Hallo, Ich bin Ron Kenneth.
Das Ist A gemeinsam sprechen mit Chris Gotwalt.
Wir sagten gehen Zu sprechen Zu Du um Modelle.
Modelle sind gebraucht ausführlich.
Wir Hoffnung Zu bringen manche zusätzlich Perspektive
An Wie Zu verwenden Modelle In allgemein.
Wir Anruf Die sprechen
"Anders Ziele, anders Modelle:
Wie Zu verwenden Modelle Zu schärfen dein Fragen."
Mein Teil Wille Sei ein Einführung, Und Krank geben ein Beispiel.
Du wirst haben Zugang Zu Die Daten Ich bin verwenden.
Dann Chris Wille weitermachen mit einem mehr Komplex Beispiel,
einführen Die Gestalten Werte verfügbar In JMP 17,
Und bieten manche Schlussfolgerungen.
Wir alle wissen Das alle Modelle Sind falsch,
Aber manche Sind nützlich.
Sam Carlin sagte etwas anders.
Hey sagte Das Die Zweck von Modelle Ist nicht Zu fit Die Daten,
Aber Zu schärfen Die Frage.
Dann Das Kerl, Pablo Picasso, Hey sagte etwas in...
Hey gestorben In 1973, Also Du dürfen vorstellen Wann Das War sagte.
ich denken In Die früh '70 S.
"Computers Sind nutzlos. Sie dürfen nur geben Du Antworten.“
Hey Ist mehr In Linie mit Carlin.
Mein nehmen An das ist das
das präsentiert der entscheidende Unterschied zwischen A Modell Und A Computer Programm.
Ich bin suchen bei Die Modell aus A Statistiker Perspektive.
Handeln mit Boxen berühmt Stellungnahme.
"Ja, manche Sind nützlich.Welche Einsen?"
Bitte helfen uns.
Was tun Du bedeuten von manche Sind nützlich?
Es ist nicht sehr nützlich Zu sagen Das .
Ich gehe nach Karlin, "Schärfen Die Frage."
Okay, das ist es A Gut Idee.
Wie Tun Also Tun Das?
Der Punkt Ist Das Kasten scheint konzentriert in der Datenanalysephase
in der Lebenszyklusbetrachtung von Statistiken, was mit der Problemerhebung beginnt,
bewegt sich Zu Ziel Formulierung, Daten Sammlung, Daten Analyse,
Ergebnisse, Operationalisierung von finden
kommunikativ Ergebnisse, Und Auswirkungen Bewertung.
Karlin ist mehr konzentriert An Die Problem Erhebung Phase.
Diese zwei Zitate von Kasten Und Carlin
verweisen Zu anders Stufen In Das Leben Zyklus.
Der Daten Ich bin gehen Zu verwenden Ist ein industriell Daten Satz,
174 Beobachtungen.
Wir haben Sensoren Daten.
Wir haben 63 Sensoren.
Sie sind beschriftet 1, 2, 3, 4 Zu 63.
Wir haben zwei Antwort Variablen.
Diese Sind Kommen aus testen manche Systeme.
Der Status Bericht Ist Fehlpass.
52,8 % von Die Systeme Das nehmen geprüft fehlgeschlagen.
Wir haben ein anderer Bericht,
welche Ist A mehr detailliert Bericht An prüfen Ergebnisse.
Wann die Systeme scheitern,
Also haben manche Einstufung von Die Versagen.
Prüfen Ergebnis Ist mehr detailliert.
Status Ist gehen/nicht gehen.
Der Ziel Ist Zu bestimmen Die System Status aus Die Sensoren Daten
Also Das Also dürfen Vielleicht vermeiden Die Kosten Und Verzögerungen von testen,
Und Also dürfen haben manche früh Vorhersagen An Die Glaube von Die System.
Eins Ansatz Also dürfen nehmen Ist Zu verwenden A verstärkt Baum.
Wir setzen Die Status Als Reaktion werden die 63 Sensoren X berücksichtigt.
Der verstärkt Baum Ist ausgebildet der Reihe nach, eins Baum bei A Zeit.
T Hey andere Modell sagte dann gehen Zu verwenden Ist zufällig Wald,
Und das ist es Erledigt mit unabhängig Bäume.
Dort Ist A sequentiell Aspekt In verstärkt Bäume
Das Ist anders aus zufällig Wälder.
Der aufstellen von verstärkt Bäume beinhaltet drei Parameter:
Die Nummer von Bäume, Tiefe von Bäume, Und Die Lernen Rate.
Das Ist Was JMP gibt als eine Vorgabe.
Gesteigert Bäume dürfen Sei gebraucht Zu lösen am meisten Zielsetzung Funktionen.
Wir könnte verwenden Es für Gift Rückschritt,
welche Ist handeln mit zählt Das Ist A Bits Schwerer Zu erreichen
mit zufällig Wälder.
Wir sagten gehen Zu Fokus An diese zwei Typen von Modelle.
Wann Also anwenden Die verstärkt Baum,
Und Also haben A Validierung Satz hoch
mit 43 Systeme gezeichnet nach dem Zufallsprinzip als Die Validierung Satz.
Einhunderteinunddreißig Systeme wird eingesetzt für Die Ausbildung Satz.
Wir Sind bekommen A 9,3 % Fehlklassifizierung Rate.
Drei fehlgeschlagen Systeme.
Wir wissen daß sie fehlgeschlagen Weil Also haben Es In Die Daten,
nehmen Genau genommen klassifiziert als passieren.
Der 20 Das bestanden, 19 nehmen klassifiziert als passieren.
Der FALSCH vorhergesagt passieren Ist 13 %.
Wir dürfen sehen bei Die Variable Spalte Beiträge.
Wir sehen Das Sensor 56, 18, 11, Und 61 Sind Die Spitze vier
In Bedingungen von beitragen Zu Das Einstufung.
Wir sehen Das In Die Ausbildung Satz, Also hatte null Fehlklassifizierung.
Wir könnte haben manche über passend i N Das BT Anwendung.
Wenn Also sehen bei Die Aufzug Kurve,
40 % von Die Systeme, Also dürfen erhalten über zwei Aufzug
welche Ist die Leistung, die uns dieser Klassifikator bietet.
Wenn Also versuchen Die Buh fangen Wald,
ein anderer Optionen, wieder, Also Tun Die Dasselbe Ding.
Wir verwenden Die Dasselbe Validierung Satz.
Der Standardwerte von JMP Sind geben Sie einige Parameter
für Die Nummer von Bäume
Und Die Nummer von Merkmale Zu Sei ausgewählt bei jede Modus.
Das Ist Wie Die zufällig Wald funktioniert.
Du sollen Sei bewusst Das Das Ist nicht sehr Gut
Wenn Du haben kategorisch Variablen Und fehlen Daten,
welche Ist nicht unser Fall Hier.
Jetzt, Die Fehlklassifizierung Rate Ist 6,9, untere als Vor.
Herr Die Ausbildung Satz, Also hatte manche Fehlklassifizierung.
Der zufällig Wald angewandt Zu Die prüfen Status,
welche bedeutet Wann Also haben Die Einzelheiten An Die Misserfolge Ist 23,4,
Also schlecht Leistung.
Auch, An Die Ausbildung Satz, Also haben 5 % Fehlklassifizierung.
Aber Also haben Jetzt A breiter Reichweite von Optionen
und das ist erklärend manche von Die untere Leistung.
In Die Aufzug Kurve An Die prüfen Ergebnisse,
Also Genau genommen mit ganz Gut Leistung,
dürfen wählen hoch Die Spitze 10 % von Die Systeme mit A Hebelwirkung von über 10.
Also Also haben über zehn falten Zunahme für 10 % von Die Systeme
relativ Zu Die großartig Durchschnitt.
Jetzt Das Ist posieren A Frage- erinnern Die Thema von Die sprechen-
Was Sind Also suchen bei?
Tun Also wollen Zu identifizieren Spitze Punktzahl Gut Systeme?
Der zufällig Wald würde Tun Das mit Die prüfen Ergebnis.
Oder Tun Also wollen Zu vorhersagen A hoch Anteil von passieren?
Der Bootstrap-Baum würde Angebot Das.
A sekundär Frage Ist Zu sehen bei Was Ist beeinflussend Das Einstufung.
Wir dürfen sehen bei Die Spalte Beiträge An Die verstärkt Baum.
Drei von Die vier oben Variablen zeigen hoch Auch An Die zufällig Wald.
Wenn Also verwenden Die Status bestanden/nicht bestanden,
oder Die detailliert Ergebnisse,
Dort Ist A viele von Ähnlichkeit An Die Bedeutung von Die Sensoren.
Das Ist Nur geben Du manche Hintergrund.
Chris Ist gehen Zu folgen hoch mit ein Auswertung von Die Empfindlichkeit
von Das Variable Bedeutung, Die verwenden von SHAP v Werte
und noch mehr interessante Sachen.
Das geht zurück Zu Befragung Was Ist dein Ziel,
Und Wie Ist Die Modell Portion Du Figur aus Die Ziel
Und Vielleicht Schärfung Die Frage Das kommt aus Die Stellungnahme von Die Ziel.
Chris, es ist alles deins.
Danke, Ron.
Ich bin gehen Zu wählen hoch aus Wo Ron aufgehört
Und suchen A Modell Das Wille vorhersagen ob oder nicht A Einheit Ist Gut oder nicht,
Und Wenn Es ist nicht was ist Die wahrscheinlich Versagen Modus Das hat Ergebnis?
Das würde Sei nützlich darin Wenn A Modell Ist Gut bei vorhersagen Gut Einheiten,
Also Mai nicht haben Zu Thema ihnen Zu viel weiter testen.
Wenn Die Modell gibt A vorhergesagt Versagen Modus,
sagte dann fähig Zu erhalten A Kopf Start An diagnostizieren Und Festsetzung Die Probleme,
Und möglicherweise, Also Mai Sei fähig Zu erhalten manche Hinweise
An Wie Zu verbessern Die Produktion Verfahren In Die Zukunft.
Ich bin gehen Zu gehen durch Die Reihenfolge
von Wie ich näherte sich antworten Das Frage aus Die Daten.
ich wollen Zu sagen bei Die Ausgabe Das Das Ist einfach Die Weg Das ich nahm
als ich fragte Fragen von Die Daten Und gehandelt An verschieden Muster Das ich sehen.
Dort Sind buchstäblich viele andere Wege Das eins könnte fortfahren mit Das.
Es gibt oft nicht Wirklich A wirklich richtig Antwort,
Nur A Kriterium für ob oder nicht Die Modell Ist Gut genug
Und Die Menge Das du bist fähig Zu erhalten Erledigt
In Die Zeit Das Du haben Zu erhalten A Ergebnis zurück.
ich haben NEIN zweifeln Das Dort Sind besser Modelle aus Dort
als Was ich kam hoch mit Hier.
Unser Ziel Ist Zu zeigen ein tatsächlich Verfahren von anpacken A Vorhersage Probleme,
illustrieren Wie eins dürfen bewegen nach vorne
von iterieren durch Fahrräder von Modellieren Und Visualisierung,
gefolgt von beobachten Die Ergebnisse Und verwenden ihnen Zu fragen ein anderer Frage
bis Also finden etwas von ein Antwort.
ich Wille Sei verwenden JMP als A Statistiken Schweiz Armee Messer,
verwenden viele Werkzeuge In JMP
Und folgende Die Intuition ich haben um Modellieren Daten
Das hat gebaut hoch über viele Jahre.
Erste, Lasst uns Nur nehmen A sehen
bei Die Frequenzen von Die verschieden prüfen Ergebnis Kategorien.
Wir sehen Das Die größten Und am meisten häufig Kategorie Ist Gut.
Also wahrscheinlich haben Die am meisten Glück Sein fähig Zu vorhersagen Das Kategorie.
Herr Die andere Hände, Die SOS Kategorie hat nur zwei Veranstaltungen
Also es ist gehen Zu Sei sehr schwierig für uns Zu Sei fähig Zu Tun viel mit Das Kategorie.
Wir Mai haben Zu Satz Das eins auseinander.
Also sehen um Das.
Geschwindigkeit II, IMP, Und Bremse
Sind alle ziemlich selten mit fünf oder sechs Veranstaltungen jede.
Dort Mai Sei manche Einschränkungen In Was sagte dann fähig Zu Tun mit ihnen als Also.
ich sagen Das Weil Also haben 174 Beobachtungen
Und Also haben 63 Prädiktoren.
Also Also haben A viele von Prädiktoren für A sehr klein Nummer von Beobachtungen,
welche Ist Genau genommen sogar kleiner Wann Du halten Die Frequenzen
von manche von Die Kategorien Das sagte dann versuchen Zu vorhersagen.
Wir sagten gehen Zu haben Zu arbeiten iterativ von tun Visualisierungen In Modellieren,
erkennen Muster, fragen Fragen,
Und Dann Schauspielkunst An diese mit ein anderer Modellieren Schritt iterativ
In Befehl Zu finden A Modell das ist es gehen Zu Tun A Gut Arbeit
von vorhersagen diese Antwort Kategorien.
ich haben Die Daten sortiert von prüfen Ergebnisse,
Also Das Die Gut Ergebnisse Sind bei Die Anfang,
gefolgt von jede von Die anders Versagen Modi d dieser Biss nach Das.
ich ging voraus Und farbig jede von Die Reihen von prüfen Ergebnisse Also Das Also dürfen sehen
welche Überwachung gehört Zu A insbesondere Antwort Kategorie.
Also Dann ich ging hinein Die Modell- Gefahren multivariat Kontrolle Diagramm
Und ich gebracht In alle von Die Sensoren als Verfahren Variablen.
Seit ich hatte Die Gut prüfen Ergebnisse bei Die Anfang,
ich beschriftet diese als historisch Beobachtungen.
Das gibt uns A T² Diagramm.
Es ist gewählt 13 Rektor Komponenten als es ist Basis.
Was Also sehen Hier
Ist Das Die Diagramm Ist dominiert von diese zwei Punkte Rechts Hier
Und alle von Die andere Punkte Sind sehr klein In Wert
relativ Zu diese zwei.
Diese beiden Punkte passieren Zu Sei das SOS Punkte.
Sie Sind sehr ernst Ausreißer In Die Sensoren Lesungen.
Seit Also Auch nur haben zwei Beobachtungen von diese,
Ich bin gehen Zu gehen voraus Und nehmen diese aus von Die Daten Satz
Und sagen Nun ja, SOS ist offensichtlich Also schlecht Das Die Sensoren
sollen Sei Nur fliegend aus Die Diagramme.
Wenn Also begegnen Es, sagte dann Nur gehen Zu gehen voraus
Und versuchen Zu Sorge uns selbst mit Die andere Werte
Das nicht haben Das aus- Die- Diagramme Verhalten.
Wechseln Zu A Protokoll Skala, Also sehen Das Die Gut prüfen Ergebnisse
Sind ziemlich Also -artig.
Dann Es gibt definitiv Signale
In Die Daten für Die anders Versagen Modi.
Jetzt Also dürfen bohren runter A wenig Bits Tiefer,
nehmen A sehen bei Die Beitrag Grundstücke für Die historisch Daten,
Die Gut prüfen Ergebnis Daten, Und Die Versagen Modi
Zu sehen Wenn uns Muster auftauchen In Die Sensoren Das Also dürfen Akt auf.
Ich bin gehen Zu entfernen diese zwei SOS Beobachtungen
Und wählen Die Gut Einheiten.
Wenn ich Rechtsklick In Die Handlung,
ich dürfen bringen hoch A Beitrag Handlung
für Die Gut Einheiten, Und Dann ich dürfen gehen über Zu Die Einheiten
Wo Dort War A Versagen, Und ich dürfen Tun Die Dasselbe Ding
Und Also Sei fähig Zu vergleichen Die Beitrag Grundstücke Seite von Seite.
Also Was Also sehen Hier Sind Die Beitrag Grundstücke
für Die passieren Einheiten Und Die scheitern Einheiten.
Der Beitrag Grundstücke
Sind Die Menge Das jede Spalte Ist beitragen Zu Die T ²
für A insbesondere Reihe.
Jeder von Die Riegel Dort entsprechen Zu ein Individuell Sensoren für Das Reihe.
Beitrag Grundstücke Sind farbig Grün Wann Das Spalte Ist innerhalb drei Sigma,
verwenden ein Einzelpersonen Und ziehen um Reichweite Diagramm,
Und es ist Rot Wenn es ist aus von Kontrolle.
Suchen Also sehen am meisten von Die Sensoren Sind In Kontrolle für Die Gut Einheiten,
Und am meisten von Die Sensoren Sind aus von Kontrolle für Die fehlgeschlagen Einheiten.
Was ich War hoffen für Hier
würde haben gewesen Wenn Dort War nur A Teilmenge von Die Säulen
oder Sensoren Das nehmen aus von Kontrolle vorbei Die fehlgeschlagen Einheiten.
Oder Wenn ich War fähig Zu sehen Muster
Das geändert über Die anders Versagen Modi,
welche würde helfen Mich isolieren Was Variablen Sind wichtig
für vorhersagen Die prüfen Ergebnis Ergebnis.
Bedauerlicherweise, hübsch viel alle von Die Sensoren
Sind In Kontrolle Wann Dinge Sind Gut,
Und am meisten von ihnen Sind aus von Kontrolle Wann Dinge Sind schlecht.
Also werden wir es tun haben Zu verwenden manche mehr anspruchsvoll Modellieren
Zu Sei fähig Zu angehen Das Vorhersage Problem.
Haben nicht gefunden irgendetwas In Die Spalte Beiträge Grundstücke,
Ich bin gehen Zu zurück hoch Und zurückkehren Zu Die zwei Modelle Das Ron gefunden.
Suchen Sind Die Spalte Beiträge für diese zwei Modelle,
Und Also sehen Das Es gibt manche Vereinbarung In Bedingungen von
Was Sind Die am meisten wichtig Sensoren.
Aber verstärkt Baum gefunden A etwas größer Satz von Sensoren als Sein wichtig
über Die Bootstrap Wald.
Welche von diese zwei Modelle sollen Also Vertrauen mehr?
Wenn Also sehen bei Die gesamt Modell fit Bericht,
Also sehen Das Die verstärkt Baum Modell hat A sehr hoch Ausbildung Rs quadrat von 0,998
Und A etwas kleiner v Alidierung Rs quadrat von 0,58.
Das sieht aus wie ein Überfit Situation.
Wann Also sehen bei Die zufällig Wald, Es hat A etwas kleiner Ausbildung Rs Quadrat,
vielleicht A mehr realistisch eins, als Die Bootstrap Wald,
Und es hat A etwas größer Validierung Rs quadrat.
Der Verallgemeinerung Leistung von Die zufällig Wald
Ist hoffentlich A wenig Bits besser.
Ich bin geneigt Zu Vertrauen Die zufällig Wald Modell A wenig Bits mehr.
Teil von Das Ist gehen Zu Sei basierend auf Nur Die Folklore von diese zwei Modelle.
Gesteigert Bäume Sind bekannt für Sein schnell, höchst genau Modelle
Das arbeiten Also An sehr groß Datensätze.
Wohingegen Die Hörensagen Ist Das zufällig Wälder Sind mehr genau An kleiner Datensätze.
Sie Sind ziemlich robust, unordentlich, Und laut Daten.
Es gibt A lang Geschichte von verwenden diese Art von Modelle
für Variable Auswahl Das geht zurück Zu A Papier In 2010
Das hat gewesen zitiert fast 1200 mal.
Also Das Ist A beliebt Ansatz für Variable Auswahl.
ich tat A ähnlich suchen für erhöhen,
Und ich nicht ganz sehen als viel Geschichte um Variable Auswahl
für verstärkt Bäume als ich tat für zufällig Wälder.
Für Das gegeben Daten setze r Rechts Hier,
Also dürfen Tun A Empfindlichkeit Analyse Zu sehen Wie zuverlässig
Die Spalte Beiträge Sind für diese zwei anders Ansätze,
verwenden Die Simulation Fähigkeiten In JMP Prof.
Was Also dürfen Tun Ist erstellen A zufällig Validierung Spalte
Das Ist A Formel Spalte
Das Du dürfen neu initialisieren Und Wille Partition Die Daten
hinein zufällig Ausbildung Und aushalten Sätze von Die Dasselbe Portionen
als Die Original Validierung Spalte.
Wir dürfen haben Es Wiederholung diese zwei Analysen
Und halten Schiene von Die Spalte Beitrag Portionen
für jede von diese Neupartitionierungen.
Wir dürfen sehen Wie konsistent Die Geschichte ist
zwischen Die verstärkt Baum Modelle Und Die zufällig Wälder.
Das Ist hübsch einfach Zu Tun.
Wir gehen einfach Zu Die Machen Validierung Spalte Dienstprogramm
Und Wann Also machen A neu Spalte, Also fragen Es Zu machen A Formel Spalte
Also dass es könnte Sei neu initialisiert.
Dann Also dürfen zurückkehren Zu Die Bootstrap Wald Plattform,
Rechts- klicken An Die Spalte Beitrag Portionen,
wählen Simulieren.
Es wird bringen hoch A Dialog
fragen uns welche von Die Eingang Säulen Also wollen Zu schalten aus.
Ich bin gehen Zu wählen Die Validierung Spalte,
Und Ich bin gehen Zu schalten In als Ersatz von Es,
Das zufällig Validierung Formel Spalte.
Wir sagten gehen Zu Tun das sind hundert mal.
Bootstrap Wald Ist gehen Zu Sei Wiederholung
verwenden neu zufällig Partitionen von Die Daten hinein Ausbildung Und Validierung.
Wir sagten gehen Zu sehen bei Die Verteilung von Die Portionen
über alle Die Simulation läuft.
Das Wille generieren A Datensatz
von Spalte Beitrag Portionen für jede Sensoren.
Wir dürfen nehmen Das Und gehen hinein Die Graph Baumeister
Und nehmen A sehen Und sehen Wie konsistent diese Spalte Beiträge Sind
über alle diese zufällig Partitionen von Die Daten.
Suchen Ist A Handlung von Die Spalte Beitrag Portionen
aus jede von Die 100 zufällig Umbesetzungen von Die Validierung Spalte.
Diese Punkte Also sehen In grau hier,
Sensor 18 scheint Zu Sei konsequent A groß Mitwirkender, als tut Sensor 61.
Wir Auch sehen mit diese Rot Kreuze,
diese Sind Die Spalte Beiträge aus Die Original Analyse Das Ron tat.
Der gesamt Geschichte Das Das erzählt Ist Das Die Tendenz
ich S Das wann immer Die Original Spalte Beitrag war klein
diese Re simuliert Spalte Beiträge Auch gepflegt Zu Sei klein.
Wann Die Spalte Beiträge nehmen groß In Die Original Analyse,
Sie gepflegt Zu bleiben groß.
Wir sagten bekommen A verhältnismäßig konsistent Geschichte aus Die Bootstrap Wald
In Bedingungen von Was Säulen Sind wichtig.
Jetzt Also dürfen Tun Die Dasselbe Ding mit Die verstärkt Baum,
Und Die Ergebnisse sind nicht ganz als konsistent als Sie nehmen mit Die Bootstrap Wald.
Also Hier Ist A Bündel von Säulen
Wo Die anfänglich Spalte Beiträge kam sehr klein aus
Aber Sie hatte A mehr erheblich Beitrag
In manche von Die zufällig Umbildungen von Die Validierung Spalte.
Das Auch passiert ganz A Bits drüber hinweg diese Säulen 52 durch 55 über Hier.
Dann Dort nehmen Auch manche Situationen
Wo Die Original Spalte Beitrag War ganz groß,
Und am meisten, Wenn nicht alle,
von Die andere Spalte Beiträge gefunden In Die Simulationen nehmen kleiner.
Das das passiert Hier mit Spalte 48,
Und Zu manche Ausmaß Auch mit Spalte 11 über Hier.
Der gesamt Abschluss Sein Das ich denken Das Validierung schlurfen
Ist anzeigen Das Also dürfen Vertrauen Die Spalte Beiträge
aus Die Bootstrap Wald Zu Sei mehr stabil als diese von Die verstärkt Baum.
Bezogen auf Das Vergleich, ich denken ich Vertrauen Die Spalte Beiträge
aus Die Bootstrap Wald mehr,
Und Ich bin gehen Zu verwenden Die Säulen Das Es empfohlen
als Die Basis für manche andere Modelle.
Was Ausweis wie Zu Tun
Ist finden A Modell Das Ist beide einfacher als Die Bootstrap Wald Modell
Und führt besser In Bedingungen von Validierung Satz Leistung
für vorhersagen passieren oder scheitern.
Vor geht weiter mit Die nächste Modellieren Sachen
Ich bin gehen Zu Tun etwas Das ich sollen haben wahrscheinlich Erledigt bei Die sehr Anfang,
welche Ist Zu nehmen A sehen bei Die Sensoren In A Streudiagramm Matrix
Zu sehen Wie korreliert Die Sensoren Lesungen Sind,
Und Auch sehen bei Histogramme von ihnen als Also Zu sehen Wenn Sie sind Ausreißer anfällig
oder stark verzerrt oder ansonsten höchst nicht- Gaußscher.
Was Also sehen Hier Ist Dort Ist hübsch stark Multikollinearität
unter Die Eingang Variablen allgemein.
Wir sagten nur suchen bei A Teilmenge von ihnen Hier,
Aber Das hoch Multikollinearität besteht fort über alle von Die Sensoren Lesungen.
Das Vorschläge Das für unser Modelle,
Also sollen versuchen Dinge wie Die Logistik Lasso,
Die Logistik elastisch Internet, oder eine Logistik Grat Rückschritt
als Kandidaten für unser Modell Zu vorhersagen passieren oder scheitern.
Vor Also Tun Das Also sollen gehen voraus
Und versuchen Zu verwandeln unser Sensoren Lesungen Hier
Also Das Sie sind A wenig Bits besser- artig Und mehr Gauß- suchen.
Das Ist Genau genommen Wirklich einfach In JMP
Wenn Du haben alle von Die Säulen hoch In Die Verteilung Plattform,
Weil alle Du haben Zu Tun Ist halten nach unten Alt , wählen Fit Johnson,
Und Das Wille fit Johnson Verteilungen Zu alle Die Eingang Variablen.
Das Ist A Familie von Verteilungen
Das Ist basierend An A vier Parameter Transformation Zu Normalität.
Als A Ergebnis, Also haben A Hübsch Merkmale In Dort
Das Also dürfen Auch übertragen mit Alt Klicken,
Wo Also dürfen speichern A Transformation aus Die Original Skala
Zu A Skala Das macht Die Säulen mehr normalerweise verteilt.
Wenn Also gehen zurück Zu Die Daten Tisch,
Also sehen Das für jede Sensoren Spalte, A verwandeln Spalte hat gewesen hinzugefügt.
Wenn Also bringen diese transformiert Säulen hoch mit A Streudiagramm Matrix
Und einige Histogramme,
Also offensichtlich sehen Das Die Daten Sind weniger verzerrt
Und mehr normalerweise verteilt als Die Original Sensoren Säulen nehmen.
Jetzt Die Bootstrap Wald Modell Das Ron gefunden
nur Wirklich empfohlen A klein Nummer von Säulen
für verwenden In Die Modell.
Weil von Die hoch Kollinearität unter Die Säulen,
Die Teilmenge Das Also bekommen könnte leicht Sei Teil
von A größer Gruppe von Säulen Das Sind korreliert mit eins ein anderer.
Es könnte Sei vorteilhaft Zu finden Das größer Gruppe von Säulen
Und arbeiten mit Das bei Die nächste Modellieren Bühne.
Ein explorativ Weg Zu Tun Das
Ist Zu gehen durch Die Cluster Variablen Plattform im JMP .
Wir sagten gehen Zu arbeiten mit Die normalisiert Ausführung von Die Sensoren
Weil Das Plattform Ist PCA Und Faktor Analyse basierend,
Und Wille bieten mehr zuverlässig Ergebnisse Wenn sagte dann Arbeiten mit Daten
Das Sind etwa normalerweise verteilt.
Einmal sagte dann In Die Variable Clusterbildung Plattform,
Also sehen Das Dort Ist sehr klar,
stark Verbände unter Die Eingang Säulen.
Es hat identifiziert Das Dort Sind Sieben Cluster,
Und Die größten Cluster, Die eins Das erklärt Die am meisten Variationen,
hat 25 Mitglieder.
Der Satz von Cluster Mitglieder Ist aufgeführt Hier An Die Rechts.
Lasst uns vergleichen Das mit Die Bootstrap Wald.
Suchen An Die links, Also haben Die Spalte Beiträge
aus Die Bootstrap Wald Modell Das Du sollen Sei vertraut mit von Jetzt.
Herr Die Rechts Also haben Die Liste von Mitglieder
von Das größten Cluster von Variablen.
Wenn Also sehen eng Also sehen Das Die Top sieben beitragen Bedingungen
alle passieren Zu gehören Zu Das Cluster.
Ich bin gehen Zu Hypothese Das Das Satz von 25 Säulen
Sind alle verwandt Zu manche zugrundeliegend Mechanismus
Das Ursachen Die Einheiten Zu passieren oder scheitern.
Was ich wollen Zu Tun nächste Ist ich wollen Zu fit Modelle
verwenden Die verallgemeinert Rückschritt Plattform mit Die Variablen In Cluster 1 Hier.
Es würde Sei langweilig Wenn ich hatte Zu gehen durch
Und individuell wählen diese Säulen aus Und setzen ihnen hinein Die Start Dialog.
Glücklicherweise, Es gibt A viel Einfacher Weg
Wo Du dürfen Nur wählen Die Reihen In Das Tisch
Und Die Säulen Wille Sei ausgewählt In Die Original Daten Tisch
Also Das Wann Also gehen hinein Die fit Modell Start Dialog,
Also dürfen Nur klicken Hinzufügen
Und diese Säulen Wille Sei automatisch hinzugefügt für uns als Modell Auswirkungen.
Einmal ich bekommen hinein Die Verallgemeinert Rückschritt Plattform,
ich ging voraus Und fit A Lasso Modell Und elastisch Netz Modell
Und A Grat Modell haben ihnen verglichen Hier Zu jede andere,
Und Auch Zu Die Logistik Rückschritt Modell Das kam hoch von Standard.
Wir sagten Sehen Das Die Lasso Modell Ist tun A wenig Bits besser als Die ausruhen
In Bedingungen von es ist Validierung verallgemeinert Rs quadrat.
Der Unterschied zwischen diese Methoden
Ist Das Es gibt anders Beträge von Variable Auswahl
Und Multikollinearität Handhabung In jede von ihnen.
Logistische Regression hat NEIN Multikollinearität Handhabung
Und NEIN Variable Auswahl.
Der Lasso Ist mehr von A Variable Auswahl Algorithmus,
obwohl Es hat A wenig Bits von Multikollinearität Handhabung In Es
Weil es ist A bestraft Methode.
Grat Rückschritt hat NEIN Variable Auswahl
Und Ist schwer orientiert um Multikollinearität Handhabung.
Der elastisch Netz Ist A Hybrid zwischen Die Lasso Und Grat Rückschritt.
In Das Fall, Was Also Wirklich Pflege um
Ist Nur Die Modell das ist es gehen Zu ausführen Die am besten.
Wir erlauben Die Validierung Zu Führung uns.
Wir sagten gehen Zu Sei Arbeiten mit Die Lasso Modell aus Hier An.
Hier ist Die Vorhersage Profiler für Die Lasso Modell Das War ausgewählt.
Wir sehen Das Die Lasso Algorithmus hat ausgewählt acht Sensoren
als Sein prädiktiv von passieren oder scheitern.
Es hat manche Großartig integrierte Werkzeuge
für Verständnis Was Die wichtig Variablen Sind,
beide In Die Modell gesamt Und neu Zu JMP Prof 17,
Also haben Die Fähigkeit Zu verstehen
Was Variablen Sind am meisten wichtig für ein Individuell Vorhersage.
Wir dürfen verwenden Die Variable Bedeutung Werkzeuge Zu Antwort Die Fragen,
"Was Sind Die wichtig Variablen In Die Modell?"
Wir haben A Vielfalt von anders Optionen für Das.
Wir haben A Vielfalt von anders Optionen für Wie Das könnte Sei Erledigt.
Aber Weil von Die Multikollinearität Und Weil Das Ist nicht ein sehr groß Modelle,
Ich bin gehen Zu gehen voraus
Und verwenden Die abhängig erneut abgetastet Eingänge Technik,
seit Also haben Multikollinearität In Die Daten,
Und Das hat gegeben uns A Rangfolge von Die am meisten wichtig Bedingungen.
Wir sehen Das Spalte 18 Ist Die am meisten wichtig,
gefolgt von Spalte 27 Und Dann 52, alle Die Weg runter.
Wir dürfen vergleichen Das Zu Die Bootstrap Wald Modelle,
Und Also sehen Das Es gibt Vereinbarung Das Variable 18 Ist wichtig,
entlang mit 52, 61, Und 53.
Aber eins von Die Bedingungen Das Also haben gezogen In
Weil von Die Variable Clusterbildung Schritt Das Also hatte Erledigt,
Sensor 27 wendet sich aus Zu Sei Die zweite am meisten wichtig prädiktiv
In Das Lasso Modell.
Wir haben hoffentlich gewonnen etwas von Gießen A breiter Netz durch Das Schritt.
Wir haben gefunden A Begriff Das nicht drehen hoch
In entweder von Die Bootstrap Wald oder Die verstärkt Baum Methoden.
Wir Auch sehen Das Die Lasso Modell hat ein Rs quadrat von 0,9,
wohingegen Die Bootstrap Wald Modell hatte ein Rs quadrat von 0,8.
Wir haben A einfacher Modell Das hat ein Einfacher bilden Zu verstehen
Und Ist Einfacher Zu arbeiten mit
Und Auch hat A höher prädiktiv Kapazität als Die Bootstrap Wald Modell.
Jetzt, Die Variable Bedeutung Metriken In Die Profiler
haben gewesen Dort für ganz manche Zeit.
Der Frage Das Sie Antwort Ist "Welche Prädiktoren haben der Größte Auswirkungen
An Die Form von Die Antwort Oberfläche über Die Daten oder über A Region?"
In JMP 17 Profi, Also haben A neu Technik angerufen Gestalten Werte
Das Ist ein Zusatzstoff Zersetzung von ein Individuell Vorhersage.
Es erzählt Du von Wie viel jede Individuell Variable trägt bei
Zu A einzel Vorhersage,
eher als reden um Variabilität erklärt über Die ganz Raum.
Der Auflösung von Die Frage das ist es antwortete von Shapley Werte
Ist weit mehr lokal als entweder Die Variable Bedeutung Werkzeuge
oder Die Spalte Beiträge i N Die Bootstrap Wald.
Wir dürfen erhalten Die Shapley Werte von gehen Zu Die Rot Dreieck Speisekarte für Die Profiler,
Und Also finden Die Optionen für ihnen über Hier, Vierter von Die unten.
Wann Also wählen Die Optionen, Die Profiler spart zurück Gestalten Säulen
für alle von Die Eingang Variablen Zu Die Modell.
Das Ist von Kurs, Ereignis für jeden Reihe In Die Tisch.
Was Du dürfen sehen Ist Das Die SHAP V Werte Sind geben Du Die Wirkung
von jede von Die Säulen An Die prädiktiv Modell.
Das Ist nützlich In A ganz viele von anders Wege,
Und für Das Grund, es ist bekommen A viele von Aufmerksamkeit in verständlich KI,
Weil Es erlaubt uns Zu sehen
was zum Beiträge Sind von jede Spalte Zu A Schwarz Kasten Modell.
Hier, Ich habe geplottet Die SHAP V Werte für Die Säulen Das Sind prädiktiv
In Die zuletzt Modell fit Das Also Nur gebaut.
Wenn Also Umschalten zurück Und her zwischen Die Gut Einheiten Und Die Einheiten Das fehlgeschlagen,
Also sehen Die Dasselbe Geschichte Das wir haben gewesen Sehen
mit Die Variable Bedeutung Metriken für Das
Das Spalte 18 Und Spalte 27 Sind wichtig In vorhersagen passieren oder scheitern.
Wir sagten Sehen Das bei A höher Ebene von Auflösung
als Also Tun mit Die Variable Bedeutung Metriken,
Weil jede von diese Punkte entspricht Zu ein Individuell Reihe
In Die Original Datensatz.
Aber In Das Fall, ich nicht sehen Die Gestalten Werte
Wirklich geben uns uns neu Information.
ich hatte gehofft Das von umschalten durch
Die andere Versagen Modi, Vielleicht ich könnte finden A Muster
Zu helfen necken aus anders Sensoren
Das Sind mehr wichtig für insbesondere Versagen Modi.
Aber Die nur Ding ich War fähig Zu finden War Das Spalte 18
hatte A etwas stärker Auswirkungen An Die Geschwindigkeit Typ 1 Versagen Modus
als Die andere Versagen Modi.
Bei Das Punkt, wir haben hatte manche erfolgreich
verwenden diese Cluster 1 Säulen In A binär passieren/ scheitern Modell.
Aber Wann ich gebrochen aus Die Gestalten Werte
für Das Modelle, von Die anders Fehlermodi
ich war nicht fähig Zu erkennen A Muster oder viel von A Muster.
Was ich tat nächste War ich ging voraus
Und fit Die Versagen Modus Antwort Spalte prüfen Ergebnisse
verwenden Die Cluster 1 Säulen,
Aber ich ging voraus Und ausgeschlossen alle Die passieren Reihen
Also Das Die Modellieren Verfahren würde Fokus ausschließlich
An anspruchsvoll welche Versagen Modus es ist gegeben Das Also haben A Versagen.
ich versucht Die multinomial Lasso, elastisch Internet, Und Grat,
Und ich War insbesondere Glücklich mit Die Lasso Modell
Weil Es gab Mich A Validierung Rs quadrat von um 0,94.
Haben gewesen hübsch Glücklich mit Das
ich ging voraus Und Gerettet Die Wahrscheinlichkeit Formeln
für jede von Die Versagen Modi.
Jetzt Die Aufgabe Ist Zu kommen hoch mit A einfach Regeln
Das Post Prozesse Das Vorhersage Formel
Zu machen A Entscheidung um welche Versagen Modus.
ich Anruf Das Die Partition Trick.
Der Partitionstrick ist Wo ich setzen In Die Wahrscheinlichkeit Formeln
für A kategorisch Antwort, oder sogar A multinomial Antwort.
ich setzen diese Wahrscheinlichkeit Formeln In als Xs.
ich verwenden Mein kategorisch Antwort als Mein Y.
Das Ist Die Dasselbe Antwort Das War gebraucht
für alle von diese außer für Pass Genau genommen.
ich zurückbehalten Die Dasselbe Validierung Spalte Das Ich habe gewesen Arbeiten mit Die ganz Zeit.
Jetzt Das Ich bin In Die Partition Plattform,
Ich bin gehen Zu Schlag Teilt A Paar von mal, Und Ich bin gehen Zu Hoffnung
Das ich Ende hoch mit ein leicht verständlich Entscheidung Regeln
das ist es einfach Zu kommunizieren.
Das Mai oder Mai nicht passieren.
Manchmal Es funktioniert, Manchmal Es nicht.
Also ich Teilt einmal, Und Also Ende hoch Sehen Das
wann immer Die Wahrscheinlichkeit von passieren Ist höher als 0,935,
Also fast sicherlich haben A passieren.
Nicht viele geht vorbei Sind links über An Die andere Seite.
ich nehmen ein anderer Teilt.
Wir finden A Entscheidung Regeln An ES M
Das Ist höchst prädiktiv von ES M als A Versagen Modus.
Teilt wieder.
Wir finden Das wann immer Motor Ist weniger als 0,945,
sagte dann entweder vorhersagen Motor oder Bremse.
Wir nehmen ein anderer Teilt.
Wir finden Das wann immer Geschwindigkeit Typ 1, seine Wahrscheinlichkeit Ist größer als 0,08
oder wahrscheinlich In A Geschwindigkeit Typ 1 Situation oder In A Geschwindigkeit T Ja 2 Situation.
Wann immer Geschwindigkeit Typ 1 Ist weniger als 0,79,
sagte dann wahrscheinlich In A Greifer Versagen Modus oder ein IMP Versagen Modus.
Was Tun Also haben Hier? Wir haben A einfach Entscheidung Regeln.
Wir sagten gehen Zu nicht Sei fähig Zu brechen diese Versagen Modi runter viel weiter
wegen Die sehr klein Nummer von tatsächlich Veranstaltungen Das Also haben.
Aber Also dürfen drehen Das hinein A einfach Regeln
für identifizieren Einheiten Das Sind wahrscheinlich Gut,
Und Wenn Sie sind nicht, Also haben ein Idee von Wo Zu sehen Zu Fix Die Problem.
Wir dürfen speichern Das Entscheidung Regeln aus als A Blatt Etikett Formel.
Wir sehen Das An Die Validierung Satz,
Wann Also vorhersagen es ist Gut, Es ist am besten von Die Zeit.
Wir tat haben eins Fehlklassifizierung von A Geschwindigkeit Typ 2 Versagen
Das War Genau genommen vorhergesagt Zu Sei Gut.
Vorhersagen Greifer oder IMP, es ist alle über Die Ort.
Das Blatt War nicht super nützlich.
Vorhersagen ITM ist 100 %.
Wann immer Also vorhersagen A Motor oder Bremsen,
An Die Validierung Satz, Also haben A Motor oder A Bremse Versagen.
Wann Also vorhersagen A Geschwindigkeit Typ 1 oder 2,
Es tat A hübsch Gut Arbeit von pflücken Das hoch
mit Das eins Ausnahme von Die einzel Geschwindigkeit Typ 2 Einheit
Das War In Die Validierung Satz,
Und Das hier passiert Zu haben gewesen falsch klassifiziert.
Wir haben ein leicht betriebsbereit Regeln Hier Das könnte Sei gebraucht Zu Sortieren Produkte
Und geben uns A Kopf Start An Wo Also brauchen Zu sehen Zu Fix Dinge.
ich denken Das War A hübsch herausfordernd Probleme,
Weil Also nicht haben A ganz viele von Daten.
Aber Also nicht haben A viele von Reihen,
Aber Also hatte A viele von anders Kategorien Zu vorhersagen
und ein ganz viele von möglich Prädiktoren Zu verwenden.
Wir haben bekommen Dort von nehmen A Serie von Schritte,
fragen Fragen,
Manchmal nehmen A Schritt zurück Und fragen A größer Frage.
Andere mal, Verengung In An insbesondere Unter- Probleme.
Manchmal unser Ausflüge nehmen fruchtbar, Und Manchmal Sie waren nicht.
Unser Zweck Hier Ist Zu veranschaulichen
Wie Du dürfen Schritt durch A Modellieren Verfahren,
durch Das Reihenfolge von fragen Fragen
verwenden Modellieren Und Visualisierung Werkzeuge Zu Führung dein nächste Schritte,
Und ziehen um An bis du bist fähig Zu finden
A nützlich, umsetzbar, prädiktiv Modell.
Danke Du sehr viel für dein Aufmerksamkeit.
Wir sehen nach vorne Zu reden Zu Du In unser Fragen und Antworten Sitzung Kommen hoch nächste.
