Ciao, Io sono Ron Kenneth.
Questo È UN giunto parlare con Chris Gotwalt.
Abbiamo detto andando A parlare A Voi Di Modelli.
I modelli sono usato ampiamente.
Noi Speranza A Portare Alcuni aggiuntivo prospettiva
SU Come A utilizzo Modelli In generale.
Noi chiamata IL parlare
"Diverso obiettivi, diverso Modelli:
Come A utilizzo Modelli A Affilare tuo domande."
Mio parte Volere Essere UN introduzione, E Malato Dare UN esempio.
Lo farai Avere accesso A IL dati Io sono utilizzando.
Poi Chris Volere Continua con un Di più complesso esempio,
introdurre IL SHAP valori disponibile In JMP 17,
E fornire Alcuni conclusioni.
Noi Tutto Sapere Quello Tutto Modelli Sono sbagliato,
Ma Alcuni Sono utile.
Sam Carlino disse qualcosa diverso.
EHI disse Quello IL scopo Di Modelli È non A adatto IL dati,
Ma A Affilare IL domanda.
Poi Questo tipo, Pablo Picasso, EHI disse qualcosa in...
EHI morto In 1973, COSÌ Voi Potere immaginare Quando Questo era disse.
io pensare In IL Presto '70 S.
"Computer Sono inutile. Essi Potere soltanto Dare Voi risposte."
EHI È Di più In linea con Carlino.
Mio Prendere SU questo e 'quello
questo presenta la differenza fondamentale fra UN modello E UN computer programma.
Io sono guardare A IL modello da UN quello dello statistico prospettiva.
Condotta con Di Scatola famoso dichiarazione.
"SÌ, Alcuni Sono utile.Quale quelli?"
Per favore aiuto noi.
Cosa fare Voi Significare di Alcuni Sono utile?
Suo non molto utile A Dire Quello .
Andando a Karlin, "Affilare IL domanda."
Va bene, questo è tutto UN Bene idea.
Come Fare BENE Fare Quello?
IL punto È Quello Scatola sembra focalizzata sulla fase di analisi dei dati
nella visione del ciclo di vita delle statistiche, che inizia con l’elicitazione del problema,
si muove A obiettivo formulazione, dati collezione, dati analisi,
risultati, operazionalizzazione Di trovare
comunicazionale risultati, E impatto valutazione.
Karlin lo è Di più focalizzata SU IL problema elicitazione fase.
Questi due citazioni Di Scatola E Carlino
fare riferimento A diverso fasi In Questo vita ciclo.
IL dati Io sono andando A utilizzo È UN industriale dati impostato,
174 osservazioni.
Noi Avere sensori dati.
Noi Avere 63 sensori.
Sono etichettato 1, 2, 3, 4 A 63.
Noi Avere due risposta variabili.
Questi Sono in arrivo da test Alcuni sistemi.
IL stato rapporto È fallire/passare.
52,8% Di IL sistemi Quello Prendere testato fallito.
Noi Avere un altro rapporto,
Quale È UN Di più dettagliato rapporto SU test risultati.
Quando i sistemi fallire,
BENE Avere Alcuni classificazione Di IL fallimento.
Test risultato È Di più dettagliato.
Stato È andare/non andare.
IL obiettivo È A determinare IL sistema stato da IL sensori dati
COSÌ Quello BENE Potere Forse Evitare IL costi E ritardi Di test,
E BENE Potere Avere Alcuni Presto predizioni SU IL fede Di IL sistema.
Uno approccio BENE Potere Prendere È A utilizzo UN potenziato albero.
Noi Mettere IL stato come risposta, i 63 sensori X, fattori.
IL potenziato albero È allenato in sequenza, uno albero A UN tempo.
T EHI altro modello poi disse andando A utilizzo È casuale foresta,
E questo è tutto Fatto con indipendente alberi.
Là È UN sequenziale aspetto In potenziato alberi
Quello È diverso da casuale foreste.
IL impostare Di potenziato alberi coinvolge tre parametri:
IL numero Di alberi, profondità Di alberi, E IL apprendimento valutare.
Questo È Che cosa JMP dà COME un valore predefinito.
Potenziato alberi Potere Essere usato A risolvere maggior parte obbiettivo funzioni.
Noi Potevo utilizzo Esso per veleno regressione,
Quale È condotta con conta Quello È UN bit Più forte A raggiungere
con casuale foreste.
Abbiamo detto andando A messa a fuoco SU questi due tipi Di Modelli.
Quando BENE fare domanda a IL potenziato albero,
E BENE Avere UN convalida impostato su
con 43 sistemi disegnato a caso COME IL convalida impostato.
Centotrentuno sistemi si usa per IL formazione impostato.
Noi Sono ottenere UN 9,3% classificazione errata valutare.
Tre fallito sistemi.
Noi Sapere che essi fallito Perché BENE Avere Esso In IL dati,
Prendere In realtà classificato COME passaggio.
IL 20 Quello passato, 19 Prendere classificato COME passaggio.
IL falso previsto passaggio È 13 %.
Noi Potere Aspetto A IL variabile colonna contributi.
Noi Vedere Quello Sensore 56, 18, 11, E 61 Sono IL superiore quattro
In termini Di contribuendo A Questo classificazione.
Noi Vedere Quello In IL formazione impostato, BENE avevo zero classificazione errata.
Noi Potrebbe Avere Alcuni Sopra adattandomi N Questo BT applicazione.
Se BENE Aspetto A IL sollevare curva,
40 % Di IL sistemi, BENE Potere Ottenere Sopra due sollevare
Quale È le prestazioni che questo classificatore ci offre.
Se BENE Tentativo IL fischi trappola foresta,
un altro opzioni, Ancora, BENE Fare IL Stesso cosa.
Noi utilizzo IL Stesso convalida impostato.
IL valori predefiniti Di JMP Sono dando tu alcuni parametri
per IL numero Di alberi
E IL numero Di caratteristiche A Essere selezionato A ogni modalità.
Questo È Come IL casuale foresta lavori.
Voi Dovrebbe Essere consapevole Quello Questo È non molto Bene
Se Voi Avere categorico variabili E mancante dati,
Quale È non Nostro caso Qui.
Ora, IL classificazione errata valutare È 6.9, inferiore di Prima.
Sig IL formazione impostato, BENE avevo Alcuni classificazione errata.
IL casuale foresta applicato A IL test stato,
Quale significa Quando BENE Avere IL dettagli SU IL fallimenti È 23.4,
COSÌ Cattivo prestazione.
Anche, SU IL formazione impostato, BENE Avere 5% classificazione errata.
Ma BENE Avere Ora UN più ampio allineare Di opzioni
e questo spiega Alcuni Di IL inferiore prestazione.
In IL sollevare curva SU IL test risultati,
BENE In realtà con abbastanza Bene prestazione,
Potere scegliere su IL superiore 10 % Di IL sistemi con UN leva Di Sopra 10.
COSÌ BENE Avere più di dieci piega aumento per 10 % Di IL sistemi
parente A IL mille dollari media.
Ora Questo È in posa UN domanda- Ricordare IL argomento Di IL parlare-
Che cosa Sono BENE guardare A?
Fare BENE Volere A identificare superiore punto Bene sistemi?
IL casuale foresta volevo Fare Quello con IL test risultato.
O Fare BENE Volere A prevedere UN alto proporzione Di passaggio?
IL albero di bootstrap volevo offerta Quello.
UN secondario domanda È A Aspetto A Che cosa È influenzando Questo classificazione.
Noi Potere Aspetto A IL colonna contributi SU IL potenziato albero.
Tre Di IL quattro in alto variabili spettacolo su Anche SU IL casuale foresta.
Se BENE utilizzo IL stato passare/fallire,
O IL dettagliato risultati,
Là È UN molti Di somiglianza SU IL importanza Di IL sensori.
Questo È Appena dando Voi Alcuni sfondo.
Chris È andando A seguire su con UN valutazione Di IL sensibilità
Di Questo variabile importanza, IL utilizzo Di SHAP v valori
e cose più interessanti.
Questo va Indietro A interrogatorio Che cosa È tuo obiettivo,
E Come È IL modello aiutando Voi figura fuori IL obiettivo
E Forse affilatura IL domanda Quello arriva da IL dichiarazione Di IL obiettivo.
Chris, suo tutto tuo.
Grazie, Ron.
Io sono andando A scegliere su da Dove Ron lasciato fuori
E cercare UN modello Quello Volere prevedere se O non UN unità È Bene O non,
E Se Esso non lo è cosa c'è IL probabilmente fallimento modalità Quello ha risultato?
Questo volevo Essere utile In ciò Se UN modello È Bene A predire Bene unità,
BENE Maggio non Avere A soggetto loro A tanto ulteriore test.
Se IL modello dà UN previsto fallimento modalità,
poi disse capace A Ottenere UN Testa inizio SU diagnosticare E fissaggio IL i problemi,
E possibilmente, BENE Maggio Essere capace A Ottenere Alcuni suggerimenti
SU Come A migliorare IL produzione processi In IL futuro.
Io sono andando A andare Attraverso IL sequenza
Di Come io si avvicinò rispondendo Questo domanda da IL dati.
io Volere A Dire A IL produzione Quello Questo È semplicemente IL sentiero Quello io Prendere
COME io chiesto domande Di IL dati E ha agito SU vari modelli Quello io Vedere.
Là Sono letteralmente molti altro modi Quello uno Potevo procedere con Questo.
C'è Spesso non Veramente UN veramente corretto risposta,
Appena UN criterio per se O non IL modello È Bene Abbastanza
E IL quantità Quello tu sei capace A Ottenere Fatto
In IL tempo Quello Voi Avere A Ottenere UN risultato Indietro.
io Avere NO dubbio Quello Là Sono Meglio Modelli fuori Là
di Che cosa io venni su con Qui.
Nostro obiettivo È A spettacolo UN effettivo processi Di affrontare UN predizione i problemi,
illustrando Come uno Potere mossa inoltrare
di iterando Attraverso cicli Di modellazione E visualizzazione,
seguito di osservando IL risultati E utilizzando loro A chiedere un altro domanda
Fino a BENE Trovare qualcosa Di UN risposta.
io Volere Essere utilizzando JMP COME UN statistiche Svizzera esercito coltello,
utilizzando molti utensili In JMP
E seguente IL intuizione io Avere Di modellazione dati
Quello ha costruito su Sopra molti anni.
Primo, andiamo Appena Prendere UN Aspetto
A IL frequenze Di IL vari test risultato categorie.
Noi Vedere Quello IL maggiore E maggior parte frequente categoria È Bene.
BENE probabilmente Avere IL maggior parte fortuna essendo capace A prevedere Quello categoria.
Sig IL altro mani, IL sos categoria ha soltanto due eventi
COSÌ suo andando A Essere molto difficile per noi A Essere capace A Fare tanto con Quello categoria.
Noi Maggio Avere A impostato Quello uno a parte.
BENE Vedere Di Quello.
Velocità II, IMP, E Freno
Sono Tutto abbastanza raro con cinque O sei eventi ogni.
Là Maggio Essere Alcuni limitazioni In Che cosa poi disse capace A Fare con loro COME BENE.
io Dire Questo Perché BENE Avere 174 osservazioni
E BENE Avere 63 predittori.
COSÌ BENE Avere UN molti Di predittori per UN molto piccolo numero Di osservazioni,
Quale È In realtà Anche più piccola Quando Voi prendere in considerazione IL frequenze
Di Alcuni Di IL categorie Quello poi disse provando A prevedere.
Abbiamo detto andando A Avere A lavoro iterativamente di facendo visualizzazioni In modellazione,
riconoscendo modelli, chiedendo domande,
E Poi recitazione SU quelli con un altro modellazione fare un passo iterativamente
In ordine A Trovare UN modello questo è tutto andando A Fare UN Bene lavoro
Di predire questi risposta categorie.
io Avere IL dati smistato di test risultati,
COSÌ Quello IL Bene risultati Sono A IL inizio,
seguito di ogni Di IL diverso fallimento modalità d questo morso dopo Quello.
io andato avanti E colorato ogni Di IL righe di test risultati COSÌ Quello BENE Potere Vedere
Quale osservazione appartiene A UN in particolar modo risposta categoria.
COSÌ Poi io andato in IL modello- guidato multivariato controllo grafico
E io portato In Tutto Di IL sensori COME processi variabili.
Da io avevo IL Bene test risultati A IL inizio,
io etichettato quelli COME storico osservazioni.
Questo ci da UN T² grafico.
Suo scelto 13 principale componenti COME suo base.
Che cosa BENE Vedere Qui
È Quello IL grafico È dominato di questi due punti Giusto Qui
E Tutto Di IL altro punti Sono molto piccolo In valore
parente A quelli due.
Questi due punti accadono A Essere l'SOS punti.
Essi Sono molto serio valori anomali In IL sensori letture.
Da BENE Anche soltanto Avere due osservazioni Di quelli,
Io sono andando A andare avanti E Prendere quelli fuori Di IL dati impostato
E Dire beh, SOS lo è ovviamente COSÌ Cattivo Quello IL sensori
Dovrebbe Essere Appena volare spento IL grafici.
Se BENE incontrare Esso, poi disse Appena andando A andare avanti
E Tentativo A preoccupazione noi stessi con IL altro valori
Quello non Avere Questo spento- IL- grafici comportamento.
Commutazione A UN tronco d'albero scala, BENE Vedere Quello IL Bene test risultati
Sono abbastanza BENE -educato.
Poi c'è decisamente segnali
In IL dati per IL diverso fallimento modalità.
Ora BENE Potere trapano giù UN poco bit più profondo,
prendendo UN Aspetto A IL contributo trame per IL storico dati,
IL Bene test risultato dati, E IL fallimento modalità
A Vedere Se noi modelli emergere In IL sensori Quello BENE Potere atto su.
Io sono andando A rimuovere quelli due SOS osservazioni
E Selezionare IL Bene unità.
Se io fare clic con il pulsante destro del mouse In IL complotto,
io Potere Portare su UN contributo complotto
per IL Bene unità, E Poi io Potere andare Sopra A IL unità
Dove Là era UN fallimento, E io Potere Fare IL Stesso cosa
E BENE Essere capace A confrontare IL contributo trame lato di lato.
COSÌ Che cosa BENE Vedere Qui Sono IL contributo trame
per IL passaggio unità E IL fallire unità.
IL contributo trame
Sono IL quantità Quello ogni colonna È contribuendo A IL T ²
per UN in particolar modo riga.
Ciascuna di IL barre Là corrispondere A UN individuale sensori per Quello riga.
Contributo trame Sono colorato verde Quando Quello colonna È entro tre sigma,
utilizzando UN individui E in movimento allineare grafico,
E suo rosso Se suo fuori Di controllo.
Aspetto BENE Vedere maggior parte Di IL sensori Sono In controllo per IL Bene unità,
E maggior parte Di IL sensori Sono fuori Di controllo per IL fallito unità.
Che cosa io era sperando per Qui
volevo Avere stato Se Là era soltanto UN sottoinsieme Di IL colonne
O sensori Quello Prendere fuori Di controllo presso il IL fallito unità.
O Se io era capace A Vedere modelli
Quello cambiato attraverso IL diverso fallimento modalità,
Quale volevo aiuto Me isolato Che cosa variabili Sono importante
per predire IL test risultato risultato.
Purtroppo, bello tanto Tutto Di IL sensori
Sono In controllo Quando cose Sono Bene,
E maggior parte Di loro Sono fuori Di controllo Quando cose Sono Cattivo.
Quindi lo faremo Avere A utilizzo Alcuni Di più sofisticato modellazione
A Essere capace A attrezzatura Questo predizione problema.
Avendo non trovato nulla In IL colonna contributi trame,
Io sono andando A Indietro su E ritorno A IL due Modelli Quello Ron trovato.
Aspetto Sono IL colonna contributi per quelli due Modelli,
E BENE Vedere Quello c'è Alcuni accordo In termini Di
Che cosa Sono IL maggior parte importante sensori.
Ma potenziato albero trovato UN un po' più grandi impostato Di sensori COME essendo importante
Sopra IL bootstrap foresta.
Quale Di questi due Modelli Dovrebbe BENE Fiducia Di più?
Se BENE Aspetto A IL complessivamente modello adatto rapporto,
BENE Vedere Quello IL potenziato albero modello ha UN molto alto formazione Rs piazza Di 0,998
E UN un po' più piccolo v alidazione Rs piazza Di 0,58.
Questo sembra Piace UN eccessivo situazione.
Quando BENE Aspetto A IL casuale foresta, Esso ha UN un po' più piccola formazione Rs piazza,
Forse UN Di più realistico uno, di IL bootstrap foresta,
E esso ha UN un po' più grandi convalida Rs piazza.
IL generalizzazione prestazione Di IL casuale foresta
È fiduciosamente UN poco bit Meglio.
Io sono inclinato A Fiducia IL casuale foresta modello UN poco bit Di più.
Parte Di Questo È andando A Essere basato su Appena IL folclore Di questi due Modelli.
Potenziato alberi Sono rinomato per essendo veloce, altamente accurato Modelli
Quello lavoro BENE SU molto grande set di dati.
Mentre IL sentito dire È Quello casuale foreste Sono Di più accurato SU più piccola set di dati.
Essi Sono abbastanza robusto, disordinato, E rumoroso dati.
C'è UN lungo storia Di utilizzando questi Tipo Di Modelli
per variabile selezione Quello va Indietro A UN carta In 2010
Quello ha stato citato Quasi 1200 volte.
COSÌ Questo È UN popolare approccio per variabile selezione.
io fatto UN simile ricerca per potenziamento,
E io non l'ho fatto abbastanza Vedere COME tanto storia in giro variabile selezione
per potenziato alberi COME io fatto per casuale foreste.
Per Questo dato dati impostare r Giusto Qui,
BENE Potere Fare UN sensibilità analisi A Vedere Come affidabile
IL colonna contributi Sono per questi due diverso approcci,
utilizzando IL simulazione capacità In JMP il prof.
Che cosa BENE Potere Fare È creare UN casuale convalida colonna
Quello È UN formula colonna
Quello Voi Potere reinizializzare E Volere partizione IL dati
in casuale formazione E resistere imposta Di IL Stesso porzioni
COME IL originale convalida colonna.
Noi Potere Avere Esso ripetere questi due analisi
E Mantenere traccia Di IL colonna contributo porzioni
per ogni Di questi ripartizionamenti.
Noi Potere Vedere Come coerente IL la storia è
fra IL potenziato albero Modelli E IL casuale foreste.
Questo È bello facile A Fare.
Andiamo e basta A IL Fare Validazione Colonna utilità
E Quando BENE Fare UN nuovo colonna, BENE chiedere Esso A Fare UN formula colonna
COSÌ quello Potevo Essere reinizializzato.
Poi BENE Potere ritorno A IL bootstrap foresta piattaforma,
Giusto- clic SU IL colonna contributo porzioni,
Selezionare Simulare.
Sara Portare su UN dialogo
chiedendo noi Quale Di IL ingresso colonne BENE Volere A interruttore fuori.
Io sono andando A scegliere IL convalida colonna,
E Io sono andando A interruttore In in sostituzione Di Esso,
Questo casuale convalida formula colonna.
Abbiamo detto andando A Fare questo cento volte.
Bootstrap foresta È andando A Essere ripetere
utilizzando nuovo casuale partizioni Di IL dati in formazione E convalida.
Abbiamo detto andando A Aspetto A IL distribuzione Di IL porzioni
attraverso Tutto IL simulazione corre.
Questo Volere creare UN set di dati
Di colonna contributo porzioni per ogni sensori.
Noi Potere Prendere Questo E andare in IL grafico costruttore
E Prendere UN Aspetto E Vedere Come coerente quelli colonna contributi Sono
attraverso Tutto questi casuale partizioni Di IL dati.
Aspetto È UN complotto Di IL colonna contributo porzioni
da ogni Di IL 100 casuale rimpasti Di IL convalida colonna.
Quei punti BENE Vedere In grigio qui,
Sensore 18 sembra A Essere costantemente UN grande collaboratore, COME fa Sensore 61.
Noi Anche Vedere con questi rosso croci,
quelli Sono IL colonna contributi da IL originale analisi Quello Ron fatto.
IL complessivamente storia Quello Questo racconta È Quello IL tendenza
io S Quello ogni volta IL originale colonna contributo era piccolo
quelli Rif simulato colonna contributi Anche curato A Essere piccolo.
Quando IL colonna contributi Prendere grande In IL originale analisi,
Essi curato A rimanere grande.
Abbiamo detto ottenere UN relativamente coerente storia da IL bootstrap foresta
In termini Di Che cosa colonne Sono importante.
Ora BENE Potere Fare IL Stesso cosa con IL potenziato albero,
E IL risultati non lo sono abbastanza COME coerente COME Essi Prendere con IL bootstrap foresta.
COSÌ Qui È UN grappolo Di colonne
Dove IL iniziale colonna contributi venni fuori molto piccolo
Ma Essi avevo UN Di più sostanziale contributo
In Alcuni Di IL casuale rimpasti Di IL convalida colonna.
Quello Anche accaduto abbastanza UN bit finito con questi Colonne 52 Attraverso 55 Sopra Qui.
Poi Là Prendere Anche Alcuni situazioni
Dove IL originale colonna contributo era abbastanza grande,
E maggior parte, Se non Tutto,
Di IL altro colonna contributi trovato In IL simulazioni Prendere più piccola.
Quello accade Qui con Colonna 48,
E A Alcuni estensione Anche con Colonna 11 Sopra Qui.
IL complessivamente conclusione essendo Quello io pensare Questo convalida mescolamento
È indicando Quello BENE Potere Fiducia IL colonna contributi
da IL bootstrap foresta A Essere Di più stabile di quelli Di IL potenziato albero.
Basato su Questo confronto, io pensare io Fiducia IL colonna contributi
da IL bootstrap foresta Di più,
E Io sono andando A utilizzo IL colonne Quello Esso consigliato
COME IL base per Alcuni altro Modelli.
Che cosa Id Piace A Fare
È Trovare UN modello Quello È Entrambi più semplice di IL bootstrap foresta modello
E esegue Meglio In termini Di convalida impostato prestazione
per predire passaggio O fallire.
Prima procedere con IL Prossimo modellazione cose
Io sono andando A Fare qualcosa Quello io Dovrebbe Avere probabilmente Fatto A IL molto inizio,
Quale È A Prendere UN Aspetto A IL sensori In UN grafico a dispersione matrice
A Vedere Come correlato IL sensori letture Sono,
E Anche Aspetto A istogrammi Di loro COME BENE A Vedere Se Loro sono anomalo incline
o pesantemente distorto O Altrimenti altamente non- gaussiano.
Che cosa BENE Vedere Qui È Là È bello forte multicollinearità
tra IL ingresso variabili generalmente.
Abbiamo detto soltanto guardare A UN sottoinsieme Di loro Qui,
Ma Questo alto multicollinearità persiste attraverso Tutto Di IL sensori letture.
Questo suggerimenti Quello per Nostro Modelli,
BENE Dovrebbe Tentativo cose Piace IL la logistica lazo,
IL la logistica elastico Internet, O una logistica cresta regressione
COME candidati per Nostro modello A prevedere passaggio O fallire.
Prima BENE Fare Quello BENE Dovrebbe andare avanti
E Tentativo A trasformare Nostro sensori letture Qui
COSÌ Quello Loro sono UN poco bit Meglio- educato E Di più gaussiano- guardare.
Questo È In realtà Veramente facile In JMP
Se Voi Avere Tutto Di IL colonne su In IL distribuzione piattaforma,
Perché Tutto Voi Avere A Fare È Presa giù alt , scegliere Adatto Johnson,
E Questo Volere adatto Johnson distribuzioni A Tutto IL ingresso variabili.
Questo È UN famiglia Di distribuzioni
Quello È basato SU UN quattro parametri trasformazione A normalità.
COME UN risultato, BENE Avere UN Carino caratteristiche In Là
Quello BENE Potere Anche trasmissione utilizzando l'alt Clic,
Dove BENE Potere salva UN trasformazione da IL originale scala
A UN scala Quello fa IL colonne Di più normalmente distribuito.
Se BENE andare Indietro A IL dati tavolo,
BENE Vedere Quello per ogni sensori colonna, UN trasformare colonna ha stato aggiunto.
Se BENE Portare questi trasformato colonne su con UN grafico a dispersione matrice
E alcuni istogrammi,
BENE ovviamente Vedere Quello IL dati Sono meno distorto
E Di più normalmente distribuito di IL originale sensori colonne Prendere.
Ora IL bootstrap foresta modello Quello Ron trovato
soltanto Veramente consigliato UN piccolo numero Di colonne
per utilizzo In IL modello.
Perché Di IL alto collinearità tra IL colonne,
IL sottoinsieme Quello BENE avuto Potevo facilmente Essere parte
Di UN più grandi gruppo Di colonne Quello Sono correlati con uno un altro.
Esso Potevo Essere benefico A Trovare Quello più grandi gruppo Di colonne
E lavoro con Quello A IL Prossimo modellazione palcoscenico.
UN esplorativo modo A Fare Questo
È A andare Attraverso IL grappolo variabili piattaforma nel JMP .
Abbiamo detto andando A lavoro con IL normalizzato versione Di IL sensori
Perché Questo piattaforma È PCA E fattore analisi basato,
E Volere fornire Di più affidabile risultati Se poi disse lavorando con dati
Quello Sono circa normalmente distribuito.
Una volta poi disse In IL variabile raggruppamento piattaforma,
BENE Vedere Quello Là È molto chiaro,
forte associazioni tra IL ingresso colonne.
Esso ha identificato Quello Là Sono Sette cluster,
E IL maggiore grappolo, IL uno Quello spiega IL maggior parte variazioni,
ha 25 membri.
IL impostato Di grappolo membri È elencato Qui SU IL Giusto.
Andiamo confrontare Questo con IL bootstrap foresta.
Aspetto SU IL Sinistra, BENE Avere IL colonna contributi
da IL bootstrap foresta modello Quello Voi Dovrebbe Essere familiare con di Ora.
Sig IL Giusto BENE Avere IL elenco Di membri
Di Quello maggiore grappolo Di variabili.
Se BENE Aspetto da vicino BENE Vedere Quello IL i primi sette contribuendo termini
Tutto accadere A appartenere A Questo grappolo.
Io sono andando A ipotizzare Quello Questo impostato Di 25 colonne
Sono Tutto imparentato A Alcuni sottostante meccanismo
Quello cause IL unità A passaggio O fallire.
Che cosa io Volere A Fare Prossimo È io Volere A adatto Modelli
utilizzando IL generalizzato regressione piattaforma con IL variabili In Grappolo 1 Qui.
Esso volevo Essere noioso Se io avevo A andare Attraverso
E individualmente scegliere questi colonne fuori E Mettere loro in IL lancio dialogo.
Fortunatamente, c'è UN tanto Più facile modo
Dove Voi Potere Appena Selezionare IL righe In Quello tavolo
E IL colonne Volere Essere selezionato In IL originale dati tavolo
COSÌ Quello Quando BENE andare in IL adatto modello lancio dialogo,
BENE Potere Appena clic Aggiungere
E quelli colonne Volere Essere automaticamente aggiunto per noi COME modello effetti.
Una volta io avuto in IL Generalizzato Regressione piattaforma,
io andato avanti E adatto UN lazo modello E elastico netto modello
E UN cresta modello avere loro rispetto Qui A ogni altro,
E Anche A IL la logistica regressione modello Quello venni su di predefinito.
Abbiamo detto vedendo Quello IL lazo modello È facendo UN poco bit Meglio di IL riposo
In termini Di suo convalida generalizzato Rs piazza.
IL differenza fra questi metodi
È Quello c'è diverso importi Di variabile selezione
E multicollinearità gestione In ogni Di loro.
Regressione logistica ha NO multicollinearità gestione
E NO variabile selezione.
IL lazo È Di più Di UN variabile selezione algoritmo,
Anche se Esso ha UN poco bit Di multicollinearità gestione In Esso
Perché suo UN penalizzato metodo.
Cresta regressione ha NO variabile selezione
E È pesantemente orientata in giro multicollinearità gestione.
IL elastico netto È UN ibrido fra IL lazo E cresta regressione.
In Questo caso, Che cosa BENE Veramente cura Di
È Appena IL modello questo è tutto andando A eseguire IL migliore.
Noi permettere IL convalida A guida noi.
Abbiamo detto andando A Essere lavorando con IL lazo modello da Qui SU.
Ecco IL predizione profilatore per IL lazo modello Quello era selezionato.
Noi Vedere Quello IL lazo algoritmo ha selezionato otto sensori
COME essendo predittivo Di passaggio O fallire.
Esso ha Alcuni Grande strumenti integrati
per comprensione Che cosa IL importante variabili Sono,
Entrambi In IL modello complessivamente E nuovo A JMP il prof 17,
BENE Avere IL capacità A capire
Che cosa variabili Sono maggior parte importante per UN individuale predizione.
Noi Potere utilizzo IL variabile importanza utensili A risposta IL domande,
"Che cosa Sono IL importante variabili In IL modello?"
Noi Avere UN varietà Di diverso opzioni per Questo.
Noi Avere UN varietà Di diverso opzioni per Come Questo Potevo Essere Fatto.
Ma Perché Di IL multicollinearità E Perché Questo È non un molto grande Modelli,
Io sono andando A andare avanti
E utilizzo IL dipendente ricampionato input tecnica,
Da BENE Avere multicollinearità In IL dati,
E Questo ha dato noi UN classifica Di IL maggior parte importante termini.
Noi Vedere Quello Colonna 18 È IL maggior parte importante,
seguito di Colonna 27 E Poi 52, Tutto IL modo giù.
Noi Potere confrontare Questo A IL bootstrap foresta Modelli,
E BENE Vedere Quello c'è accordo Quello Variabile 18 È importante,
lungo con 52, 61, E 53.
Ma uno Di IL termini Quello BENE Avere tirato In
Perché Di IL variabile raggruppamento fare un passo Quello BENE avevo Fatto,
Sensore 27 giri fuori A Essere IL secondo maggior parte importante predittivo
In Questo lazo modello.
Noi abbiamo fiduciosamente guadagnato qualcosa di fusione UN più ampio netto Attraverso Quello fare un passo.
Noi abbiamo trovato UN termine Quello non l'ho fatto giro su
In O Di IL bootstrap foresta O IL potenziato albero metodi.
Noi Anche Vedere Quello IL lazo modello ha UN Rs piazza Di 0,9,
mentre IL bootstrap foresta modello avevo UN Rs piazza Di 0,8.
Abbiamo UN più semplice modello Quello ha UN Più facile modulo A capire
E È Più facile A lavoro con
E Anche ha UN più alto predittivo capacità di IL bootstrap foresta modello.
Ora, IL variabile importanza metrica In IL profilatore
Avere stato Là per abbastanza Alcuni tempo.
IL domanda Quello Essi risposta È "Quale predittori Avere il più grande impatto
SU IL forma Di IL risposta superficie Sopra IL dati O Sopra UN regione?"
In JMP 17 professionista, BENE Avere UN nuovo tecnica chiamato SHAP Valori
Quello È UN additivo decomposizione Di UN individuale predizione.
Esso racconta Voi di Come tanto ogni individuale variabile contribuisce
A UN separare predizione,
Piuttosto di parlando Di variabilità spiegato Sopra IL Totale spazio.
IL risoluzione Di IL domanda questo è tutto rispose di Shapley valori
È lontano Di più Locale di O IL variabile importanza utensili
O IL colonna contributi i N IL bootstrap foresta.
Noi Potere ottenere IL Shapley Valori di andando A IL rosso triangolo menù per IL profilatore,
E BENE Trovare IL opzione per loro Sopra Qui, quarto da IL metter il fondo a.
Quando BENE scegliere IL opzioni, IL profilatore salva Indietro SHAP colonne
per Tutto Di IL ingresso variabili A IL modello.
Questo È Di corso, accadendo per ogni riga In IL tavolo.
Che cosa Voi Potere Vedere È Quello IL SHAP V valori Sono dando Voi IL effetto
Di ogni Di IL colonne SU IL predittivo modello.
Questo È utile In UN Totale molti Di diverso modi,
E per Quello motivo, suo avuto UN molti Di Attenzione in intelligibile l'intelligenza artificiale,
Perché Esso consente noi A Vedere
cosa il contributi Sono Di ogni colonna A UN nero scatola modello.
Qui, Io ho tracciato IL SHAP V valori per IL colonne Quello Sono predittivo
In IL scorso vestibilità del modello Quello BENE Appena costruito.
Se BENE attivare/disattivare Indietro E via fra IL Bene unità E IL unità Quello fallito,
BENE Vedere IL Stesso storia Quello noi abbiamo stato vedendo
con IL variabile importanza metrica per Questo
Quello Colonna 18 E Colonna 27 Sono importante In predire passaggio O fallire.
Abbiamo detto vedendo Questo A UN più alto livello Di risoluzione
di BENE Fare con IL variabile importanza metrica,
Perché ogni Di questi punti corrisponde A UN individuale riga
In IL originale set di dati.
Ma In Questo caso, io non Vedere IL SHAP Valori
Veramente dando noi noi nuovo informazione.
io avevo sperato Quello di commutazione Attraverso
IL altro fallimento modalità, Forse io Potevo Trovare UN modello
A aiuto burlone fuori diverso sensori
Quello Sono Di più importante per in particolar modo fallimento modalità.
Ma IL soltanto cosa io era capace A Trovare era Quello Colonna 18
avevo UN un po' più forte impatto SU IL Velocità Tipo 1 fallimento modalità
di IL altro fallimento modalità.
A Questo punto, noi abbiamo avevo Alcuni riuscito
utilizzando quelli Grappolo 1 colonne In UN binario passaggio/ fallire modello.
Ma Quando io rotto fuori IL SHAP Valori
per Quello Modelli, di IL diverso modalità di guasto
io non lo era capace A discernere UN modello O tanto Di UN modello.
Che cosa io fatto Prossimo era io andato avanti
E adatto IL fallimento modalità risposta colonna test risultati
utilizzando IL Grappolo 1 colonne,
Ma io andato avanti E escluso Tutto IL passaggio righe
COSÌ Quello IL modellazione procedura volevo messa a fuoco esclusivamente
SU discernente Quale fallimento modalità è dato Quello BENE Avere UN fallimento.
io provato IL multinomiale lazo, elastico Internet, E cresta,
E io era in particolar modo Contento con IL lazo modello
Perché Esso ha dato Me UN convalida Rs piazza Di Di 0,94.
Avendo stato bello Contento con Quello
io andato avanti E salvato IL probabilità formule
per ogni Di IL fallimento modalità.
Ora IL compito È A Venire su con UN semplice regole
Quello inviare processi Quello predizione formula
A Fare UN decisione Di Quale fallimento modalità.
io chiamata Questo IL partizione trucco.
Il trucco della partizione è Dove io Mettere In IL probabilità formule
per UN categorico risposta, O Anche UN multinomiale risposta.
io Mettere quelli probabilità formule In come Xs.
io utilizzo Mio categorico risposta COME Mio Y.
Questo È IL Stesso risposta Quello era usato
per Tutto Di questi tranne per passaggio In realtà.
io conservare IL Stesso convalida colonna Quello Io ho stato lavorando con IL Totale tempo.
Ora Quello Io sono In IL partizione piattaforma,
Io sono andando A colpo Diviso UN coppia Di volte, E Io sono andando A Speranza
Quello io FINE su con UN facilmente comprensibile decisione regole
questo è tutto facile A comunicare.
Quello Maggio O Maggio non accadere.
A volte Esso lavori, A volte Esso no.
COSÌ io diviso una volta, E BENE FINE su vedendo Quello
ogni volta IL probabilità Di passaggio È più alto di 0,935,
BENE Quasi certamente Avere UN passaggio.
Non molti passa Sono Sinistra Sopra SU IL altro lato.
io Prendere un altro diviso.
Noi Trovare UN decisione regole SU ITM
Quello È altamente predittivo Di ITM COME UN fallimento modalità.
Diviso Ancora.
Noi Trovare Quello ogni volta Il motore È meno di 0,945,
poi disse O predire Il motore O Freno.
Noi Prendere un altro diviso.
Noi Trovare Quello ogni volta Velocità Tipo 1, la sua probabilità È più grande di 0,08
o probabile In UN Velocità Tipo 1 situazione O In UN Velocità T sì 2 situazione.
Ogni volta Velocità Tipo 1 È meno di 0,79,
poi disse probabilmente In UN pinza fallimento modalità O UN IMP fallimento modalità.
Che cosa Fare BENE Avere Qui? Noi Avere UN semplice decisione regole.
Abbiamo detto andando A non Essere capace A rottura questi fallimento modalità giù tanto ulteriore
per colpa di IL molto piccolo numero Di effettivo eventi Quello BENE Avere.
Ma BENE Potere giro Questo in UN semplice regole
per identificandosi unità Quello Sono probabilmente Bene,
E Se Loro sono non, BENE Avere UN idea Di Dove A Aspetto A aggiustare IL problema.
Noi Potere salva Questo decisione regole fuori COME UN foglia etichetta formula.
Noi Vedere Quello SU IL convalida impostato,
Quando BENE prevedere suo Bene, è buono soprattutto Di IL tempo.
Noi fatto Avere uno classificazione errata Di UN Velocità Tipo 2 fallimento
Quello era In realtà previsto A Essere Bene.
Prevedere pinze O IMP, suo Tutto Sopra IL posto.
Quello foglia era non super utile.
Prevedere L'ITM lo è 100 %.
Ogni volta BENE prevedere UN il motore O Freni,
SU IL convalida impostato, BENE Avere UN il motore O UN freno fallimento.
Quando BENE prevedere UN Velocità Tipo 1 o 2,
Esso fatto UN bello Bene lavoro Di raccolta Quello su
con Quello uno eccezione Di IL separare Velocità Tipo 2 unità
Quello era In IL convalida impostato,
E Quello accaduto A Avere stato classificato erroneamente.
Noi Avere UN facilmente operativo regole Qui Quello Potevo Essere usato A ordinare prodotti
E Dare noi UN Testa inizio SU Dove BENE Bisogno A Aspetto A aggiustare cose.
io pensare Questo era UN bello stimolante i problemi,
Perché BENE non l'ho fatto Avere UN Totale molti Di dati.
Ma BENE non l'ho fatto Avere UN molti Di righe,
Ma BENE avevo UN molti Di diverso categorie A prevedere
e un Totale molti Di possibile predittori A utilizzo.
Noi abbiamo avuto Là di prendendo UN serie Di passi,
chiedendo domande,
A volte prendendo UN fare un passo Indietro E chiedendo UN più grande domanda.
Altro volte, restringimento In SU in particolar modo sub- problemi.
A volte Nostro escursioni Prendere fruttuoso, E A volte Essi non lo erano.
Nostro scopo Qui È A illustrare
Come Voi Potere fare un passo Attraverso UN modellazione processi,
Attraverso Questo sequenza Di chiedendo domande
utilizzando modellazione E visualizzazione utensili A guida tuo Prossimo passi,
E in movimento SU Fino a tu sei capace A Trovare
UN utile, attuabile, predittivo modello.
Grazie Voi molto tanto per tuo Attenzione.
Noi Aspetto inoltrare A parlando A Voi In Nostro Domande e risposte sessione in arrivo su Prossimo.
