你好，我是罗恩肯尼思.
这是A联合的讲话和克里斯戈特沃尔特。
我们说去到讲话到你关于楷模。
型号有用过的广泛地。
我们希望到带来一些额外的看法
在如何到使用楷模在一般的。
我们称呼这讲话
“不同的目标，不同的楷模：
如何到使用楷模到锐化你的问题。”
我的部分将要是一个介绍，和患病的给一个例子。
你会有使用权到这数据我是使用。
然后克里斯将要继续与一个更多的复杂的例子，
介绍这夏普价值观可用的在联合管理计划17、
和提供一些结论。
我们全部知道那全部楷模是错误的，
但一些是有用。
山姆卡林说某物不同的。
嘿说那这目的的楷模是不是到合身这数据，
但到锐化这问题。
然后这家伙，巴勃罗毕加索，嘿说某物在...
嘿死了在1973年，所以你能想象什么时候这曾是说。
我思考在这早期的'70 s。
“电脑是无用。 他们能仅有的给你答案。”
嘿是更多的在线和卡林.
我的拿在这是那个
这呈现关键区别之间A模型和A电脑程序。
我是看着在这模型从A统计学家的看法。
交易和盒子的著名的陈述。
“是的，一些是有用。哪个那些？”
请帮助我们。
做什么你意思是经过一些是有用？
它是不是非常有用到说那。
前往卡林， “锐化这问题。”
好的，就是这样A好的主意。
如何做出色地做那？
这观点是那盒子似乎专注的在数据分析阶段
从统计的生命周期来看，从问题引发开始，
动作到目标公式，数据收藏，数据分析，
发现，操作化的发现
沟通的发现，和影响评估。
卡林是更多的专注的在这问题启发阶段。
这些二引号的盒子和卡林
参考到不同的阶段在这生活循环。
这数据我是去到使用是一个工业的数据放，
174 条观察结果。
我们有传感器数据。
我们有63传感器。
他们是贴上标签1, 2, 3, 4到63.
我们有二回复变量。
这些是未来从测试一些系统。
这地位报告是失败/通过。
52.8%的这系统那拿经测试失败的。
我们有其他报告，
哪个是A更多的详细的报告在测试结果。
什么时候系统失败，
出色地有一些分类的这失败。
测试结果是更多的详细的。
地位是去/不去。
这目标是到决定这系统地位从这传感器数据
所以那出色地能或许避免这成本和延误的测试，
和出色地能有一些早期的预测在这信仰的这系统。
一方法出色地能拿是到使用A增强的树。
我们放这地位作为响应，63 个传感器 X, 因素。
这增强的树是训练有素的依次，一树在A时间。
时间嘿其他模型然后说去到使用是随机的森林，
和就是这样完毕和独立的树。
那里是A顺序的方面在增强的树
那是不同的从随机的森林。
这设置的增强的树涉及三参数：
这数字的树木，深度的树木，和这学习速度。
这是什么联合管理计划给出作为默认值。
提升树能是用过的到解决最多客观的功能。
我们可以使用它为了泊松回归，
哪个是交易和计数那是A位更难到达到
和随机的森林。
我们说去到重点在这些二类型的楷模。
什么时候出色地申请这增强的树，
和出色地有A验证放向上
和43系统画随机地作为这验证放。
一百三十一个系统用来为了这训练放。
我们是得到A 9.3%错误分类速度。
三失败的系统。
我们知道他们失败的因为出色地有它在这数据，
拿实际上分类作为经过。
这20那通过了， 19拿分类作为经过。
这错误的预料到的经过是13 %。
我们能看在这多变的柱子贡献。
我们看那传感器56、 18、 11、和61是这顶部四
在条款的贡献到这分类。
我们看那在这训练放，出色地有零错误分类。
我们可能有一些超过适合我n这BT应用。
如果出色地看在这举起曲线，
40 %的这系统，出色地能得到超过二举起
哪个是该分类器为我们提供的性能。
如果出色地尝试这嘘声陷阱森林，
其他选项，再次，出色地做这相同的事物。
我们使用这相同的验证放。
这默认值的联合管理计划是给予你一些参数
为了这数字的树
和这数字的特征到是已选择在每个模式。
这是如何这随机的森林作品。
你应该是意识到的那这是不是非常好的
如果你有绝对的变量和丢失的数据，
哪个是不是我们的案件这里。
现在，这错误分类速度是6.9,降低比前。
先生这训练放，出色地有一些错误分类。
这随机的森林应用到这测试地位，
哪个方法什么时候出色地有这细节在这失败是23.4，
所以坏的表现。
还，在这训练放，出色地有5%错误分类。
但出色地有现在A更宽的范围的选项
这就是解释一些的这降低表现。
在这举起曲线在这测试结果，
出色地实际上和相当好的表现，
能挑选向上这顶部10 %的这系统和A杠杆作用的多于10.
所以出色地有超过十个折叠增加为了10 %的这系统
相对的到这盛大平均的。
现在这是摆姿势A问题-记住这话题的这讲话-
什么是出色地看着在？
做出色地想到确认顶部分数好的系统？
这随机的森林会做那和这测试结果。
或者做出色地想到预测A高的部分的经过？
这自举树会提供那。
A中学问题是到看在什么是影响这分类。
我们能看在这柱子贡献在这增强的树。
三的这四顶变量展示向上还在这随机的森林。
如果出色地使用这地位过关失败，
或者这详细的结果，
那里是A地段的相似在这重要性的这传感器。
这是只是给予你一些背景。
克里斯是去到跟随向上和一个评估的这灵敏度
的这多变的重要性，这使用的形状v价值观
以及更多有趣的东西。
这去后退到质疑什么是你的目标，
和如何是这模型帮助你数字出去这目标
和或许锐化这问题那来了从这陈述的这目标。
克里斯，它是全都是你的。
谢谢，罗恩.
我是去到挑选向上从在哪里罗恩离开
和寻找A模型那将要预测无论或者不是A单元是好的或者不是，
和如果它不是什么是这大概失败模式那有结果？
这会是有用在那里面如果A模型是好的在预测好的单位，
出色地可能不是有到主题他们到很多更远测试。
如果这模型给出A预料到的失败模式，
然后说有能力的到得到A头开始在诊断和定影这问题，
和可能，出色地可能是有能力的到得到一些提示
在如何到提升这生产过程在这未来。
我是去到去通过这顺序
的如何我接近回答这问题从这数据。
我想到说在这输出那这是简单地这小路那我拿
作为我问问题的这数据和采取行动在各种各样的图案那我看。
那里是字面上地许多其他方法那一可以继续和这。
有经常不是真的A确实正确的回答，
只是A标准为了无论或者不是这模型是好的足够的
和这数量那你是有能力的到得到完毕
在这时间那你有到得到A结果后退。
我有不怀疑那那里是更好的楷模出去那里
比什么我来了向上和这里。
我们的目标是到展示一个实际的过程的对付A预言问题，
说明如何一能移动向前
经过迭代通过周期的造型和可视化，
已关注经过观察这结果和使用他们到问其他问题
直到出色地寻找某物的一个回答。
我将要是使用联合管理计划作为A统计数据瑞士军队刀，
使用许多工具在联合管理计划
和下列的这直觉我有关于造型数据
那有建成向上超过许多年。
第一的，让我们只是拿A看
在这频率的这各种各样的测试结果类别。
我们看那这最大的和最多经常类别是好的。
出色地大概有这最多运气存在有能力的到预测那类别。
先生这其他手，这求救类别有仅有的二事件
所以它是去到是非常难的为了我们到是有能力的到做很多和那类别。
我们可能有到放那一分开。
出色地看关于那。
速度二、 IMP，和制动
是全部相当稀有的和五或者六事件每个。
那里可能是一些局限性在什么然后说有能力的到做和他们作为出色地。
我说这因为出色地有174观察
和出色地有63预测因子。
所以出色地有A地段的预测因子为了A非常小的数字的观察，
哪个是实际上甚至较小什么时候你考虑这频率
的一些的这类别那然后说试到预测。
我们说去到有到工作迭代地经过正在做可视化在造型，
认出图案,询问问题，
和然后表演在那些和其他造型步迭代地
在命令到寻找A模型就是这样去到做A好的工作
的预测这些回复类别。
我有这数据已排序经过测试结果，
所以那这好的结果是在这开始，
已关注经过每个的这不同的失败模式d这一口之后那。
我去先和有色每个的这行经过测试结果所以那出色地能看
哪个观察属于到A特别回复类别。
所以然后我去进入这模型-驱动的多变量控制图表
和我带来在全部的这传感器作为过程变量。
自从我有这好的测试结果在这开始，
我贴上标签那些作为历史的观察。
这给我们A T²图表。
它是选择的13主要的成分作为它是基础。
什么出色地看这里
是那这图表是占主导地位经过这些二点正确的这里
和全部的这其他点是非常小的在价值
相对的到那些二。
这两点发生到是紧急求救点。
他们是非常严肃的异常值在这传感器读数。
自从出色地还仅有的有二观察的那些，
我是去到去先和拿那些出去的这数据放
和说嗯，SOS 是明显地所以坏的那这传感器
应该是只是飞行离开这图表。
如果出色地遇到它，然后说只是去到去先
和尝试到忧虑我们自己和这其他价值观
那不有这离开-这-图表行为。
交换到A日志规模，出色地看那这好的测试结果
是相当出色地-表现良好。
然后有确实信号
在这数据为了这不同的失败模式。
现在出色地能钻头向下A小的位更深，
采取A看在这贡献地块为了这历史的数据，
这好的测试结果数据，和这失败模式
到看如果我们图案出现在这传感器那出色地能行为之上。
我是去到消除那些两次求救观察
和选择这好的单位。
如果我右键点击在这阴谋，
我能带来向上A贡献阴谋
为了这好的单位，和然后我能去超过到这单位
在哪里那里曾是A失败，和我能做这相同的事物
和出色地是有能力的到比较这贡献地块边经过边。
所以什么出色地看这里是这贡献地块
为了这经过单位和这失败单位。
这贡献地块
是这数量那每个柱子是贡献到这时间²
为了A特别排。
每一个这酒吧那里对应到一个个人传感器为了那排。
贡献地块是有色绿色的什么时候那柱子是之内三西格玛,
使用一个个人和移动范围图表，
和它是红色的如果它是出去的控制。
看出色地看最多的这传感器是在控制为了这好的单位，
和最多的这传感器是出去的控制为了这失败的单位。
什么我曾是希望为了这里
会有到过如果那里曾是仅有的A子集的这列
或者传感器那拿出去的控制结束了这失败的单位。
或者如果我曾是有能力的到看图案
那改变了穿过这不同的失败模式，
哪个会帮助我隔离什么变量是重要的
为了预测这测试结果结果。
很遗憾，漂亮的很多全部的这传感器
是在控制什么时候事物是好的，
和最多的他们是出去的控制什么时候事物是坏的。
所以我们要有到使用一些更多的复杂的造型
到是有能力的到处理这预言问题。
拥有不是成立任何事物在这柱子贡献地块，
我是去到后退向上和返回到这二楷模那罗恩成立。
看是这柱子贡献为了那些二楷模，
和出色地看那有一些协议在条款的
什么是这最多重要的传感器。
但增强的树成立A有些更大放的传感器作为存在重要的
超过这引导程序森林。
哪个的这些二楷模应该出色地相信更多的？
如果出色地看在这全面的模型合身报告，
出色地看那这增强的树模型有A非常高的训练卢比方形的0.998
和A有些较小的v确认卢比方形的0.58。
这看起来喜欢一个过拟合情况。
什么时候出色地看在这随机的森林，它有A有些较小训练卢比方形，
也许A更多的实际的一，比这引导程序森林，
和它有A有些更大验证卢比方形。
这概括表现的这随机的森林
是希望A小的位更好的。
我是倾斜的到相信这随机的森林模型A小的位更多的。
部分的这是去到是基于之上只是这民俗学的这些二楷模。
提升树是著名的为了存在快速地，高度准确的楷模
那工作出色地在非常大的数据集。
然而这传闻是那随机的森林是更多的准确的在较小数据集。
他们是相当强壮的，凌乱的，和嘈杂数据。
有A长的历史的使用这些种类的楷模
为了多变的选择那去后退到A纸在2010年
那有到过引用几乎1200次。
所以这是A受欢迎的方法为了多变的选择。
我做过A相似的搜索为了提升，
和我没有相当看作为很多历史大约多变的选择
为了增强的树作为我做过为了随机的森林。
为了这给定数据设置 r正确的这里，
出色地能做A灵敏度分析到看如何可靠的
这柱子贡献是为了这些二不同的方法,
使用这模拟能力在联合管理计划教授。
什么出色地能做是创造A随机的验证柱子
那是A公式柱子
那你能重新初始化和将要分割这数据
进入随机的训练和坚持套的这相同的部分
作为这原来的验证柱子。
我们能有它重新运行这些二分析
和保持追踪的这柱子贡献部分
为了每个的这些重新分区。
我们能看如何持续的这故事是
之间这增强的树楷模和这随机的森林。
这是漂亮的简单的到做。
我们就走到这制作验证柱子公用事业
和什么时候出色地制作A新的柱子，出色地问它到制作A公式柱子
所以那它可以是重新初始化。
然后出色地能返回到这引导程序森林平台，
正确的-点击在这柱子贡献部分，
选择模拟。
它会带来向上A对话
询问我们哪个的这输入列出色地想到转变出去。
我是去到选择这验证柱子，
和我是去到转变在替换中的它，
这随机的验证公式柱子。
我们说去到做这一百次。
引导程序森林是去到是重新运行
使用新的随机的分区的这数据进入训练和验证。
我们说去到看在这分配的这部分
穿过全部这模拟运行。
这将要产生A数据集
的柱子贡献部分为了每个传感器。
我们能拿这和去进入这图形建设者
和拿A看和看如何持续的那些柱子贡献是
穿过全部这些随机的分区的这数据。
看是A阴谋的这柱子贡献部分
从每个的这100随机的改组的这验证柱子。
那些点出色地看在这里是灰色的，
传感器18似乎到是始终如一地A大的贡献者，作为做传感器61.
我们还看和这些红色的十字架,
那些是这柱子贡献从这原来的分析那罗恩做过。
这全面的故事那这告诉是那这趋势
我s那每当这原来的柱子贡献很小
那些关于模拟的柱子贡献还照顾到是小的。
什么时候这柱子贡献拿大的在这原来的分析，
他们照顾到停留大的。
我们说得到A相对地持续的故事从这引导程序森林
在条款的什么列是重要的。
现在出色地能做这相同的事物和这增强的树，
和这结果不是相当作为持续的作为他们拿和这引导程序森林。
所以这里是A束的列
在哪里这最初的柱子贡献来了非常小
但他们有A更多的重大的贡献
在一些的这随机的重新洗牌的这验证柱子。
那还发生了相当A位结束了这些列52通过55超过这里。
然后那里拿还一些情况
在哪里这原来的柱子贡献曾是相当大的，
和最多，如果不是全部，
的这其他柱子贡献成立在这模拟拿较小。
那发生这里和柱子48、
和到一些程度还和柱子11超过这里。
这全面的结论存在那我思考这验证洗牌
是表明那出色地能相信这柱子贡献
从这引导程序森林到是更多的稳定的比那些的这增强的树。
基于这比较，我思考我相信这柱子贡献
从这引导程序森林更多的，
和我是去到使用这列那它受到推崇的
作为这基础为了一些其他楷模。
什么ID喜欢到做
是寻找A模型那是两个都更简单比这引导程序森林模型
和施行更好的在条款的验证放表现
为了预测经过或者失败。
前诉讼程序和这下一个造型东西
我是去到做某物那我应该有大概完毕在这非常开始，
哪个是到拿A看在这传感器在A散点图矩阵
到看如何相关的这传感器读数是，
和还看在直方图的他们作为出色地到看如果他们是异常值易于
或严重倾斜的或者否则高度非高斯。
什么出色地看这里是那里是漂亮的强的多重共线性
其中这输入变量一般来说。
我们说仅有的看着在A子集的他们这里，
但这高的多重共线性坚持穿过全部的这传感器读数。
这建议那为了我们的楷模，
出色地应该尝试事物喜欢这后勤套索，
这后勤松紧带互联网，或者物流岭回归
作为候选人为了我们的模型到预测经过或者失败。
前出色地做那出色地应该去先
和尝试到转换我们的传感器读数这里
所以那他们是A小的位更好的-表现得和更多的高斯-看着。
这是实际上真的简单的在联合管理计划
如果你有全部的这列向上在这分配平台，
因为全部你有到做是抓住按下Alt键,选择合身约翰逊，
和这将要合身约翰逊分布到全部这输入变量。
这是A家庭的分布
那是基于在A四参数转型到常态。
作为A结果，出色地有A好的特征在那里
那出色地能还播送使用 Alt点击，
在哪里出色地能节省A转型从这原来的规模
到A规模那使这列更多的通常情况下分散式。
如果出色地去后退到这数据桌子，
出色地看那为了每个传感器柱子， A转换柱子有到过添加。
如果出色地带来这些转变的列向上和A散点图矩阵
和一些直方图，
出色地明显地看那这数据是较少的倾斜的
和更多的通常情况下分散式比这原来的传感器列拿。
现在这引导程序森林模型那罗恩成立
仅有的真的受到推崇的A小的数字的列
为了使用在这模型。
因为的这高的共线性其中这列，
这子集那出色地得到可以容易地是部分
的A更大团体的列那是相关的和一其他。
它可以是有利到寻找那更大团体的列
和工作和那在这下一个造型阶段。
一个探索性的方式到做这
是到去通过这簇变量平台在 JMP 中。
我们说去到工作和这归一化版本的这传感器
因为这平台是主成分分析和因素分析基于，
和将要提供更多的可靠的结果如果然后说在职的和数据
那是大约通常情况下分散式。
一次然后说在这多变的聚类平台，
出色地看那那里是非常清除，
强的协会其中这输入列。
它有已确定那那里是七簇,
和这最大的簇，这一那解释这最多变化，
有25成员。
这放的簇会员是列出这里在这正确的。
让我们比较这和这引导程序森林。
看在这左边，出色地有这柱子贡献
从这引导程序森林模型那你应该是熟悉的和经过现在。
先生这正确的出色地有这列表的会员
的那最大的簇的变量。
如果出色地看密切出色地看那这前七名贡献条款
全部发生到属于到这簇。
我是去到假设那这放的25列
是全部有关的到一些潜在的机制
那原因这单位到经过或者失败。
什么我想到做下一个是我想到合身楷模
使用这广义的回归平台和这变量在簇1这里。
它会是乏味如果我有到去通过
和单独地挑选这些列出去和放他们进入这发射对话。
幸运的是，有A很多更轻松方式
在哪里你能只是选择这行在那桌子
和这列将要是已选择在这原来的数据桌子
所以那什么时候出色地去进入这合身模型发射对话，
出色地能只是点击添加
和那些列将要是自动地添加为了我们作为模型影响。
一次我得到进入这广义的回归平台，
我去先和合身A套索模型和松紧带网模型
和A岭模型具有他们比较的这里到每个其他，
和还到这后勤回归模型那来了向上经过默认。
我们说看到那这套索模型是正在做A小的位更好的比这休息
在条款的它是验证广义的卢比方形。
这不同之处之间这些方法
是那有不同的金额的多变的选择
和多重共线性处理在每个的他们。
逻辑回归有不多重共线性处理
和不多变的选择。
这套索是更多的的A多变的选择算法，
尽管它有A小的位的多重共线性处理在它
因为它是A受到惩罚的方法。
岭回归有不多变的选择
和是重重地导向的大约多重共线性处理。
这松紧带网是A杂交种之间这套索和岭回归。
在这案件，什么出色地真的关心关于
是只是这模型就是这样去到履行这最好的。
我们允许这验证到指导我们。
我们说去到是在职的和这套索模型从这里在。
这是这预言分析器为了这套索模型那曾是已选择。
我们看那这套索算法有已选择八传感器
作为存在预测性的的经过或者失败。
它有一些伟大的内置工具
为了理解什么这重要的变量是，
两个都在这模型全面的和新的到联合管理计划教授17、
出色地有这能力到理解
什么变量是最多重要的为了一个个人预言。
我们能使用这多变的重要性工具到回答这问题，
“什么是这重要的变量在这模型？”
我们有A种类的不同的选项为了这。
我们有A种类的不同的选项为了如何这可以是完毕。
但因为的这多重共线性和因为这是不是一个非常大的楷模，
我是去到去先
和使用这依赖的重新采样输入技术，
自从出色地有多重共线性在这数据，
和这有给定我们A排行的这最多重要的条款。
我们看那柱子18是这最多重要的，
已关注经过柱子27和然后52、全部这方式向下。
我们能比较这到这引导程序森林楷模，
和出色地看那有协议那多变的18是重要的，
沿着和52、 61、和53.
但一的这条款那出色地有拉在
因为的这多变的聚类步那出色地有完毕，
传感器27轮流出去到是这第二最多重要的预测性的
在这套索模型。
我们已经希望获得某物经过铸件A更宽的网通过那步。
我们已经成立A学期那没有转动向上
在任何一个的这引导程序森林或者这增强的树方法。
我们还看那这套索模型有一个卢比方形的0.9,
然而这引导程序森林模型有一个卢比方形的0.8。
我们有A更简单模型那有一个更轻松形式到理解
和是更轻松到工作和
和还有A更高预测性的容量比这引导程序森林模型。
现在，这多变的重要性指标在这分析器
有到过那里为了相当一些时间。
这问题那他们回答是“哪个预测因子有最大的影响
在这形状的这回复表面超过这数据或者超过A地区？”
在联合管理计划17 号亲，出色地有A新的技术被称为夏普价值观
那是一个添加剂分解的一个个人预言。
它告诉你经过如何很多每个个人多变的贡献
到A单身的预言，
相当比说关于变化性解释了超过这所有的空间。
这解决的这问题就是这样回答了经过沙普利价值观
是远的更多的当地的比任何一个这多变的重要性工具
或者这柱子贡献一n这引导程序森林。
我们能获得这沙普利价值观经过去到这红色的三角形菜单为了这分析器，
和出色地寻找这选项为了他们超过这里，第四个来自这底部。
什么时候出色地选择这选项，这分析器节省后退夏普列
为了全部的这输入变量到这模型。
这是的课程，正在发生为了每一个排在这桌子。
什么你能看是那这第五型价值观是给予你这影响
的每个的这列在这预测性的模型。
这是有用在A所有的地段的不同的方法，
和为了那原因，它是得到A地段的注意力以可理解的方式人工智能，
因为它允许我们到看
什么贡献是的每个柱子到A黑色的盒子模型。
这里，我有绘制的这第五型价值观为了这列那是预测性的
在这最后的模型拟合那出色地只是建造的。
如果出色地切换后退和向前之间这好的单位和这单位那失败的，
出色地看这相同的故事那我们已经到过看见
和这多变的重要性指标为了这
那柱子18和柱子27是重要的在预测经过或者失败。
我们说看到这在A更高等级的解决
比出色地做和这多变的重要性指标，
因为每个的这些点对应到一个个人排
在这原来的数据集。
但在这案件，我不看这夏普价值观
真的给予我们我们新的信息。
我有希望那经过切换通过
这其他失败模式，或许我可以寻找A图案
到帮助逗出去不同的传感器
那是更多的重要的为了特别失败模式。
但这仅有的事物我曾是有能力的到寻找曾是那柱子18
有A有些更强影响在这速度类型1失败模式
比这其他失败模式。
在这观点，我们已经有一些成功的
使用那些簇1列在A二进制经过/失败模型。
但什么时候我破碎的出去这夏普价值观
为了那楷模，经过这不同的失效模式
我不是有能力的到辨别A图案或者很多的A图案。
什么我做过下一个曾是我去先
和合身这失败模式回复柱子测试结果
使用这簇1列，
但我去先和排除全部这经过行
所以那这造型程序会重点只
在挑剔的哪个失败模式这是给定那出色地有A失败。
我尝试过这多项式套索，松紧带互联网，和岭，
和我曾是特别快乐的和这套索模型
因为它给了我A验证卢比方形的关于0.94。
拥有到过漂亮的快乐的和那
我去先和已保存这可能性公式
为了每个的这失败模式。
现在这任务是到来向上和A简单的规则
那邮政流程那预言公式
到制作A决定关于哪个失败模式。
我称呼这这分割诡计。
分区技巧是在哪里我放在这可能性公式
为了A绝对的回复，或者甚至A多项式回复。
我放那些可能性公式在作为X。
我使用我的绝对的回复作为我的Y。
这是这相同的回复那曾是用过的
为了全部的这些除了通行证实际上。
我保持这相同的验证柱子那我有到过在职的和这所有的时间。
现在那我是在这分割平台，
我是去到打分裂A夫妻的次，和我是去到希望
那我结尾向上和一个容易地可以理解的决定规则
就是这样简单的到交流。
那可能或者可能不是发生。
有时它作品，有时它没有。
所以我分裂一次，和出色地结尾向上看到那
每当这可能性的经过是更高比0.935,
出色地几乎当然有A经过。
不是许多通过是左边超过在这其他边。
我拿其他分裂。
我们寻找A决定规则在信息技术管理
那是高度预测性的的信息技术管理作为A失败模式。
分裂再次。
我们寻找那每当发动机是较少的比0.945,
然后说任何一个预测发动机或者制动。
我们拿其他分裂。
我们寻找那每当速度类型1、它的概率是大比0.08
或可能在A速度类型1情况或者在A速度T类型2情况。
每当速度类型1是较少的比0.79,
然后说大概在A夹子失败模式或者一个内啡肽失败模式。
什么做出色地有这里？ 我们有A简单的决定规则。
我们说去到不是是有能力的到休息这些失败模式向下很多更远
因为这非常小的数字的实际的事件那出色地有。
但出色地能转动这进入A简单的规则
为了识别单位那是大概好的，
和如果他们是不是，出色地有一个主意的在哪里到看到使固定这问题。
我们能节省这决定规则出去作为A叶子标签公式。
我们看那在这验证放，
什么时候出色地预测它是好的，这是最好的的这时间。
我们做过有一错误分类的A速度2型失败
那曾是实际上预料到的到是好的。
预测夹具或者IMP，它是全部超过这地方。
那叶子曾是不是极好的有用。
预测ITM 是100 %。
每当出色地预测A发动机或者刹车，
在这验证放，出色地有A发动机或者A制动失败。
什么时候出色地预测A速度类型1 或 2,
它做过A漂亮的好的工作的采摘那向上
和那一例外的这单身的速度类型2单元
那曾是在这验证放，
和那个发生了到有到过错误分类。
我们有一个容易地操作规则这里那可以是用过的到种类产品
和给我们A头开始在在哪里出色地需要到看到使固定事物。
我思考这曾是A漂亮的具有挑战性的问题，
因为出色地没有有A所有的地段的数据。
但出色地没有有A地段的行，
但出色地有A地段的不同的类别到预测
和一个所有的地段的可能的预测因子到使用。
我们已经得到那里经过采取A系列的脚步，
询问问题，
有时采取A步后退和询问A大问题。
其他次，缩小在在特别子问题。
有时我们的短途旅行拿卓有成效，和有时他们不是。
我们的目的这里是到阐明
如何你能步通过A造型过程，
通过这顺序的询问问题
使用造型和可视化工具到指导你的下一个脚步，
和移动在直到你是有能力的到寻找
A有用，可操作的，预测性的模型。
谢谢你非常很多为了你的注意力。
我们看向前到说到你在我们的问答会议未来向上下一个。
