체적으로 ~ 안으로
왜 그것 ~이다 중요한 에게 실제로 이해하다 당신의 일체 포함 모델.
위에 에게 너, 피트.
완벽한. 감사해요, 플로리안.
나 생각하다 무엇 러스 ~였다 타격 ~에 거기 그리고 플로리안의 소개 이다,
우리 자주 ~하지 않다 알다 무엇 안 일체 포함 모델 ~이다 말함 우리를 그리고 무엇입니까? 아래에 그만큼 후드.
언제 이었다 생각 ~에 대한 어떻게 잘 ㅏ 모델 수행하다,
우리 생각하다 ~에 대한 어떻게 잘 저것 맞다 그만큼 데이터.
만약에 우리 바라보다 여기, 이었다 찾고 ~에 ㅏ 신경 회로망 도표
그리고 ~처럼 너 ~할 수 있다 보다, 이것들 ~할 수 있다 얻다 예쁜 복잡한.
이들 AI 모델 ~이다 어울리는 더 그리고 더 만연한
그리고 의지하다 ...에 ~을 위한 결정 만들기.
정말, 이해 왜 안 일체 포함 모델 ~이다 만들기 ㅏ 확실한 결정,
무엇 기준 그것은 기초 저것 에 대한 결정,
필수적이다 에게 취득 가득한 이점 ~의 이것들 모델.
언제 ㅏ 모델 변화 또는 업데이트,
특히 ~와 함께 저것 자발적인 일체 포함 또는 그만큼 자동화 일체 포함,
우리 필요 에게 이해하다 왜.
우리 필요 에게 확인하다 저것 이것 모델 ~이다 아마도 ~ 아니다
외삽 또는 기초 그것 ~에 ㅏ 약간의 포인트들 밖의 ~의 우리의 정상 운영 중 범위.
잡고 있다 에.
허락하다 나 훔치다 그만큼 화면 여기 ~에서 플로리안,
그리고 나는 가고 있다 에게 가다 앞으로 그리고 걷다 ~을 통해 ㅏ 사례 공부하다 여기.
모두 오른쪽, 그래서 이것 사례 공부하다
~이다 기반을 둔 ~에 방향성 교련 ~에서 우물 가까운 요새 가치, 텍사스.
그만큼 아이디어 ~와 함께 이것 유형 ~의 교련 ~이다
같지 않은 전통적인 우물, 어디 너 ~일 것이다 단지 가다 수직으로,
너 가다 아래에 ㅏ 확실한 깊이, 그리고 그 다음에 너 시작 가고 있다 수평의.
그만큼 아이디어 ~이다 이것들 ~이다 많이 더 효율적인 ~보다 그만큼 전통적인 우물.
너 가지다 이것들 지역 ~의 갇힌 기름 그리고 가스 저것 너 ~할 수 있다
얻다 ~에 ~와 함께 일부 특별한 완성 매개변수.
이었다 찾고 ~에 그만큼 데이터 여기 ~에서 이것들 우물,
그리고 이었다 견딜 수 없는 에게 수치 밖으로 무엇 ~이다 그만큼 최대 중요한 요인,
포함 그만큼 지질학, 그만큼 위치, 그리고 그만큼 완성 요인,
그리고 ~할 수 있다 우리 최적화하다 이것들 요인 에게 증가하다 또는 최적화하다 우리의 잘 생산?
에게 주다 너 안 아이디어, 여기 ㅏ 지도 ~의 저것 분지,
그래서 좋다 나 말하는, 이것 ~이다 요새 가치, 텍사스.
너 ~할 수 있다 보다 우리 가지다 우물 모두 약 이것.
우리 가지다 확실한 지역 어디 우리의 매년 생산 ~이다 더 높은,
다른 사람 어디 그것은 낮추다.
우리 구함 에게 묻다 ㅏ 약간의 질문 찾고 ~에 이것 데이터.
무엇 요인 가지다 그만큼 가장 큰 영향 ~에 생산?
만약에 우리 알다 확실한 레벨 ~을 위한 ㅏ 새로운 잘,
~할 수 있다 우리 예측하다 무엇 우리의 생산 ~ 할 것이다 BE?
~이다 거기 ㅏ 방법 에게 바꾸다 우리의 요인, 아마도 일부 ~의 그만큼 완성 매개변수
그리고 영향 우리의 생산?
이었다 가고 있다 에게 가다 앞으로 그리고 답변 일부 질문 ~와 함께 ㅏ 모델.
하지만 ~ 전에 우리 얻다 ~ 안으로 저것, 나 구함 에게 묻다 러스,
~부터 그는 갖다 많이 ~의 경험 ~와 함께 이것.
언제 당신은 시작 에게 파기 ~ 안으로 데이터, 러스,
무엇입니까? 그만큼 최상의 장소 에게 시작 그리고 왜?
잘, 나 추측하다 아마도 나는 치우친, 하지만 나 사랑 JMP
~을 위한 이것 유형 ~의 애플리케이션, 피트,
단지 왜냐하면 그것은 그래서 잘 어울려 ~을 위한 빠른 탐구적인 데이터 분석.
너 원하다 에게 얻다 ㅏ 느끼다 ~을 위한 무엇 표적 당신은 견딜 수 없는 에게 예측하다
그리고 그만큼 예측변수 당신은 ~에 대한 에게 사용, 찾고 ~에 그들의 배포,
확인 중 ~을 위한 특이치 또는 어느 특이한 패턴 ~에 그만큼 데이터.
너 5월 심지어 원하다 에게 하다 일부 빠른 무늬 발견 클러스터링
또는 PCA 유형 분석 단지 에게 얻다 ㅏ 느끼다 ~을 위한 어느 구조 그건 ~에 그만큼 데이터.
그 다음에 또한 BE 생각 주의하여 ~에 대한
무엇 성능 미터법 ~일 것이다 만들다 그만큼 최대 감각 ~을 위한 그만큼 애플리케이션 ~에 손.
일반적으로 그만큼 흔한 하나, 확실히 ~을 위한 마디 없는 예측변수 될 것이다
좋다 뿌리 수단 정사각형 오류, 하지만 거기 ~할 수 있었다 BE 사례 어디
그럴 수도 있지 ~ 아니다 상당히 적절한, 특히 만약에 거기에
직접 비용 관련된, 때때로 순수한 오류는 더 관련 있는
~을 위한 ㅏ 진실 이익- 손실 유형 결정.
이것들 ~이다 모두 것들 저것 너 원하다 에게 시작 생각 ~에 대한
~처럼 잘 ~처럼 어떻게 당신은 가고 있다 에게 확인 당신의 모델.
나는 ㅏ 큰 팬 ~의 k-겹 교차 검증.
어디 너 나뉘다 당신의 데이터 ~ 안으로 별개의 하위 집합 그리고 잡고 있다 하나 밖으로
그리고 존재 매우 주의 깊은 ~에 대한 ~ 아니다 허용 누출 또는 또한 주의 깊은 ~에 대한 과적합.
이것들 ~이다 모두 우려 저것 추세
에게 오다 맨 위 ~의 정신 ~을 위한 나 언제 나 시작 밖으로 ~와 함께 ㅏ 새로운 문제.
완벽한. 고마워요, 러스 .
나는 가고 있다 에게 걷다 ~을 통해 이것 ~에 JMP
일부 ~의 그만큼 도구 우리 ~할 수 있다 사용 에게 시작 찾고 ~에 우리의 문제.
그 다음에 이었다 가고 있다 에게 씌우다 일부 ~의 그만큼 것들 저것 돕다 우리를 결정하다
어느 ~의 이것들 요인 ~이다 데 그만큼 가장 큰 영향 ~에 잘 생산.
나는 가고 있다 에게 보여주다 변하기 쉬운 중요성 그리고 그 다음에 샤플리 가치
그리고 잘 가지다 로라 말하다 에게 저것 그리고 어떻게 우리 하다 저것.
하지만 먼저, 하자 가다 앞으로 그리고 바라보다 ~에 이것 데이터 내부에 ㅏ JMP.
좋다 우리 말하는 여기, 나 가지다 나의 생산 ~에서 이것들 우물.
나 가지다 일부 위치 매개변수 그래서 어디 그것 ~이다 위도 그리고 경도,
나 가지다 일부 지질의 매개변수.
이것 ~이다 ~에 대한 그만큼 바위 형성 이었다 교련 을 통해.
그 다음에 나 가지다 일부 완성 매개변수
그리고 이것 ~이다 요인 저것 우리 ~할 수 있다 변화 ~하는 동안 이었다 교련 ~처럼 잘,
일부 ~의 이것들 우리는 할 수 있다 가지다 영향 에.
만약에 우리 구함 에게 가다 ~을 통해 그리고 이것 데이터세트 오직 가지다 5,000 행.
언제 말하는 에게 러스 ~에 시작 에게 예습 이것 말하다, 그 말했다 단지 가다 앞으로
그리고 달리다 일부 모델 상영 그리고 보다 무엇 유형 ~의 모델 맞다 이것 데이터 최상의.
에게 하다 저것, 이었다 가고 있다 에게 가다 앞으로 그리고 가다 아래에 그만큼 분석하다 메뉴,
가다 에게 예측 모델 그리고 때리다 모델 상영.
나는 가고 있다 에게 놓다 나의 응답, 어느 ~이다 저것 생산,
가져가다 모두 ~의 우리의 요인, 위치, 지질학 그리고 완성 매개변수,
놓다 저것들 ~ 안으로 그만큼 엑스 그리고 붙잡다 나의 확인 그리고 놓다 그것 ~ 안으로 확인.
아래에 여기 우리 가지다 모두 종류 ~의 다른 옵션 ~에 종류 ~의 모델 우리 ~할 수 있다 달리다.
우리 ~할 수 있다 선택하다 그리고 선택하다 어느 것들 아마도 만들다 감각
또는 ~하지 않다 만들다 감각 ~을 위한 이것 유형 ~의 데이터.
우리 ~할 수 있다 선택하다 밖으로 일부 다른 모델링 옵션 ~을 위한 우리의 선의 모델.
심지어, 좋다 러스 말하는 여기, 만약에 우리 ~하지 않다 가지다 충분한 데이터
에게 잡고 있다 뒤쪽에 그리고 하다 우리의 확인.
저것 방법 우리 ~할 수 있다 활용하다 ㅏ 여기에 k-겹 교차 검증이 있습니다.
지금 에게 구하다 일부 시간, 나는 다 쓴 앞으로 그리고 달리다 이것 이미 그래서 너 ~하지 않다 가지다
에게 보다 JMP 만들다 모두 이것들 모델.
여기 그만큼 결과.
을 위한 이것 데이터, 너 ~할 수 있다 보다
저것 이것들 나무 기반을 둔 행동 양식: 부스트 나무, 부트스트랩 f 숲 그리고 XGB 우스트
모두 했다 매우 잘 ~에 장착 그만큼 데이터, 비교하다 에게 일부 ~의 그만큼 다른 기법.
우리 ~할 수 있었다 가다 ~을 통해 그리고 달리다 여러 개의 ~의 이것들,
하지만 ~을 위한 이것 하나, 나는 가고 있다 에게 단지 선택하다
그만큼 부스트 나무 ~부터 그것 가졌다 그만큼 최상의 RS 정사각형 그리고 뿌리 평균 정사각형 오류
~을 위한 이것 데이터세트.
잘 가다 앞으로 그리고 달리다 저것.
후에 우리는 달리다 그만큼 상영, 이었다 가고 있다 에게 가다 앞으로 그리고 선택하다 ㅏ 모델
또는 ㅏ 커플 ~의 모델 저것 맞다 잘 그리고 단지 달리다 그들을.
알 오른쪽, 그래서 여기 그만큼 전반적인 맞다 ~에 이것 사례.
따라 ~에 무엇 유형 ~의 데이터 당신은 찾고 에,
아마도 안 RS 정사각형 ~의 .5 ~이다 엄청난, 아마도 안 R스퀘어 ~의 .5 ~이다 ~ 아니다 그래서 엄청난.
단지 따라 ~에 무엇 유형 ~의 데이터 너 가지다,
너 ~할 수 있다 판사 만약에 이것 ~이다 ㅏ 좋은 충분한 모델 또는 아니다.
지금 저것 나 가지다 이것, 나 원하다 에게 답변 저것 첫 번째 질문.
앎 ㅏ 약간의 매개변수 가고 있다 안에,
무엇 ~할 수 있다 나 예상하다 나의 생산 수준 에게 BE?
안 쉬운 방법 에게 하다 저것 내부에 ㅏ JMP ~와 함께 어느 유형 모델 ~이다 ~와 함께 이것 프로파일러.
좋아요, 그래서 우리 가지다 그만큼 프로파일러 여기,
우리 가지다 모두 ~의 그만큼 요인 저것 ~이었다 포함됨 ~에 그만큼 모델,
그리고 우리 가지다 무엇 우리의 예상되는 12 월 생산 에게 BE.
여기 나 ~할 수 있다 조정하다 만약에 나 알다 나의 확실한 위치.
나 알다 그만큼 위도 그리고 경도 들어가다
아마도 나 알다 일부 ~의 이것들 지질의 매개변수.
나 ~할 수 있다 아마도 조정하다 여러 개의 ~의 이것들 요인
그리고 수치 밖으로 ~의 그만큼 완성 매개변수
그리고 수치 밖으로 ㅏ 방법 에게 최적화하다 이것.
하지만 나 생각하다 여기 ~와 함께 ㅏ 많은 ~의 요인, 이것 ~할 수 있다 BE 복잡한.
하자 말하다 ~에 대한 그만큼 두번째 질문,
어디 우리 ~이었다 궁금하다 어느 하나 ~의 이것들 요인 ~였다 데 그만큼 가장 큰 영향.
너 ~할 수 있다 보다 기반을 둔 ~에 어느 ~의 이것들 윤곽 ~이다 즐겁게 하다
또는 가지다 더 모양 에게 그들을, 무엇 ~이다 그만큼 가장 큰 영향.
하지만 하자 JMP 하다 저것 ~을 위한 우리를.
아래에 평가하다 변하기 쉬운 중요성,
나는 가고 있다 에게 단지 허락하다 JMP 가다 ~을 통해
그리고 선택하다 그만큼 요인 저것 ~이다 최대 중요한.
여기 너 ~할 수 있다 보다 그것은 설명 그만큼 최대 중요한
아래에 에게 것들 저것 ~이다 더 적은 중요한.
나 좋다 이것 특징 색칠하다 그만큼 프로파일러.
지금 그것은 강조 표시됨 그만큼 최대 중요한 요인
그리고 다 쓴 아래에 에게 그만큼 최소 중요한 요인.
다시, 나 ~할 수 있다 조정하다 이것들 그리고 보다, 오, 그것 외모 좋다
아마도 조정 그만큼 깊이 ~의 그만큼 잘,
첨가 일부 더 [들리지 않음 00:15:51], 그것 ~할 것 같다 개선하다 나의 생산.
저것 ~이다 그만큼 방법 우리 ~할 수 있었다 하다 이것 하지만 우리 가지다 ㅏ 새로운 방법 ~의 찾고
~에 그만큼 영향 ~의 각 하나 ~의 이것들 요인 ~에 ㅏ 확실한 잘.
우리 ~할 수 있다 시작하다 저것 아래에 그만큼 빨간색 삼각형 ~에 JMP 17 그리고 샤플리 가치.
나 ~할 수 있다 세트 나의 옵션 또는 구하다 밖으로 그만큼 샤플리 가치.
한 번 나 하다 저것, 그것 ~ 할 것이다 만들다 새로운 기둥 ~에 나의 데이터 테이블
저것 구하다 밖으로 그만큼 기여 ~에서 각 하나 ~의 저것들 요인.
이것 ~이다 어디 나는 가고 있다 에게 허락하다 로라 말하다 에게 일부 샤플리 가치.
나 단지 구함 가고 있다 에게 말하다 간단히 ~에 대한 무엇 샤플리 가치 ~이다
그리고 어떻게 우리 사용 그들을.
샤플리 가치 ~이다 ㅏ 모델 불가지론자 방법 ~을 위한 설명하다 모델 예측
그리고 그들 ~이다 정말 도움이 되는 ~을 위한 검은색 상자 모델
저것 ~이다 정말 딱딱한 에게 해석하다 또는 설명하다.
그만큼 방법 온다 ~에서 협력적인 게임 이론
그리고 나 ~하지 않다 가지다 시간 에게 말하다 ~에 대한 그만큼 배경
또는 그만큼 수학 뒤에 그만큼 계산, 하지만 우리 가지다 ㅏ 참조
~에 그만큼 맨 아래 ~의 그만큼 미끄러지 다 그리고 만약에 너 Google 그것, 너 ~해야 한다 BE 할 수 있는 에게 찾다
ㅏ 많은 ~의 참고자료 에게 배우다 더 만약에 당신은 관심 있는.
무엇 이것들 샤플리 가치 하다,
그들 말하다 너 어떻게 많이 각 입력 변하기 쉬운
~이다 기여 에게 안 개인 예측 ~을 위한 ㅏ 모델.
그건 떨어져 있는 ~에서 그만큼 평균 예측됨 값
가로질러 그만큼 입력 데이터세트
그리고 당신의 입력 데이터세트 ~이다 가고 있다 에게 오다 ~에서 당신의 훈련 데이터.
샤플리의 가치 ~이다 첨가물,
어느 만든다 그들을 정말 멋진 그리고 쉬운 에게 해석하다 그리고 이해하다.
모든 예측 ~할 수 있다 BE 쓴 ~처럼 ㅏ 합집합 ~의 당신의 샤플리의 가치
...을 더한 저것 평균 예측됨 값,
어느 우리 나타내다 에게 ~처럼 그만큼 샤플리 가로채기 ~에 JMP.
그들 ~할 수 있다 BE 계산적으로 강한
에게 계산하다 만약에 너 가지다 ㅏ 많은 ~의 입력 값, 입력 변수 당신의 모델
또는 만약에 당신은 견딜 수 없는 에게 만들다 샤플리의 가치 ~을 위한 ㅏ 많은 ~의 예측.
우리 노력하다 에게 주다 일부 옵션 ~을 위한 거들기 에게 줄이다 시간 JMP에서 .
이것들 샤플리 가치, ~처럼 베드로 말하는,
~이었다 추가됨 에게 그만큼 예측 프로파일러 ~을 위한 상당히 ㅏ 약간의 ~의 그만큼 모델 ~에 JMP Pro17
그리고 그들은 또한 사용 가능 ~에 그만큼 그래프 프로파일러.
그들은 사용 가능 ~을 위한 최소 S에 적합 쿼레스 명목상 물류, O 서수 물류 센터,
신경, 세대 등록, P 예술, 부트스트랩 숲 그리고 부스트 나무.
그들은 또한 사용 가능 만약에 너 가지다 그만큼 XB 우스트 추가하다 -안에.
제외하고 ~에 저것 추가 I N, 그들은 사용 가능 ~에서 그만큼 모델 메뉴
그리고 ~ 아니다 ~에서 그만큼 예측 프로파일러.
좋아요, 다음 미끄러지 다.
~ 안에 이것 미끄러지 다 나 원하다 에게 단지 바라보다 ~에 일부 ~의 그만큼 예측 ~에서 피터의 모델.
이것 ~이다 ~에서 ㅏ 모델 사용하여 다섯 입력 변수.
이것들 ~이다 스택 술집 차트 ~의 그만큼 첫 번째 삼 예측
오는 ~에서 그만큼 첫 번째 삼 행 ~의 그의 데이터.
~에 그만큼 왼쪽 너 보다 ㅏ 스택 막대 차트 ~의 그만큼 샤플리 가치 ~을 위한 그만큼 첫 번째 열.
저것 첫 번째 예측 ~이다 11.184 생산 배럴
수십만.
각 색상 ~에 저것 술집 그래프 ~이다 각기 다른 밖으로 ~에 의해 그만큼 다른 입력 변수.
내부에 그만큼 바 ~이다 그만큼 샤플리의 가치.
만약에 너 추가하다 위로 모두 ~의 저것들 가치, ...을 더한 그만큼 샤플리 가로채기
저것 나 가지다 ~에 그만큼 가운데 ~의 그만큼 그래프, 너 얻다 저것 예측 값.
이것 ~이다 전시 너 저것 첫 번째 ~의 모두, 모두 ~의 이것들 ~이다 만들기
긍정적인 기여 에게 그만큼 생산 그리고 그들 보여주다 너 어떻게 많이, 그래서 크기,
나 ~할 수 있다 보다 저것 경도 그리고 프로판트
~이다 기여 그만큼 최대 ~을 위한 이것 특정한 예측.
그 다음에 만약에 나 바라보다 에게 그만큼 오른쪽 옆 에게 그만큼 제삼 예측,
어느 ~이다 2.916 생산 배럴 그리고 수백 ~의 수천,
나 ~할 수 있다 보다 저것 둘 ~의 나의 입력 변수
~이다 기여 전적으로 에게 나의 생산
그리고 삼 ~의 그들을 ~이다 데 부정적인 기여,
그만큼 맨 아래 삼 여기.
너 ~할 수 있다 사용 그래프 좋다 이것 에게 돕다 시각화하다 당신의 샤플리의 가치 .
저것 도움이 된다 너 정말 이해하다
이것들 개인 예측.
다음 미끄러지 다.
이것 ~이다 단지 하나 ~의 많은 종류 ~의 그래프
너 ~할 수 있다 만들다.
그만큼 샤플리 가치 얻다 저장됨 ~ 안으로 당신의 데이터 테이블.
너 ~할 수 있다 조종하다 그들을
그리고 만들다 모두 종류 ~의 그래프 ~에 그래프 빌더 그리고 JMP.
이것 그래프 ~이다 단지 ㅏ 그래프 ~의 모두 그만큼 샤플리 가치
~에서 ~ 위에 5,000 행 ~의 그만큼 데이터 나뉘다 밖으로 ~에 의해 각 입력 변하기 쉬운.
그냥 준다 너 안 아이디어 ~의 그만큼 기여 ~의 저것들 변수,
둘 다 긍정적인 그리고 부정적으로 에게 그만큼 예측.
지금 나는 가고 있다 에게 손 그것 뒤쪽에 ~ 위에 에게 베드로.
엄청난.감사해요, 로라.
나 생각하다 지금 잘 가다 앞으로 그리고 이행 에게 우리의 두번째 사례 공부하다
저것 플로리안 ~이다 가고 있다 에게 하다.
해야 한다 나 통과하다 그만큼 화면 공유하다 뒤쪽에 에게 너?
응, 저것 ~일 것이다 BE 엄청난.
전환을 해보세요.
감사해요 ~을 위한 이것 첫 번째 사례 공부하다 그리고 감사해요 ~을 위한 그만큼 기여.
정말 흥미로운.
나는 희망 우리 ~할 수 있다 가져오다 일부 빛 위에 ㅏ 다른 친절한 ~의 애플리케이션
~와 함께 우리의 두번째 사례 공부하다.
나 가지다 주어진 그것 그만큼 부제, 였다 그것 토크?
왜냐하면 그건 ㅏ 질문 잘 가지다 바라건대 대답했다
~에 의해 그만큼 끝 ~의 그만큼 두번째 사례 공부하다 프레젠테이션.
이것 두번째 사례 공부하다 ~이다 ~에 대한 예측 유지
그리고 그만큼 특정한 상들 ~의 왜 그것 ~이다 중요한 에게 이해하다
당신의 모델 ~에 이것 대본.
최대 ~할 것 같은 여러분 ~할 수 있다 생각하다 저것 그것은 매우 중요한
에게 가지다 ㅏ 감각 ~을 위한 언제 기계 필요하다 유지.
왜냐하면 만약에 기계 실패하다, 그럼 그건 ㅏ 많은 ~의 문제,
ㅏ 많은 ~의 소송 비용, 언제 식물 가지다 에게 닫다 아래에 그리고 그래서 에.
그것은 정말 필요한 에게 하다 예방 유지
에게 유지하다 시스템 달리기.
ㅏ 주요한 일 ~에 이것 ~이다 에게 결정하다
언제 그만큼 유지 ~해야 한다 BE 수행
그리고 ~ 아니다 ~도 일찍, ~ 아니다 ~도 늦은, 틀림없이.
그러므로, 그것은 ㅏ 일 에게 찾다 ㅏ 균형
어느 제한 실패 그리고 또한 저장 소송 비용 ~에 유지.
있다 ㅏ 사례 공부하다 저것 이었다 사용하여 에게 가장 밝은 부분 일부 기능 특징
그리고 그것은 실제로 ㅏ 인조 데이터 세트
어느 온다 ~에서 ㅏ 출판됨 공부하다.
그만큼 출처는 아래에 거기 ~에 그만큼 맨 아래.
너 ~할 수 있다 찾다 그것.
그것 ~였다 출판됨 ~에 그만큼 일체 포함 ~을 위한 산업 이벤트 ~에 2020.
그만큼 기초적인 콘텐츠 ~의 이것 데이터 세트
~이다 저것 그것 가지다 육 다른 특징 ~의 프로세스 설정,
어느 ~이다 제품 또는 제품 유형
어느 나타냅니다 ~을 위한 다른 품질 변형.
그 다음에 우리 가지다 공기 온도,
프로세스 온도, 회전 속도, 토크, 그리고 도구 마모.
우리 가지다 하나 기본 응답 그리고 저것 ~이다 ~이든 그만큼 기계 실패하다 또는 아니다.
언제 우리 생각하다 ~의 질문
저것 우리 ~할 수 있었다 답변 ~와 함께 ㅏ 모델 또는 모델 또는 일반적으로 데이터.
있다 여러 개의 저것 오다 에게 정신.
지금, 그만큼 최대 분명한 질문
~이다 아마 어떻게 우리 ~할 수 있다 설명하다 그리고 해석하다 설정,
어느 ~할 것 같은 선두 에게 기계 실패.
이것 ~이다 무엇 그거 [들리지 않음 00:24:38]
에게 만들다 그리고 비교하다 다수의 모델
그리고 그 다음에 선택하다 그만큼 하나 그건 최대 적합한.
지금, ~에 이것 특정한 환경 어디 우리 원하다 에게 예측하다
~이든 기계 실패하다 또는 아니다.
우리 또한 가지다 에게 계정 ~을 위한 잘못된 분류
저것 ~이다 어느 하나 ㅏ 거짓 긍정적인 또는 ㅏ 거짓 부정적인 예측.
와 함께 JMP 결정 한계점 그래프
그리고 그만큼 이익 행렬, 우리 ~할 수 있다 실제로 지정하다 안 중요성
또는 중요성 에게 어느 결과 ~이다 더 적은 바람직한.
을 위한 예,
그것 ~이다 일반적으로 더 적은 바람직한 에게 실제로 가지다 ㅏ 실패
언제 그만큼 모델 하지 않았다 예측하다 하나
비교하다 에게 그만큼 반대, 잘못된 분류.
그 다음에 게다가 그만큼 바이너리 분류, ~의 강의,
당신은 BE 또한 관심 있는 ~에 이해 무엇 드라이브 실패 일반적으로.
거기 ~이다 틀림없이 여러 개의 방법 에게 거래 ~와 함께 이것 질문.
나 생각하다 심상 ~이다 언제나 ㅏ 부분 ~의 그것.
하지만 언제 이었다 사용하여 모델 우리 ~할 수 있다 고려하다,
~을 위한 예, 이것 본인 설명하다 모델
좋다 결정 나무 또는 우리 ~할 수 있다 사용 세워짐- ~에 기능성
좋다 그만큼 예측 프로파일러 그리고 그만큼 변하기 쉬운 중요성 특징.
그만큼 마지막 가리키다 여기
언제 우리 조사하고 평가하다 어느 요인 ~이다 최대 중요한
~을 위한 그만큼 예측 결과,
우리 추정하다 저것 거기 ~이다 안 밑에 있는 행동.
그만큼 최대 중요한 요인 ~이다 XYZ,
하지만 우리 하다 ~ 아니다 알다 어느 요인 실제로
가지다 기여하다 에게 무엇 정도 에게 안 개인 예측.
ㅏ 얻다, 샤플리 가치 ~이다 ㅏ 매우 도움이 되는
덧셈 저것 ~할 수 있다 허용하다 우리를 에게 이해하다 그만큼 기부금
~을 위한 각 ~의 그만큼 요인 ~에 개인 예측.
에 일반적인 수준,
지금, 하자 가져가다 ㅏ 바라보다 ~ 안으로 삼 특정한 질문
그리고 어떻게 우리 ~할 수 있다 답변 저것들 ~와 함께 그만큼 소프트웨어.
그만큼 첫 번째 하나 ~이다 어떻게 하다 우리 조정하다 예측 모델
~와 함께 존경 에게 그만큼 높은 중요성 ~의 생략 거짓 부정적인 예측?
이것 가정하다 ㅏ 작은 조금 저것 우리는 이미 완료 ㅏ 첫 번째 단계
왜냐하면 우리는 이미 본 모델 상영 그리고 어떻게 우리 ~할 수 있다 얻다 거기.
나는 시작 하나 단계 앞으로.
하자 이동하다 ~ 안으로 JMP 에게 실제로 가져가다 ㅏ 바라보다 ~에 이것.
우리 보다 그만큼 데이터 세트, 우리는 그것을 볼 수 있습니다 꽤 작은,
~ 아니다 ~도 많은 열.
그것 외모 매우 단순한.
우리 오직 가지다 이것들 약간의 예측변수 그리고 거기에 일부 더 열.
있다 또한 ㅏ 확인 열 저것 나는 추가됨,
하지만 그것은 ~ 아니다 표시됨 여기.
처럼 ~을 위한 그만큼 첫 번째 질문,
하자 추정하다 우리 가지다 이미 완료 그만큼 모델 상영.
다시, 이것 ~이다 얻기 쉬운
에 분석됨 예측 모델 상영
어디 우리 ~하지 않다 지정하다 무엇 우리 원하다 에게 예측하다
그리고 그만큼 요인 저것 우리 원하다 에게 조사하다.
다시, 나 가지다 이미 준비된 이것.
우리 가지다 안 결과 저것 외모 좋다 이것.
그것 외모 ㅏ 작은 조금 다른 ~보다 ~에 그만큼 첫 번째 사용 사례
왜냐하면 지금 우리 가지다 이것 바이너리 결과
그리고 그래서 우리 가지다 일부 다른 측정
저것 우리 ~할 수 있다 사용 에게 비교하다.
하지만 다시, 무엇입니까? 중요한 ~이다 저것 우리 가지다 안 개요
~의 어느 ~의 그만큼 행동 양식 ~이다 실행할 수 있는 더 나은 ~보다 다른 것들.
처럼 우리 말했다, ~에 주문하다 에게 지금 개선하다
그만큼 모델 그리고 강조하다 ~에 생략 이것들
거짓 부정적인 예측.
하자 단지 선택하다 그만큼 하나 그리고 보다 무엇 우리 ~할 수 있다 하다 여기.
하자 아마도 심지어 선택하다 그만큼 첫 번째 삼 여기,
그래서 우리 ~할 수 있다 단지 하다 저것 ~에 의해 보유 그만큼 제어 열쇠.
또 다른 특징 저것 ~ 할 것이다 돕다 우리를 여기
~이다 ~라고 불리는 결정 한계점
그리고 그것은 위치한 ~에 그만큼 빨간색 삼각형 결정 한계점.
그만큼 결정 한계점 준다 우리를 여러 개의 내용물.
우리 가지다 이것들 그래프 여기, 이것들 쇼 그만큼 실제 데이터 포인트들.
우리 가지다 이것 착란 행렬
그리고 우리 가지다 일부 추가의 그래프 그리고 행렬,
하지만 우리 ~ 할 것이다 집중하다 ~에 그만큼 높은 부분 여기.
실제로 보자 가져가다 ㅏ 바라보다 ~에 그만큼 시험 부분 ~의 그만큼 세트.
언제 우리 가져가다 ㅏ 바라보다 ~에 이것,
우리 ~할 수 있다 보다 저것 우리 가지다 다른 종류 ~의 결과.
그만큼 기본 ~의 이것 확률 한계점
~이다 그만큼 가운데, 어느 ~일 것이다 BE 여기 ~에 .5.
우리 가지다 지금 여러 개의 옵션 에게 보다 그리고 최적화하다 이것 모델
그리고 어떻게 효과적인 그것 ~이다 ~와 함께 존경 에게 그만큼 착란 행렬.
착란 행렬, 우리 ~할 수 있다 보다 그만큼 예측됨 값
그리고 ~이든 저것 실제로 ~였다 진실 또는 아니다.
만약에 우리 바라보다 ~에 언제 영형 실패 ~이다 예측,
우리 ~할 수 있다 보다 저것 여기, ~와 함께 이것 환경,
우리 실제로 가지다 상당히 ㅏ 높은 숫자 ~의 실패,
심지어 그렇지만 거기 ~이었다 아니요 예측.
지금 우리 ~할 수 있다 대화형으로 탐구하다 어떻게 조정 이것 한계점
실제로 영향을 미치다 그만큼 정확성 ~의 그만큼 모델 또는 그만큼 잘못된 분류 요금.
또는 ~에 일부 사례, 우리 ~할 수 있다 또한 놓다
안 중요성 ~에 무엇입니까? 정말 더 나쁜 ~보다 안 다른 실패.
우리 ~할 수 있다 하다 이것 ~와 함께 그만큼 그래서 ~라고 불리는 이익 행렬.
만약에 우리 가다 여기, 우리 ~할 수 있다 세트 ㅏ 값
~에 어느 ~의 그만큼 잘못된 분류 ~이다 실제로 더 나쁜 ~보다 그만큼 다른 하나.
~ 안에 이것 사례, 우리 정말 하다 ~ 아니다 원하다
에게 가지다 ㅏ 예측 ~의 아니요 실패
언제 거기 실제로 ~이다 ㅏ 실패 사고.
우리 ~일 것이다 놓다 무엇 좋다 20 타임스.
더 중요한 것은, 우리 하다 ~ 아니다 얻다 이것 잘못된 분류
그리고 우리 세트 그것 그리고 때리다 좋아요,
그리고 그 다음에 그것 ~ 할 것이다 자동으로 업데이트 그만큼 그래프
그리고 그 다음에 우리 ~할 수 있다 보다 저것 그만큼 가치 ~을 위한 그만큼 잘못된 분류
가지다 떨어졌다 지금 ~에 각 ~의 그만큼 모델
그리고 우리 ~할 수 있다 사용 이것 ~처럼 안 추가의 도구
에게 선택하다 ㅏ 모델 그건 아마도 최대 적절한.
그건 ~을 위한 그만큼 첫 번째 질문 ~의 어떻게 우리 ~할 수 있다 조정하다 ㅏ 예측 모델
~와 함께 존경 에게 그만큼 더 높은 중요성 ~의 생략 거짓 부정적인 예측.
지금, 또 다른 질문 여기 ~이다 또한 언제 우리 생각하다 ~의 유지
그리고 어디 우리 놓다 우리의 노력 ~ 안으로 유지,
~이다 어떻게 ~할 수 있다 우리 식별하다 그리고 의사소통하다
그만큼 전반적인 중요성 ~의 예측변수?
무엇 요인 ~이다 운전 그만큼 체계, 그만큼 실패?
하자 가다 뒤쪽에 에게 그만큼 데이터 테이블 에게 말하다 저것 첫 번째,
나 몸소 좋다 시각적 그리고 단순한 것들.
하나 ~의 그들을 저것 나 좋다 에게 사용 ~이다 물건 좋다 그만큼 평행한 구성.
왜냐하면 그것은 정말 ㅏ 멋진 개요 요약
어디 그만큼 실패 그룹 그리고 어느 매개변수 설정 그리고 그래서 에.
~에 그만큼 모델링 그리고 기계 학습 옆,
거기에 ㅏ 약간의 다른 옵션 저것 우리 ~할 수 있다 실제로 사용.
하나 저것 나 좋다 왜냐하면 그것은 매우 상쾌한 그리고 분명한,
~이다 그만큼 예언자 상영.
예언자 상영 준다 우리를 매우 콤팩트 산출
~에 대한 무엇 ~이다 중요한 그리고 그것은 매우 쉬운 에게 하다
그리고 그것은 아래에 분석됨 상영,
예언자 상영.
ㅏ ll 우리 필요 에게 하다 ~이다 말하다 무엇 우리 원하다 에게 이해하다
그리고 그 다음에 지정하다 그만큼 매개변수
저것 우리 원하다 에게 사용 ~을 위한 이것.
딸깍 하는 소리 좋아요, 그리고 그 다음에 그것 다시 계산하다
그리고 우리 가지다 이것 산출.
을 위한 나, 그것은 ㅏ 정말 멋진 물건
내가 말했듯이, 상쾌한 그리고 분명한 그리고 태워 버리는.
하지만 우리는 이야기했다 ~에 대한 이것 ~ 전에
그리고 러스, 언제 이었다 일하고 있는 ~와 함께 모델 특히,
하다 너 가지다 어느 다른 제안 또는 하다 너 가지다 아무것 에게 추가하다
에게 나의 접근하다 에게 이해 그만큼 요인
~의 어느 예측변수 ~이다 중요한.
예, 그것 ~이다 ㅏ 좋은 물건 에게 노력하다.
처럼 나 말하는 더 일찍, 너 갖다 에게 BE 정말 주의 깊은
~에 대한 과적합.
나는 일하는 경향이 있다 ~와 함께 ㅏ 많은 ~의 이것들 넓은 문제,
말하다 ~에서 유전체학 그리고 다른 애플리케이션,
어디 너 ~할 것 같다 심지어 가지다
많은 더 예측변수 ~보다 너 가지다 관찰.
~ 안에 그런 ㅏ 사례, 만약에 너 ~이었다 에게 달리다 예언자 상영,
말하다 아마도 선택하다 그만큼 맨 위 10 최상의
그리고 그 다음에 가다 회전하다 오른쪽 약 그리고 맞다 ㅏ 새로운 모델
~와 함께 저것들 10 오직, 당신은 실제로 단지 세트 당신 자신 위로
~을 위한 과적합 만약에 너 했다 그만큼 예언자 상영 ~에 그만큼 전체 데이터 세트.
그건 그만큼 대본 나는 관심 있는 에 대한.
그것은 안 쉬운 덫 에게 떨어지다 안으로,
왜냐하면 너 생각하다 당신은 단지 필터링 것들 아래에,
하지만 당신은 갖다 에게 재사용 그만큼 같은 데이터 두 배.
그만큼 위험 ~일 것이다 BE 만약에 너 ~이었다 에게 플러그를 꽂은 다음 적용하다 저것 모델
에게 일부 새로운 데이터, 그것 ~할 것 같은 습관 하다 거의 ~처럼 잘.
만약에 당신은 ~에 그만큼 게임 어디 너 원하다 에게 줄이다 예측변수,
나 추세 에게 좋다 에게 선호하다 에게 하다 그것 이내에 각 겹 ~의 ㅏ K-폴드.
그만큼 약점 ~의 저것 ~이다 당신은 얻다
ㅏ 다른 세트 모든 시간, 하지만 너 캔트 골재 저것들 것들.
만약에 너 갖다 ㅏ 확실한 예언자
그게 바로 보여요 위로 꾸준히 가로질러 주름.
그것은 매우 좋은 증거 그것의. 그건 ㅏ 매우 중요한 하나.
나 예상하다 그건 무엇 ~일 것이다 일어나다 ~에 이것 사례 와 함께, 말하다, 토크.
심지어 만약에 너 ~이었다 에게 하다 이것 운동,
말하다 10 타임스 ~와 함께 10 다른 주름, 당신은 ~할 것 같은 얻다 ㅏ 예쁜 비슷한 순위,
하지만 그것은 더 ~의 ㅏ 미묘
하지만 다시, ㅏ 위험 저것 너 가지다 에게 보다 밖으로 을 위한.
직업 ~할 수 있다 만들다 그것 ㅏ 작은 조금 더 쉽게 단지 왜냐하면 것들 ~이다 그래서 빠른 그리고 깨끗한,
좋다 너 말하는, 저것 너 ~할 것 같다 떨어지다 ~ 안으로 저것 덫 만약에 당신은 ~ 아니다 주의 깊은.
응, 그건 매우 귀중한 덧셈 에게 이것 접근하다.
그냥 동행 에게 이것 추가의 정보,
거기에 또한 그만큼 다른 옵션 저것 우리 가지다,
특히 언제 우리 가지다 이미
다 쓴 ~을 통해 그만큼 프로세스 ~의 창조 ㅏ 모델 어디 우리 ~할 수 있다 그 다음에
실제로 다시, 사용 그만큼 예측 프로파일러 그리고 그만큼 변하기 쉬운 중요성.
그것은 또 다른 방법 어디 우리 ~할 수 있다 평가하다
어느 ~의 그만큼 변수 가지다 그만큼 더 높은 중요성.
러스, 하다 너 원하다 에게 말하다 단어 ~에 저것 또한
~에 차이 아마도 에게 그만큼 예언자 상영?
응. 솔직히, 보그트, 나 좋다 그만큼 중요성 그거였어? 작은 더 나은.
단지 잠수 오른쪽 ~ 안으로 그만큼 모델링.
다시, 나 ~일 것이다 선호하다 ~와 함께 K-폴드.
그 다음에 너 ~할 수 있다 단지 사용 그만큼 변하기 쉬운 중요성 측정,
어느 ~이다 자주 정말 유익한 곧장.
그들은 매우 비슷한. ~ 안에 사실, 예언자 상영,
나 믿다, 그것은 단지 부름 부트스트랩 숲 ~에 그만큼 배경
그리고 수집 그만큼 최대 중요한 변수.
그것은 원래 그만큼 같은 물건.
그 다음에 수행원 위로 ~와 함께 그만큼 프로파일러, 어느 ~할 수 있다 BE 훌륭한 ~을 위한 봄 정확히
어떻게 확실한 변수 ~이다 미미하게 영향을 미치는 그만큼 응답,
그리고 그 다음에 교련 저것 심지어 더 나아가 ~와 함께 샤플리
에게 BE 할 수 있는 에게 부서지다 아래에 개인 예측
~ 안으로 그들의 구성 요소.
에게 나, 그것은 ㅏ 매우 설득력 있는 그리고 흥미로운 방법
에게 잠수 ~ 안으로 ㅏ 예측 모델
그리고 이해하다 무엇입니까? 정말 가고 있다 ~에 ~와 함께 그것,
일종의 포장 풀기 그만큼 검은색 상자
그리고 허락하다 너 보다 무엇입니까? 정말 사고.
응, 감사해요.
나 생각하다 그건 그만큼 전체 가리키다,
만들기 그것 이해할 수 있는 그리고 만들기 그것 소모품
게다가, ~의 강의, 실제로 구하는 에게 그만큼 결과,
어느 ~이다 이해 어느 요인 ~이다 영향을 미치는 그만큼 결과.
감사해요.
지금, 나 가지다 하나 더 질문, 그리고 당신은 이미 말하는 그것.
언제 우리 점수 새로운 데이터, ~에 특정한,
무엇 ~할 수 있다 우리 하다 에게 식별하다
어느 예측변수 가지다 실제로 영향을 받은 그만큼 모델 결과?
지금, ~와 함께 무엇 우리 가지다 완료 그래서 멀리,
우리 가지다 얻은 ㅏ 좋은 이해 ~의 그만큼 체계 그리고 알다
어느 ~의 그만큼 요인 ~이다 그만큼 최대 우성 그리고 우리 ~할 수 있다 심지어 파생하다 운영 중 범위.
만약에 그만큼 체계 변화, 무엇 만약에 ㅏ 다른 요인 실제로 드라이브 ㅏ 실패?
그 다음에 ~처럼 그것 ~일 것이다 BE 예상되는 ~에 이것 사례 그리고 우리는 얘기를 나눴어요 로라 미리,
그리고 샤플리 5세 alues 다시 ~이다 ㅏ 엄청난 덧셈 저것 ~ 할 것이다 돕다 우리를 에게 해석하다.
우리는 본 어떻게 우리 ~할 수 있다 생성하다 그들을,
그리고 당신은 배운 ~에 어느 플랫폼 그들은 할 것이다 BE 사용 가능.
지금, 그만큼 산출 저것 너 얻다 언제 너 구하다 샤플리 밸류스는,
~을 위한 예, 또한 ㅏ 그래프 저것 쇼 우리를 당 실제 당 열.
~ 안에 이것 사례,
우리 가지다 10,000 행 ~에 그만큼 데이터 탭이 있으므로 10,000개의 스택 막대 차트가 있습니다.
그리고 그 다음에 우리 ~할 수 있다 이미 보다 일반적인 패턴 외에도
거기에 또한 타임스 언제 거기에 실제로 다른 영향 요인
저것 운전하다 그만큼 결정 ~의 그만큼 모델.
그것은 정말 ㅏ 도움이 되는 도구 에게 ~ 아니다 개인의 예측만 올리고,
하지만 또한 추가하다 ~에 에게 저것 무엇 러스 그냥 말했다,
이해 ~의 그만큼 체계, 어느 요인 기여하다.
언제 우리 이동하다 ㅏ 작은 조금
~에 이것 이해할 수 있는 또는 탐색 경로,
우리 ~할 수 있다 사용 이것들 샤플리의 가치 ~에 다른 방법.
무엇 나 몸소 좋아했다 제안이었어
에게 실제로 구성 그만큼 샤플리 값 ~에 의해 그들의 실제 매개변수 설정,
왜냐하면 저것 허용한다 우리를 에게 식별하다 지역 ~의 설정.
을 위한 예,
만약에 우리 가져가다 회전 속도 여기, 우리 ~할 수 있다 보다 저것 거기에 실제로
지역 ~의 이것 매개변수 저것 추세 에게 기여하다 ㅏ 많은
~에 자귀 ~의 그만큼 모델 결과, 하지만 또한 ~에 자귀 ~의 그만큼 실제 실패.
저것 또한 도움이 된다 우리가 더 많은 이해를 얻을 수 있도록
~와 함께 존경 에게 그만큼 실제 기계 고장의 문제와 그 원인,
그리고 또한 ~와 함께 존경 에게 왜 그만큼 모델이 뭔가를 예측합니다.
지금, 마지막으로, 나 좋다 에게 답변 그만큼 질문.
언제 우리 가져가다 이것들 그래프 ~의 샤플리의 가치,
그리고 우리 가지다 본 그것 ~ 전에 ~에 여러 차례,
재고 ~이다 틀림없이 ㅏ 우성 요인.
하지만 ~에서 모두 ~의 이것들, 나는 단지 고른 ㅏ 약간의 예측,
그리고 우리 ~할 수 있다 보다 저것 때때로 그것 주식, 때때로 그것은 아니다.
와 함께 그만큼 샤플리 가치관, 우리에겐 정말 좋은 방법이 있어요
에게 통역 ㅏ 특정한 예측 ~에 의해 그만큼 모델.
모두 오른쪽, 그래서 저것들 ~이었다 그만큼 것들 우리 구함 에게 보여주다.
나 희망 이것 준다 일부 엄청난 통찰력
어떻게 우리 ~할 수 있다 만들다 일체 포함 모델 더 설명 가능,
더 이해할 수 있는,
더 쉬운 에게 요람 그리고 에게 일하다 와 함께, 왜냐하면 그건 그만큼 의도 여기.
응, ID 좋다 에게 요약하다 ㅏ 작은 조금.
피트, 아마도 너 원하다 올 ~에 그리고 돕다 나 여기.
나 생각하다 무엇 이었다 희망하다 에게 보여주다 ~이다 저것
~처럼 이것들 일체 포함 모델 ~이 되다 더 그리고 더 만연한
그리고 ~이다 의지하다 ...에 ~을 위한 결정 만들기, 저것 이해, 통역,
그리고 존재 할 수 있는 에게 의사소통하다 저것들 모델 ~이다 매우 중요한.
우리 희망 저것 ~와 함께 이것들 샤플리 v 알루에스,
~와 함께 그만큼 변하기 쉬운 중요도를 지정하고 프로파일러를 사용하여
우리는 표시됨 너 ㅏ 커플 ~의 방법 저것 그 결과를 공유할 수 있습니다
그리고 가지다 그들을 용이하게 이해할 수 있는.
저것 ~였다 그만큼 가져가다- 집 거기 그 사이에 그리고 존재 할 수 있는 에게 활용하다
모델 심사, 이런 것들이요.
그건 바라건대, 너 설립하다 ㅏ 약간의 기법
저것 ~ 할 것이다 만들다 이것 더 이해할 수 있는 그리고 더 적은 ~의 ㅏ 검은색 상자.
응, 나 전적으로 동의하다.
단지 에게 요약하다, 나 정말 좋다 에게 Russ와 Laura에게 감사드립니다.
~을 위한 기여 여기 ~와 함께 당신의 전문적 지식.
감사해요, 피트. 그것은 ㅏ 기쁨.
감사해요, 모두들 들어주세요.
이었다 찾고 앞으로 에게 데 토론 그리고 질문 에게 답변.
