こんにちは、私はロンケネス。
これはあるジョイント話すとクリスゴットワルト。
私たちは言った行くに話すにあなたについてモデル。
モデルは使用済み広範囲に。
私たちは希望に持ってくるいくつかの追加視点
の上どうやってに使用モデルで一般的な。
私たちは電話の話す
"違う目標、違うモデル:
どうやってに使用モデルに研ぐあなたの質問です。」
私の一部意思なれのイントロ、そして病気与えるの例。
あなたはそうするだろう持っているアクセスにのデータ私はを使用しています。
それからクリス意思続くとともにもっと複雑な例、
導入のシャープ価値観利用可能でJMP 17、
そして提供するいくつかの結論。
私たちは全て知るそれ全てモデルは間違っている、
しかしいくつかのは役に立つ。
サムカーリン言った何か違う。
おい言ったそれの目的のモデルはないにフィットのデータ、
しかしに研ぐの質問。
それからこれ男、パブロピカソ、おい言った何かが入っている...
おい死亡しましたで1973年それであなたできる想像するいつこれだった言った。
私考えるでの早い'70 s.
「コンピュータは使い物にならない。 彼らはできるのみ与えるあなたと答える。」
おいはもっとでラインとカーリン。
私の取るの上これはそれです
これはプレゼントです重要な違い間あるモデルそしてあるコンピュータープログラム。
私は探しているでのモデルからある統計学者の視点。
取引とボックスの有名な声明。
"はい、いくつかのは役に立つ。どれのものは？」
お願いしますヘルプ私たち。
何をするかあなた平均によるいくつかのは役に立つ？
そのないとても役に立つに言うそれ。
カーリンに行くと、 「研ぐの質問。"
わかった、それでおしまいある良いアイデア。
どうやってする良いするそれ？
のポイントはそれ箱らしい集中したデータ分析フェーズについて
統計のライフサイクルビューでは、問題の抽出から始まり、
動くにゴール配合、データコレクション、データ分析、
調査結果、運用化の見つける
コミュニケーション的な調査結果、そしてインパクト評価。
カーリンはもっと集中したの上の問題引き出し段階。
これら二引用の箱そしてカーリン
参照するに違う段階でこれ人生サイクル。
のデータ私は行くに使用はの工業用データセット、
174 件の観察。
私たちは持っているセンサーデータ。
私たちは持っている63センサー。
彼らですラベルが貼られた1、2、3、4に63.
私たちは持っている二応答変数。
これらは到来からテストいくつかのシステム。
の状態報告は不合格/合格。
52.8%ののシステムそれ取るテストされた失敗した。
私たちは持っている別の報告、
どれのはあるもっと詳しい報告の上テスト結果。
いつシステム失敗、
良い持っているいくつかの分類のの失敗。
テスト結果はもっと詳しい。
状態は行く/行かない。
のゴールはに決定するのシステム状態からのセンサーデータ
それでそれ良いできる多分避けるの費用そして遅れのテスト、
そして良いできる持っているいくつかの早い予測の上の信仰ののシステム。
1つアプローチ良いできる取るはに使用あるブーストされた木。
私たちは置くの状態応答として、63 個のセンサー X が考慮されます。
のブーストされた木は訓練された順次、 1つ木である時間。
Tおい他のモデルそれから言いました行くに使用はランダム森、
そしてそれでおしまい終わりと独立した木。
そこにははある一連側面でブーストされた木
それは違うからランダム森林。
の設定のブーストされた木含まれる三つパラメーター：
の番号の木、深さの木、そしての学ぶレート。
これは何JMP与えるとしてデフォルト。
ブーストされた木できるなれ使用済みに解決するほとんど客観的機能。
私たちはできた使用それのためにポワソン回帰、
どれのは取引するとカウントそれはあるビットもっと強くに成し遂げる
とランダム森林。
私たちは言った行くに集中の上これら二種類のモデル。
いつ良い適用するのブーストされた木、
そして良い持っているある検証セット上
と43システム描かれた無作為にとしての検証セット。
131 システム使用されているのためにのトレーニングセット。
私たちはは取得ある9.3%誤分類レート。
三つ失敗したシステム。
私たちは知る彼らは失敗したなぜなら良い持っているそれでのデータ、
取る実は機密扱いとして合格。
の20それ合格した、 19取る機密扱いとして合格。
の間違い予測された合格は13 %。
私たちはできる見てでの変数カラム貢献。
私たちは見るそれセンサー56、 18、 11、そして61はの上四
で条項の貢献するにこれ分類。
私たちは見るそれでのトレーニングセット、良い持っていたゼロ誤分類。
私たちはかもしれない持っているいくつかの以上私をフィッティングnこれBT応用。
もし良い見てでのリフト曲線、
40 %ののシステム、良いできる得る以上二リフト
どれのはこの分類器がもたらすパフォーマンス。
もし良い試すのブーイングトラップ森、
別のオプション、また、良いするの同じもの。
私たちは使用の同じ検証セット。
のデフォルトのJMPは与えるあなたはいくつかパラメーター
のためにの番号の木
そしての番号の特徴になれ選択されたでそれぞれモード。
これはどうやってのランダム森動作します。
あなたすべきなれわかっているそれこれはないとても良い
もしあなた持っているカテゴリー的な変数そしてないデータ、
どれのはない私たちの場合ここ。
今、の誤分類レートは6.9、より低いよりも前に。
氏のトレーニングセット、良い持っていたいくつかの誤分類。
のランダム森適用済みにのテスト状態、
どれの手段いつ良い持っているの詳細の上の失敗は23.4、
それで悪いパフォーマンス。
また、の上のトレーニングセット、良い持っている5%誤分類。
しかし良い持っている今あるもっと広い範囲のオプション
それは説明していますいくつかのののより低いパフォーマンス。
でのリフト曲線の上のテスト結果、
良い実はととても良いパフォーマンス、
できる選ぶ上の上10 %ののシステムとあるてこの作用のその上10.
それで良い持っている10以上折り畳み増加のために10 %ののシステム
相対的にの壮大な平均。
今これはポーズをとるある質問-覚えてのトピックのの話す-
何は良い探しているで？
する良い欲しいに識別する上スコア良いシステム？
のランダム森するだろうするそれとのテスト結果。
またはする良い欲しいに予測するある高い割合の合格？
のブートストラップツリーするだろうオファーそれ。
あ二次的質問はに見てで何は影響これ分類。
私たちはできる見てでのカラム貢献の上のブーストされた木。
三つののフォートップ変数見せる上またの上のランダム森。
もし良い使用の状態合格/不合格、
またはの詳しい結果、
そこにははあるたくさんの類似性の上の重要性ののセンサー。
これはただ与えるあなたいくつかの背景。
クリスは行くにフォローする上との評価のの感度
のこれ変数重要性、の使用のシャープv価値観
そしてさらに興味深いもの。
これ行きます戻るに質問する何はあなたのゴール、
そしてどうやってはのモデル助けるあなた形外のゴール
そして多分研ぐの質問それ来るからの声明ののゴール。
クリス、その全てあなたのもの。
ありがとう、ロン。
私は行くに選ぶ上からどこロンやめた
そして求めるあるモデルそれ意思予測するかどうかまたはないあるユニットは良いまたはない、
そしてもしそれそうではありません何ですかのおそらく失敗モードそれもっている結果？
これするだろうなれ役に立つその中でもしあるモデルは良いで予測する良い単位、
良い5月ない持っているに主題彼らに多くのさらに遠くテスト中。
もしのモデル与えるある予測された失敗モード、
それから言いましたできるに得るある頭始めるの上診断するそして固定するの問題、
そしておそらく、良い5月なれできるに得るいくつかのヒント
の上どうやってに改善するの生産プロセスでの未来。
私は行くに行くを通しての順序
のどうやって私近づいた答えるこれ質問からのデータ。
私欲しいに言うでの出力それこれは単にのパスそれ私取る
として私尋ねた質問ののデータそして行動したの上様々なパターンそれ私見る。
そこにはは文字通り多くの他の方法それ1つできた進むとこれ。
あるよ頻繁ない本当にある本当に正しい答え、
ただある基準のためにかどうかまたはないのモデルは良い十分
そしての額それあなたはできるに得る終わり
での時間それあなた持っているに得るある結果戻る。
私持っているいいえ疑いそれそこにははより良いモデル外そこには
よりも何私来た上とここ。
私たちのゴールはに見せるの実際のプロセスの取り組むある予測問題、
説明するどうやって1つできる動くフォワード
による反復するを通してサイクルのモデリングそして視覚化、
フォローしましたによる観察するの結果そしてを使用して彼らに聞く別の質問
それまで良い探す何かのの答え。
私意思なれを使用してJMPとしてある統計スイス軍ナイフ、
を使用して多くのツールでJMP
そして続くの直感私持っているについてモデリングデータ
それもっている建てられた上以上多くの年。
初め、しましょうただ取るある見て
での周波数のの様々なテスト結果カテゴリー。
私たちは見るそれの最大そしてほとんど頻繁カテゴリーは良い。
良いおそらく持っているのほとんど運いるできるに予測するそれカテゴリー。
氏の他の手、のSOSカテゴリーもっているのみ二イベント
それでその行くになれとても難しいのために私たちになれできるにする多くのとそれカテゴリー。
私たちは5月持っているにセットそれ1つ別に。
良い見るについてそれ。
ベロシティⅡ、インプ、そしてブレーキ
は全てかなりレアと五または六イベントそれぞれ。
そこには5月なれいくつかの制限事項で何それから言いましたできるにすると彼らとして良い。
私言うこれなぜなら良い持っている174観察
そして良い持っている63予測者。
それで良い持っているあるたくさんの予測子のためにあるとても小さい番号の観察、
どれのは実は平小さいいつあなた考慮するの周波数
のいくつかのののカテゴリそれそれから言いました試していますに予測する。
私たちは言った行くに持っているに仕事繰り返しによるやってる視覚化でモデリング、
認識するパターン、尋ねる質問、
そしてそれから演技の上それらのと別のモデリングステップ繰り返し
で注文に探すあるモデルそれでおしまい行くにするある良い仕事
の予測するこれら応答カテゴリー。
私持っているのデータ並べ替えられたによるテスト結果、
それでそれの良い結果はでの始まり、
フォローしましたによるそれぞれのの違う失敗モードdこの一口その後それ。
私行った先にそして色付きのそれぞれのの行によるテスト結果それでそれ良いできる見る
どれの観察所属するにある特に応答カテゴリー。
それでそれから私行ったの中へのモデル-駆動される多変量コントロールチャート
そして私持ってくるで全てののセンサーとしてプロセス変数。
以来私持っていたの良いテスト結果での始まり、
私ラベルが貼られたそれらのとして歴史的な観察。
これ私たちに与えてくれるあるT²チャート。
その選ばれた13主要コンポーネントとしてその基礎。
何良い見るここ
はそれのチャートは支配されたによるこれら二ポイント右ここ
そして全てのの他のポイントはとても小さいで価値
相対的にそれらの二。
この2点が起こるになれSOSポイント。
彼らははとても深刻な外れ値でのセンサー読み物。
以来良いまたのみ持っている二観察のそれらの、
私は行くに行く先にそして取るそれらの外ののデータセット
そして言うまあ、SOSは明らかにそれで悪いそれのセンサー
すべきなれただ飛行オフのチャート。
もし良い出会いそれ、それから言いましたただ行くに行く先に
そして試すに懸念私たち自身との他の価値観
それしないでください持っているこれオフ-その-チャート行動。
スイッチングにあるログ規模、良い見るそれの良いテスト結果
はかなり良い-行儀よくした。
それからあるよ絶対に信号
でのデータのためにの違う失敗モード。
今良いできるドリル下ある少しビットもっと深く、
取るある見てでの貢献プロットのためにの歴史的なデータ、
の良いテスト結果データ、そしての失敗モード
に見るもし私たちパターン出現するでのセンサーそれ良いできる活動その上。
私は行くに取り除くそれらの2つのSOS観察
そして選択するの良い単位。
もし私右クリックでのプロット、
私できる持ってくる上ある貢献プロット
のためにの良い単位、そしてそれから私できる行く以上にの単位
どこそこにはだったある失敗、そして私できるするの同じもの
そして良いなれできるに比較するの貢献プロット側による側。
それで何良い見るここはの貢献プロット
のためにの合格単位そしての失敗単位。
の貢献プロット
はの額それそれぞれカラムは貢献するにのT ²
のためにある特に行。
それぞれののバーそこには対応するにの個人センサーのためにそれ行。
貢献プロットは色付きの緑いつそれカラムは内で三つシグマ、
を使用しての個人そして移動中範囲チャート、
そしてその赤もしその外のコントロール。
見て良い見るほとんどののセンサーはでコントロールのためにの良い単位、
そしてほとんどののセンサーは外のコントロールのためにの失敗した単位。
何私だった願ってのためにここ
するだろう持っているされたもしそこにはだったのみあるサブセットのの列
またはセンサーそれ取る外のコントロール終わったの失敗した単位。
またはもし私だったできるに見るパターン
それかわった横切っての違う失敗モード、
どれのするだろうヘルプ自分隔離する何変数は重要
のために予測するのテスト結果結果。
残念ながら、かわいい多くの全てののセンサー
はでコントロールいつものは良い、
そしてほとんどの彼らは外のコントロールいつものは悪い。
それで、私たちはするつもりです持っているに使用いくつかのもっと洗練されたモデリング
になれできるにタックルこれ予測問題。
持っているない見つかった何でもでのカラム貢献プロット、
私は行くに戻る上そして戻るにの二モデルそれロン見つかった。
見てはのカラム貢献のためにそれらの二モデル、
そして良い見るそれあるよいくつかの合意で条項の
何はのほとんど重要センサー。
しかしブーストされた木見つかったある幾分より大きなセットのセンサーとしている重要
以上のブートストラップ森。
どれののこれら二モデルすべき良い信頼もっと？
もし良い見てでの全体モデルフィット報告、
良い見るそれのブーストされた木モデルもっているあるとても高いトレーニングRs正方形の0.998
そしてある幾分小さいv検証Rs正方形の0.58。
これ見た目のようにのオーバーフィット状況。
いつ良い見てでのランダム森、それもっているある幾分小さいトレーニングRsスクエア、
多分あるもっと現実的な1つ、よりものブートストラップ森、
そしてそれは持っていますある幾分より大きな検証Rs四角い。
の一般化パフォーマンスののランダム森
はうまくいけばある少しビットより良い。
私は傾いたに信頼のランダム森モデルある少しビットもっと。
一部のこれは行くになれベースのその上ただの民間伝承のこれら二モデル。
ブーストされた木は有名なのためにいる速い、非常に正確なモデル
それ仕事良いの上とても大きいデータセット。
一方の伝聞はそれランダム森林はもっと正確なの上小さいデータセット。
彼らははかなり屈強、乱雑な、そしてうるさいデータ。
あるよある長さ歴史のを使用してこれら親切のモデル
のために変数選択それ行きます戻るにある紙で2010年
それもっているされた引用されたほとんど1200回。
それでこれはある人気のあるアプローチのために変数選択。
私したある似ている検索のためにブースト、
そして私しませんでしたとても見るとして多くの歴史その周り変数選択
のためにブーストされた木として私したのためにランダム森林。
のためにこれ与えられたデータセットr右ここ、
良いできるするある感度分析に見るどうやって信頼性のある
のカラム貢献はのためにこれら二違うアプローチし、
を使用してのシミュレーション能力でJMP教授
何良いできるするは作成するあるランダム検証カラム
それはある式カラム
それあなたできる再初期化するそして意思パーティションのデータ
の中へランダムトレーニングそして差し出すセットのの同じ部分
としてのオリジナル検証カラム。
私たちはできる持っているそれ再実行これら二分析
そして保つ追跡ののカラム貢献部分
のためにそれぞれのこれら再分割。
私たちはできる見るどうやって一貫性のあるの物語は
間のブーストされた木モデルそしてのランダム森林。
これはかわいい簡単にする。
ただ行くだけですにの作る検証カラムユーティリティ
そしていつ良い作るある新しいカラム、良い聞くそれに作るある式カラム
それでそのことできたなれ再初期化されました。
それから良いできる戻るにのブートストラップ森プラットホーム、
右-クリックの上のカラム貢献部分、
選択するシミュレートします。
それは持ってくる上あるダイアログ
尋ねる私たちどれののの入力列良い欲しいにスイッチ外。
私は行くに選ぶの検証カラム、
そして私は行くにスイッチで代わりにのそれ、
これランダム検証式カラム。
私たちは言った行くにするこれは百回。
ブートストラップ森は行くになれ再実行
を使用して新しいランダムパーティションののデータの中へトレーニングそして検証。
私たちは言った行くに見てでの分布のの部分
横切って全てのシミュレーション走る。
これ意思生成するあるデータセット
のカラム貢献部分のためにそれぞれセンサー。
私たちはできる取るこれそして行くの中へのグラフビルダー
そして取るある見てそして見るどうやって一貫性のあるそれらのカラム貢献は
横切って全てこれらランダムパーティションののデータ。
見てはあるプロットののカラム貢献部分
からそれぞれのの100ランダム入れ替えのの検証カラム。
それらの点良い見るでここは灰色、
センサー18らしいになれ一貫してある大きい寄稿者、としてするセンサー61.
私たちはまた見るとこれら赤十字架、
それらのはのカラム貢献からのオリジナル分析それロンした。
の全体話それこれ言うはそれの傾向
私sそれいつでものオリジナルカラム貢献小さかった
それらの再シミュレートされたカラム貢献また世話をしたになれ小さい。
いつのカラム貢献取る大きいでのオリジナル分析、
彼らは世話をしたに滞在する大きい。
私たちは言った取得ある比較的一貫性のある話からのブートストラップ森
で条項の何列は重要。
今良いできるするの同じものとのブーストされた木、
そしての結果そうではありませんとてもとして一貫性のあるとして彼らは取るとのブートストラップ森。
それでここはある束の列
どこのイニシャルカラム貢献来た非常に小さい
しかし彼らは持っていたあるもっと実質的な貢献
でいくつかのののランダム再シャッフルのの検証カラム。
それまた起こりましたとてもあるビットもう終わったこれらコラム52を通して55以上ここ。
それからそこには取るまたいくつかの状況
どこのオリジナルカラム貢献だったとても大きい、
そしてほとんど、もしない全て、
のの他のカラム貢献見つかったでのシミュレーション取るより小さい。
それ起こるこことカラム48、
そしてにいくつかの範囲またとカラム11以上ここ。
の全体結論いるそれ私考えるこれ検証シャッフリング
は示すそれ良いできる信頼のカラム貢献
からのブートストラップ森になれもっと安定したよりもそれらのののブーストされた木。
に基づくこれ比較、私考える私信頼のカラム貢献
からのブートストラップ森もっと、
そして私は行くに使用の列それそれ推奨
としての基礎のためにいくつかの他のモデル。
何私はそうするだろうのようににする
は探すあるモデルそれは両方より単純なよりものブートストラップ森モデル
そして実行しますより良いで条項の検証セットパフォーマンス
のために予測する合格または失敗。
前に進行中との次モデリングもの
私は行くにする何かそれ私すべき持っているおそらく終わりでのとても始まり、
どれのはに取るある見てでのセンサーである散布図マトリックス
に見るどうやって相関のあるのセンサー測定値は、
そしてまた見てでヒストグラムの彼らとして良いに見るもし彼らは外れ値傾向のある
または重い歪んだまたはさもないと非常に非ガウス。
何良い見るここはそこにははかわいい強い多重共線性
中での入力変数一般的に。
私たちは言ったのみ探しているであるサブセットの彼らここ、
しかしこれ高い多重共線性持続する横切って全てののセンサー読み物。
これ提案それのために私たちのモデル、
良いすべき試すもののようにのロジスティクスなげなわ、
のロジスティクス弾性のあるインターネット、または物流海嶺回帰
として候補者のために私たちのモデルに予測する合格または失敗。
前に良いするそれ良いすべき行く先に
そして試すに変身私たちのセンサー測定値ここ
それでそれ彼らはある少しビットより良い-行儀よくしたそしてもっとガウス-見てる。
これは実は本当に簡単でJMP
もしあなた持っている全てのの列上での分布プラットホーム、
なぜなら全てあなた持っているにするは所有Altキーを押す、選ぶフィットジョンソン、
そしてこれ意思フィットジョンソン分布に全ての入力変数。
これはある家族の分布
それはベースのの上ある四パラメーター変換に正常。
としてある結果、良い持っているあるニース特徴でそこには
それ良いできるまた放送Alt を使用してクリック、
どこ良いできる保存ある変換からのオリジナル規模
にある規模それ作るの列もっと通常は配布されました。
もし良い行く戻るにのデータテーブル、
良い見るそれのためにそれぞれセンサーカラム、ある変身カラムもっているされた追加した。
もし良い持ってくるこれら変身した列上とある散布図マトリックス
そしていくつかのヒストグラム、
良い明らかに見るそれのデータは少ない歪んだ
そしてもっと通常は配布されたよりものオリジナルセンサー列取る。
今のブートストラップ森モデルそれロン見つかった
のみ本当に推奨ある小さい番号の列
のために使用でのモデル。
なぜならのの高い共線性中での列、
のサブセットそれ良い得たできた簡単になれ一部
のあるより大きなグループの列それは相関のあると1つ別の。
それできたなれ有益に探すそれより大きなグループの列
そして仕事とそれでの次モデリングステージ。
アン探索的な方法にするこれ
はに行くを通しての集まる変数プラットホームJMPで。
私たちは言った行くに仕事との正規化されたバージョンののセンサー
なぜならこれプラットホームはPCAそして要素分析に基づいて、
そして意思提供するもっと信頼性のある結果もしそれから言いました働くとデータ
それは約通常は配布されました。
一度それから言いましたでの変数クラスタリングプラットホーム、
良い見るそれそこにははとてもクリア、
強い協会中での入力列。
それもっている特定されたそれそこにははセブンクラスター、
そしての最大集まる、の1つそれ説明するのほとんどバリエーション、
もっている25メンバー。
のセットの集まるメンバーはリスト化されたここの上の右。
しましょう比較するこれとのブートストラップ森。
見ての上の左、良い持っているのカラム貢献
からのブートストラップ森モデルそれあなたすべきなれおなじみとによる今。
氏の右良い持っているのリストのメンバー
のそれ最大集まるの変数。
もし良い見て密接に良い見るそれのトップ7貢献する条項
全て起こるに属するにこれ集まる。
私は行くに仮説を立てるそれこれセットの25列
は全て関連しているにいくつかの根底にある機構
それ原因の単位に合格または失敗。
何私欲しいにする次は私欲しいにフィットモデル
を使用しての一般化された回帰プラットホームとの変数で集まる1ここ。
それするだろうなれ退屈なもし私持っていたに行くを通して
そして個別に選ぶこれら列外そして置く彼らの中への打ち上げダイアログ。
幸いなことに、あるよある多くのより簡単に方法
どこあなたできるただ選択するの行でそれテーブル
そしての列意思なれ選択されたでのオリジナルデータテーブル
それでそれいつ良い行くの中へのフィットモデル打ち上げダイアログ、
良いできるただクリック追加
そしてそれらの列意思なれ自動的に追加したのために私たちとしてモデル効果。
一度私得たの中への一般化された回帰プラットホーム、
私行った先にそしてフィットあるなげなわモデルそして弾性のあるネットモデル
そしてある海嶺モデル持つため彼ら比較したここにそれぞれ他の、
そしてまたにのロジスティクス回帰モデルそれ来た上によるデフォルト。
私たちは言った見るそれのなげなわモデルはやってるある少しビットより良いよりもの休む
で条項のその検証一般化されたRs四角い。
の違い間これらメソッド
はそれあるよ違う金額の変数選択
そして多重共線性取り扱いでそれぞれの彼ら。
ロジスティック回帰もっているいいえ多重共線性取り扱い
そしていいえ変数選択。
のなげなわはもっとのある変数選択アルゴリズム、
けれどそれもっているある少しビットの多重共線性取り扱いでそれ
なぜならそのある罰せられた方法。
海嶺回帰もっているいいえ変数選択
そしては重く指向性のあるその周り多重共線性取り扱い。
の弾性のあるネットはあるハイブリッド間のなげなわそして海嶺回帰。
でこれ場合、何良い本当にお手入れについて
はただのモデルそれでおしまい行くに実行するの最高。
私たちは許可するの検証にガイド私たち。
私たちは言った行くになれ働くとのなげなわモデルからここの上。
こちらですの予測プロファイラーのためにのなげなわモデルそれだった選択されました。
私たちは見るそれのなげなわアルゴリズムもっている選択された八センサー
としている予測的なの合格または失敗。
それもっているいくつかの素晴らしい組み込みツール
のために理解何の重要変数は、
両方でのモデル全体そして新しいにJMP教授17、
良い持っているの能力に理解する
何変数はほとんど重要のためにの個人予測。
私たちはできる使用の変数重要性ツールに答えの質問、
"何はの重要変数でのモデル？"
私たちは持っているあるバラエティの違うオプションのためにこれ。
私たちは持っているあるバラエティの違うオプションのためにどうやってこれできたなれ終わり。
しかしなぜならのの多重共線性そしてなぜならこれはないとても大きいモデル、
私は行くに行く先に
そして使用の依存リサンプリングされた入力技術、
以来良い持っている多重共線性でのデータ、
そしてこれもっている与えられた私たちあるランキングののほとんど重要条項。
私たちは見るそれカラム18はのほとんど重要、
フォローしましたによるカラム27そしてそれから52、全ての方法下。
私たちはできる比較するこれにのブートストラップ森モデル、
そして良い見るそれあるよ合意それ変数18は重要、
平行と52、 61、そして53.
しかし1つのの条項それ良い持っている引っ張られたで
なぜならのの変数クラスタリングステップそれ良い持っていた終わり、
センサー27ターン外になれの2番ほとんど重要予測的な
でこれなげなわモデル。
私たちはうまくいけば得た何かによる鋳造あるもっと広いネットを通してそれステップ。
私たちは見つかったある学期それしませんでした振り向く上
でどちらかののブートストラップ森またはのブーストされた木方法。
私たちはまた見るそれのなげなわモデルもっているのRs正方形の0.9、
一方のブートストラップ森モデル持っていたのRs正方形の0.8。
我々は持っていますあるより単純なモデルそれもっているのより簡単に形状に理解する
そしてはより簡単にに仕事と
そしてまたもっているあるより高い予測的な容量よりものブートストラップ森モデル。
今、の変数重要性メトリクスでのプロファイラー
持っているされたそこにはのためにとてもいくつかの時間。
の質問それ彼らは答えは"どれの予測子持っている最大のインパクト
の上の形のの応答表面以上のデータまたは以上ある地域？"
でJMP 17プロ、良い持っているある新しい技術呼ばれたシャープ価値観
それはの添加剤分解のの個人予測。
それ言うあなたによるどうやって多くのそれぞれ個人変数貢献する
にあるシングル予測、
それよりもよりも話しているについて変動性説明した以上の全体空間。
の解決のの質問それでおしまい答えたによるシャプリー価値観
は遠いもっと地元よりもどちらかの変数重要性ツール
またはのカラム私は貢献したnのブートストラップ森。
私たちはできる得るのシャプリー価値観による行くにの赤三角形メニューのためにのプロファイラー、
そして良い探すのオプションのために彼ら以上ここ、から4番目の底。
いつ良い選ぶのオプション、のプロファイラー節約します戻るシャープ列
のために全てのの入力変数にのモデル。
これはのコース、ハプニングのために毎行でのテーブル。
何あなたできる見るはそれのシャープV価値観は与えるあなたの効果
のそれぞれのの列の上の予測的なモデル。
これは役に立つである全体たくさんの違う方法、
そしてのためにそれ理由、その得たあるたくさんの注意分かりやすくAI、
なぜならそれ許可します私たちに見る
何ですか貢献はのそれぞれカラムにある黒箱モデル。
ここ、私はプロットされたのシャープV価値観のためにの列それは予測的な
での最後モデルフィットそれ良いただ建てられた。
もし良いトグル戻るそして前方へ間の良い単位そしての単位それ失敗した、
良い見るの同じ話それ私たちは持っていますされた見る
との変数重要性メトリクスのためにこれ
それカラム18そしてカラム27は重要で予測する合格または失敗。
私たちは言った見るこれであるより高いレベルの解決
よりも良いするとの変数重要性メトリクス、
なぜならそれぞれのこれらポイント対応するにの個人行
でのオリジナルデータセット。
しかしでこれ場合、私しないでください見るのシャープ価値観
本当に与える私たち私たち新しい情報。
私持っていた願ったそれによるトグルを通して
の他の失敗モード、多分私できた探すあるパターン
にヘルプからかう外違うセンサー
それはもっと重要のために特に失敗モード。
しかしののみもの私だったできるに探すだったそれカラム18
持っていたある幾分より強くインパクトの上の速度タイプ1失敗モード
よりもの他の失敗モード。
でこれポイント、私たちは持っています持っていたいくつかの成功
を使用してそれらの集まる1列であるバイナリ合格/失敗モデル。
しかしいつ私壊れた外のシャープ価値観
のためにそれモデル、によるの違う故障モード
私そうではなかったできるに識別するあるパターンまたは多くののあるパターン。
何私した次だった私行った先に
そしてフィットの失敗モード応答カラムテスト結果
を使用しての集まる1列、
しかし私行った先にそして除外される全ての合格行
それでそれのモデリング手順するだろう集中独占的に
の上目の肥えたどれの失敗モードそれはです与えられたそれ良い持っているある失敗。
私試してみたの多項式なげなわ、弾性のあるインターネット、そして海嶺、
そして私だった特にハッピーとのなげなわモデル
なぜならそれ与えた自分ある検証Rs正方形のについて0.94。
持っているされたかわいいハッピーとそれ
私行った先にそして保存されましたの確率数式
のためにそれぞれのの失敗モード。
今のタスクはに来る上とある単純ルール
それ役職プロセスそれ予測式
に作るある決断についてどれの失敗モード。
私電話これのパーティション騙す。
パーティションのコツは、どこ私置くでの確率数式
のためにあるカテゴリー的な応答、または平ある多項式応答。
私置くそれらの確率数式でXとして。
私使用私のカテゴリー的な応答として私のY.
これはの同じ応答それだった使用済み
のために全てのこれらを除外するパス用実は。
私保持の同じ検証カラムそれ私はされた働くとの全体時間。
今それ私はでのパーティションプラットホーム、
私は行くに打つスプリットあるカップルの回、そして私は行くに希望
それ私終わり上との簡単に理解できる決断ルール
それでおしまい簡単に通信する。
それ5月または5月ない起こる。
時々それ作品、時々それしません。
それで私スプリット一度、そして良い終わり上見るそれ
いつでもの確率の合格はより高いよりも0.935、
良いほとんど確かに持っているある合格。
ない多くのパスするは左以上の上の他の側。
私取る別のスプリット。
私たちは探すある決断ルールの上ITM
それは非常に予測的なのITMとしてある失敗モード。
スプリットまた。
私たちは探すそれいつでもモーターは少ないよりも0.945、
それから言いましたどちらか予測するモーターまたはブレーキ。
私たちは取る別のスプリット。
私たちは探すそれいつでも速度タイプ1、その確率はより大きいよりも0.08
あるいはおそらくである速度タイプ1状況またはである速度Tそうそう2状況。
いつでも速度タイプ1は少ないよりも0.79、
それから言いましたおそらくであるグリッパー失敗モードまたはのIMP失敗モード。
何する良い持っているここ？ 私たちは持っているある単純決断ルール。
私たちは言った行くにないなれできるに壊すこれら失敗モード下多くのさらに遠く
のためのとても小さい番号の実際のイベントそれ良い持っている。
しかし良いできる振り向くこれの中へある単純ルール
のために特定する単位それはおそらく良い、
そしてもし彼らはない、良い持っているのアイデアのどこに見てに修理の問題。
私たちはできる保存これ決断ルール外としてある葉ラベル式。
私たちは見るそれの上の検証セット、
いつ良い予測するその良い、一番良いですのの時間。
私たちはした持っている1つ誤分類のある速度タイプ2失敗
それだった実は予測されたになれ良い。
予測するグリッパーまたはインプ、その全て以上の場所。
それ葉だったない素晴らしい役に立つ。
予測するITMは100 %。
いつでも良い予測するあるモーターまたはブレーキ、
の上の検証セット、良い持っているあるモーターまたはあるブレーキ失敗。
いつ良い予測するある速度タイプ1 または 2、
それしたあるかわいい良い仕事のピッキングそれ上
とそれ1つ例外ののシングル速度タイプ2ユニット
それだったでの検証セット、
そしてそれです起こりましたに持っているされた誤って分類されました。
私たちは持っているの簡単に運用可能ルールここそれできたなれ使用済みに選別製品
そして与える私たちある頭始めるの上どこ良い必要に見てに修理もの。
私考えるこれだったあるかわいい挑戦的問題、
なぜなら良いしませんでした持っているある全体たくさんのデータ。
しかし良いしませんでした持っているあるたくさんの行、
しかし良い持っていたあるたくさんの違うカテゴリに予測する
そして全体たくさんの可能予測子に使用。
私たちは得たそこにはによる取るあるシリーズのステップ、
尋ねる質問、
時々取るあるステップ戻るそして尋ねるあるより大きい質問。
他の回、狭くなるでの上特にサブ-問題。
時々私たちの遠足取る実り多い、そして時々彼らはそうではありませんでした。
私たちの目的ここはに説明する
どうやってあなたできるステップを通してあるモデリングプロセス、
を通してこれ順序の尋ねる質問
を使用してモデリングそして視覚化ツールにガイドあなたの次ステップ、
そして移動中の上それまであなたはできるに探す
ある役に立つ、実用的な、予測的なモデル。
ありがとうあなたとても多くののためにあなたの注意。
私たちは見てフォワードに話しているにあなたで私たちのQ&Aセッション到来上次。
