你好，我是榮恩肯尼斯.
這是A聯合的演講和克里斯戈特沃爾特。
我們說去到演講到你關於楷模。
型號有用過的廣泛地。
我們希望到帶來一些額外的看法
在如何到使用楷模在一般的。
我們稱呼這演講
「不同的目標，不同的楷模：
如何到使用楷模到銳化你的問題。”
我的部分將要是一個介紹，和患病的給一個例子。
你會有使用權到這數據我是使用。
然後克里斯將要繼續與一個更多的複雜的例子，
介紹這夏普價值觀可用的在聯合管理計劃17、
和提供一些結論。
我們全部知道那全部楷模是錯誤的，
但一些是有用。
山姆卡林說某物不同的。
嘿說那這目的的楷模是不是到合身這數據，
但到銳化這問題。
然後這傢伙，巴勃羅畢卡索,嘿說某物在...
嘿死了在1973年，所以你能想像什麼時候這曾是說。
我思考在這早期的'70 s。
「電腦是無用。 他們能僅有的給你答案。”
嘿是更多的在線和卡林.
我的拿在這是那個
這呈現關鍵區別之間A模型和A電腦程式.
我是看著在這模型從A統計學家的看法。
交易和盒子的著名的陳述。
「是的，一些是有用。哪個那些？”
請幫助我們。
做什麼你意思是經過一些是有用？
它是不是非常有用到說那。
前往卡林， “銳化這問題。”
好的，就是這樣A好的主意。
如何做出色地做那？
這觀點是那盒子似乎專注的在數據分析階段
從統計的生命週期來看，從問題引發開始，
動作到目標公式，數據收藏，數據分析，
發現，操作化的發現
溝通的發現，和影響評估。
卡林是更多的專注的在這問題啟發階段。
這些二引號的盒子和卡林
參考到不同的階段在這生活循環。
這數據我是去到使用是一個工業的數據放，
174 項觀察結果。
我們有感應器數據。
我們有63感應器.
他們是貼上標籤1, 2, 3, 4到63.
我們有二回覆變數。
這些是未來從測試一些系統。
這地位報告是失敗/通過。
52.8%的這系統那拿經測試失敗的。
我們有其他報告，
哪個是A更多的詳細的報告在測試結果。
什麼時候系統失敗，
出色地有一些分類的這失敗。
測試結果是更多的詳細的。
地位是去/不去。
這目標是到決定這系統地位從這感應器數據
所以那出色地能或許避免這成本和延誤的測試，
和出色地能有一些早期的預測在這信仰的這系統。
一方法出色地能拿是到使用A增強的樹。
我們放這地位作為回應，63 個感測器 X, 因素。
這增強的樹是訓練有素的依序，一樹在A時間。
時間嘿其他模型然後說去到使用是隨機的森林，
和就是這樣完畢和獨立的樹。
那裡是A順序的方面在增強的樹
那是不同的從隨機的森林。
這設定的增強的樹涉及三參數：
這數位的樹木，深度的樹木，和這學習速度。
這是什麼聯合管理計劃給出作為預設值.
提升樹能是用過的到解決最多客觀的功能。
我們可以使用它為了泊松回歸，
哪個是交易和計數那是A位元更難到達到
和隨機的森林。
我們說去到重點在這些二類型的楷模。
什麼時候出色地申請這增強的樹，
和出色地有A驗證放向上
和43系統畫隨機地作為這驗證放。
一百三十一個系統用來為了這訓練放。
我們是得到A 9.3%錯誤分類速度。
三失敗的系統。
我們知道他們失敗的因為出色地有它在這數據，
拿實際上分類作為經過。
這20那通過了， 19拿分類作為經過。
這錯誤的預料到的經過是13 %。
我們能看在這多變的柱子貢獻。
我們看那感應器56、 18、 11、和61是這頂部四
在條款的貢獻到這分類。
我們看那在這訓練放，出色地有零錯誤分類。
我們可能有一些超過適合我n這BT應用。
如果出色地看在這舉起曲線，
40 %的這系統，出色地能得到超過二舉起
哪個是該分類器為我們提供的性能。
如果出色地嘗試這噓聲陷阱森林，
其他選項，再次，出色地做這相同的事物。
我們使用這相同的驗證放。
這預設值的聯合管理計劃是給予你一些參數
為了這數位的樹
和這數位的特徵到是已選擇在每個模式。
這是如何這隨機的森林作品。
你應該是意識到的那這是不是非常好的
如果你有絕對的變數和遺失的數據，
哪個是不是我們的案件這裡。
現在，這錯誤分類速度是6.9,降低比前。
先生這訓練放，出色地有一些錯誤分類。
這隨機的森林應用到這測試地位，
哪個方法什麼時候出色地有這細節在這失敗是23.4，
所以壞的表現。
還，在這訓練放，出色地有5%錯誤分類。
但出色地有現在A更寬的範圍的選項
這就是解釋一些的這降低表現。
在這舉起曲線在這測試結果，
出色地實際上和相當好的表現，
能挑選向上這頂部10 %的這系統和A槓桿作用的多於10.
所以出色地有超過十個折疊增加為了10 %的這系統
相對的到這盛大平均的。
現在這是擺姿勢A問題-記住這話題的這講話-
什麼是出色地看著在？
做出色地想到確認頂部分數好的系統？
這隨機的森林會做那和這測試結果。
或者做出色地想到預測A高的部分的經過？
這自舉樹會提供那。
A中學問題是到看在什麼是影響這分類。
我們能看在這柱子貢獻在這增強的樹。
三的這四頂變數展示向上還在這隨機的森林。
如果出色地使用這地位過關失敗，
或者這詳細的結果，
那裡是A地段的相似在這重要性的這感應器.
這是只是給予你一些背景。
克里斯是去到跟隨向上和一個評估的這靈敏度
的這多變的重要性，這使用的形狀v價值觀
以及更多有趣的東西。
這去後退到質疑什麼是你的目標，
和如何是這模型幫助你數位出去這目標
和或許銳化這問題那來了從這陳述的這目標。
克里斯，它是全都是你的。
謝謝，羅恩.
我是去到挑選向上從在哪裡榮恩離開
和尋找A模型那將要預測無論或者不是A單元是好的或者不是，
和如果它不是什麼是這大概失敗模式那有結果？
這會是有用在那裡面如果A模型是好的在預測好的單位，
出色地可能不是有到主題他們到很多更遠測試。
如果這模型給出A預料到的失敗模式，
然後說有能力的到得到A頭開始在診斷和定影這問題，
和可能，出色地可能是有能力的到得到一些提示
在如何到提升這生產流程在這未來。
我是去到去透過這順序
的如何我接近回答這問題從這數據。
我想到說在這輸出那這是簡單地這小路那我拿
作為我問問題的這數據和採取行動在各種各樣的圖案那我看。
那裡是字面上地許多其他方法那一可以繼續和這。
有常不是真的A確實正確的回答，
只是A標準為了無論或者不是這模型是好的足夠的
和這數量那你是有能力的到得到完畢
在這時間那你有到得到A結果後退。
我有不懷疑那那裡是更好的楷模出去那裡
比什麼我來了向上和這裡。
我們的目標是到展示一個實際的過程的對付A預言問題，
說明如何一能移動向前
經過迭代透過週期的造型和視覺化，
已關注經過觀察這結果和使用他們到問其他問題
直到出色地尋找某物的一個回答。
我將要是使用聯合管理計劃作為A統計數據瑞士軍隊刀，
使用許多工具在聯合管理計劃
和下列的這直覺我有關於造型數據
那有建成向上超過許多年。
第一的，讓我們只是拿A看
在這頻率的這各種各樣的測試結果類別。
我們看那這最大的和最多常類別是好的。
出色地大概有這最多運氣存在有能力的到預測那類別。
先生這其他手，這求救類別有僅有的二事件
所以它是去到是非常難的為了我們到是有能力的到做很多和那類別。
我們可能有到放那一分開。
出色地看關於那。
速度二、 IMP，和煞車
是全部相當稀有的和五或者六事件每個。
那裡可能是一些限制在什麼然後說有能力的到做和他們作為出色地。
我說這因為出色地有174觀察
和出色地有63預測因子。
所以出色地有A地段的預測因子為了A非常小的數位的觀察，
哪個是實際上甚至較小什麼時候你考慮這頻率
的一些的這類別那然後說試到預測。
我們說去到有到工作迭代地經過正在做視覺化在造型，
認出圖案,詢問問題，
和然後表演在那些和其他造型步迭代地
在命令到尋找A模型就是這樣去到做A好的工作
的預測這些回覆類別。
我有這數據已排序經過測試結果，
所以那這好的結果是在這開始，
已關注經過每個的這不同的失敗模式d這一口之後那。
我去先和有色每個的這列經過測試結果所以那出色地能看
哪個觀察屬於到A特別回覆類別。
所以然後我去進入這模型-驅動的多變數控制圖表
和我帶來在全部的這感應器作為過程變數。
自從我有這好的測試結果在這開始，
我貼上標籤那些作為歷史的觀察。
這給我們A T²圖表。
它是選擇的13主要的成分作為它是基礎。
什麼出色地看這裡
是那這圖表是占主導地位經過這些二點正確的這裡
和全部的這其他點是非常小的在價值
相對的到那些二。
這兩點發生到是緊急求救點。
他們是非常嚴肅的異常值在這感應器讀數。
自從出色地還僅有的有二觀察的那些，
我是去到去先和拿那些出去的這數據放
和說嗯，SOS 是明顯地所以壞的那這感應器
應該是只是飛行離開這圖表。
如果出色地遇到它，然後說只是去到去先
和嘗試到憂慮我們自己和這其他價值觀
那不有這離開-這-圖表行為。
交換到A紀錄規模，出色地看那這好的測試結果
是相當出色地-表現良好。
然後有確實訊號
在這數據為了這不同的失敗模式。
現在出色地能鑽頭向下A小的位元更深，
採取A看在這貢獻地塊為了這歷史的數據，
這好的測試結果數據，和這失敗模式
到看如果我們圖案出現在這感應器那出色地能行為之上。
我是去到消除那些兩次求救觀察
和選擇這好的單位。
如果我右鍵點擊在這陰謀，
我能帶來向上A貢獻陰謀
為了這好的單位，和然後我能去超過到這單位
在哪裡那裡曾是A失敗，和我能做這相同的事物
和出色地是有能力的到比較這貢獻地塊邊經過邊。
所以什麼出色地看這裡是這貢獻地塊
為了這經過單位和這失敗單位。
這貢獻地塊
是這數量那每個柱子是貢獻到這時間²
為了A特別排。
每一個這酒吧那裡對應到一個個人感應器為了那排。
貢獻地塊是有色綠色的什麼時候那柱子是之內三西格瑪,
使用一個個人和移動範圍圖表，
和它是紅色的如果它是出去的控制。
看出色地看最多的這感應器是在控制為了這好的單位，
和最多的這感應器是出去的控制為了這失敗的單位。
什麼我曾是希望為了這裡
會有到過如果那裡曾是僅有的A子集的這列
或者感應器那拿出去的控制結束了這失敗的單位。
或者如果我曾是有能力的到看圖案
那改變了穿過這不同的失敗模式，
哪個會幫助我隔離什麼變數是重要的
為了預測這測試結果結果。
很遺憾，漂亮的很多全部的這感應器
是在控制什麼時候事物是好的，
和最多的他們是出去的控制什麼時候事物是壞的。
所以我們要有到使用一些更多的複雜的造型
到是有能力的到處理這預言問題。
擁有不是成立任何事物在這柱子貢獻地塊，
我是去到後退向上和返回到這二楷模那榮恩成立。
看是這柱子貢獻為了那些二楷模，
和出色地看那有一些協定在條款的
什麼是這最多重要的感應器.
但增強的樹成立A有些更大放的感應器作為存在重要的
超過這引導程式森林。
哪個的這些二楷模應該出色地相信更多的？
如果出色地看在這全面的模型合身報告，
出色地看那這增強的樹模型有A非常高的訓練盧比方形的0.998
和A有些較小的v確認盧比方形的0.58。
這看起來喜歡一個過擬合情況。
什麼時候出色地看在這隨機的森林，它有A有些較小訓練盧比方形，
也許A更多的實際的一，比這引導程式森林，
和它有A有些更大驗證盧比方形。
這概括表現的這隨機的森林
是希望A小的位元更好的。
我是傾斜的到相信這隨機的森林模型A小的位元更多的。
部分的這是去到是基於之上只是這民俗學的這些二楷模。
提升樹是著名的為了存在快速地，高度準確的楷模
那工作出色地在非常大的數據集。
然而這傳聞是那隨機的森林是更多的準確的在較小數據集。
他們是相當強壯的，凌亂的，和吵雜數據。
有A長的歷史的使用這些種類的楷模
為了多變的選擇那去後退到A紙在2010年
那有到過引用幾乎1200次。
所以這是A受歡迎的方法為了多變的選擇。
我做過A相似的搜尋為了提升，
和我沒有相當看作為很多歷史大約多變的選擇
為了增強的樹作為我做過為了隨機的森林。
為了這給定數據設定 r正確的這裡，
出色地能做A靈敏度分析到看如何可靠的
這柱子貢獻是為了這些二不同的方法,
使用這模擬能力在聯合管理計劃教授。
什麼出色地能做是創造A隨機的驗證柱子
那是A公式柱子
那你能重新初始化和將要分割這數據
進入隨機的訓練和堅持套的這相同的部分
作為這原來的驗證柱子。
我們能有它重新運行這些二分析
和保持追蹤的這柱子貢獻部分
為了每個的這些重新分區。
我們能看如何持續的這故事是
之間這增強的樹楷模和這隨機的森林。
這是漂亮的簡單的到做。
我們就走到這製作驗證柱子公用事業
和什麼時候出色地製作A新的柱子，出色地問它到製作A公式柱子
所以那它可以是重新初始化。
然後出色地能返回到這引導程式森林平台，
正確的-點選在這柱子貢獻部分，
選擇模擬。
它會帶來向上A對話
詢問我們哪個的這輸入列出色地想到轉變出去。
我是去到選擇這驗證柱子，
和我是去到轉變在替換中的它，
這隨機的驗證公式柱子。
我們說去到做這一百次。
引導程式森林是去到是重新運行
使用新的隨機的分割區的這數據進入訓練和驗證。
我們說去到看在這分配的這部分
穿過全部這模擬運行。
這將要產生A數據集
的柱子貢獻部分為了每個感應器.
我們能拿這和去進入這圖形建設者
和拿A看和看如何持續的那些柱子貢獻是
穿過全部這些隨機的分割區的這數據。
看是A陰謀的這柱子貢獻部分
從每個的這100隨機的改組的這驗證柱子。
那些點出色地看在這裡是灰色的，
感應器18似乎到是始終如一地A大的貢獻者，作為做感應器61.
我們還看和這些紅色的十字架,
那些是這柱子貢獻從這原來的分析那榮恩做過。
這全面的故事那這告訴是那這趨勢
我s那每當這原來的柱子貢獻很小
那些關於模擬的柱子貢獻還照顧到是小的。
什麼時候這柱子貢獻拿大的在這原來的分析，
他們照顧到停留大的。
我們說得到A相對地持續的故事從這引導程式森林
在條款的什麼列是重要的。
現在出色地能做這相同的事物和這增強的樹，
和這結果不是相當作為持續的作為他們拿和這引導程式森林。
所以這裡是A束的列
在哪裡這最初的柱子貢獻來了非常小
但他們有A更多的重大的貢獻
在一些的這隨機的重新洗牌的這驗證柱子。
那還發生了相當A位元結束了這些列52透過55超過這裡。
然後那裡拿還一些情況
在哪裡這原來的柱子貢獻曾是相當大的，
和最多，如果不是全部，
的這其他柱子貢獻成立在這模擬拿較小。
那發生這裡和柱子48、
和到一些程度還和柱子11超過這裡。
這全面的結論存在那我思考這驗證洗牌
是表明那出色地能相信這柱子貢獻
從這引導程式森林到是更多的穩定的比那些的這增強的樹。
基於這比較，我思考我相信這柱子貢獻
從這引導程式森林更多的，
和我是去到使用這列那它受到推崇的
作為這基礎為了一些其他楷模。
什麼ID喜歡到做
是尋找A模型那是兩個都更簡單比這引導程式森林模型
和施行更好的在條款的驗證放表現
為了預測經過或者失敗。
前訴訟程序和這下一個造型東西
我是去到做某物那我應該有大概完畢在這非常開始，
哪個是到拿A看在這感應器在A散點圖矩陣
到看如何相關的這感應器讀數是，
和還看在直方圖的他們作為出色地到看如果他們是異常值易於
或嚴重傾斜的或者否則高度非高斯。
什麼出色地看這裡是那裡是漂亮的強的多重共線性
其中這輸入變數一般來說。
我們說僅有的看著在A子集的他們這裡，
但這高的多重共線性堅持穿過全部的這感應器讀數。
這建議那為了我們的楷模，
出色地應該嘗試事物喜歡這後勤套索，
這後勤鬆緊帶網際網路,或者物流嶺回歸
作為候選人為了我們的模型到預測經過或者失敗。
前出色地做那出色地應該去先
和嘗試到轉換我們的感應器讀數這裡
所以那他們是A小的位元更好的-表現得和更多的高斯-看著。
這是實際上真的簡單的在聯合管理計劃
如果你有全部的這列向上在這分配平台，
因為全部你有到做是抓住按下Alt鍵,選擇合身約翰遜，
和這將要合身約翰遜分佈到全部這輸入變數。
這是A家庭的分佈
那是基於在A四參數轉型到常態。
作為A結果，出色地有A好的特徵在那裡
那出色地能還pod送使用 Alt點擊，
在哪裡出色地能節省A轉型從這原來的規模
到A規模那使這列更多的通常情況下分散式。
如果出色地去後退到這數據桌子，
出色地看那為了每個感應器柱子， A轉換柱子有到過添加。
如果出色地帶來這些轉變的列向上和A散點圖矩陣
和一些直方圖，
出色地明顯地看那這數據是較少的傾斜的
和更多的通常情況下分散式比這原來的感應器列拿。
現在這引導程式森林模型那榮恩成立
僅有的真的受到推崇的A小的數位的列
為了使用在這模型。
因為的這高的共線性其中這列，
這子集那出色地得到可以容易地是部分
的A更大團體的列那是相關的和一其他。
它可以是有利到尋找那更大團體的列
和工作和那在這下一個造型階段。
一個探索性的方式到做這
是到去透過這簇變數平台在 JMP 中。
我們說去到工作和這歸一化版本的這感應器
因為這平台是主成分分析和因素分析基於，
和將要提供更多的可靠的結果如果然後說在職的和數據
那是大約通常情況下分散式。
一次然後說在這多變的聚類平台，
出色地看那那裡是非常清除，
強的協會其中這輸入列。
它有已確定那那裡是七簇,
和這最大的簇，這一那解釋這最多變化，
有25成員。
這放的簇會員是列出這裡在這正確的。
讓我們比較這和這引導程式森林。
看在這左邊，出色地有這柱子貢獻
從這引導程式森林模型那你應該是熟悉的和經過現在。
先生這正確的出色地有這清單的會員
的那最大的簇的變數。
如果出色地看密切出色地看那這前七名貢獻條款
全部發生到屬於到這簇。
我是去到假設那這放的25列
是全部有關的到一些潛在的機制
那原因這單位到經過或者失敗。
什麼我想到做下一個是我想到合身楷模
使用這廣義的回歸平台和這變數在簇1這裡。
它會是乏味如果我有到去透過
和單獨地挑選這些列出去和放他們進入這發射對話。
幸運的是，有A很多更輕鬆方式
在哪裡你能只是選擇這列在那桌子
和這列將要是已選擇在這原來的數據桌子
所以那什麼時候出色地去進入這合身模型發射對話，
出色地能只是點選添加
和那些列將要是自動地添加為了我們作為模型影響。
一次我得到進入這廣義的回歸平台，
我去先和合身A套索模型和鬆緊帶網模型
和A嶺模型具有他們比較的這裡到每個其他，
和還到這後勤回歸模型那來了向上經過預設.
我們說看到那這套索模型是正在做A小的位元更好的比這休息
在條款的它是驗證廣義的盧比方形。
這不同之處之間這些方法
是那有不同的金額的多變的選擇
和多重共線性處理在每個的他們。
邏輯迴歸有不多重共線性處理
和不多變的選擇。
這套索是更多的的A多變的選擇演算法,
儘管它有A小的位元的多重共線性處理在它
因為它是A受到懲罰的方法。
嶺回歸有不多變的選擇
和是重重地導向的大約多重共線性處理。
這鬆緊帶網是A雜交種之間這套索和嶺回歸。
在這案件，什麼出色地真的關心關於
是只是這模型就是這樣去到執行這最好的。
我們允許這驗證到指導我們。
我們說去到是在職的和這套索模型從這裡在。
這是這預言分析器為了這套索模型那曾是已選擇。
我們看那這套索演算法有已選擇八感應器
作為存在預測性的的經過或者失敗。
它有一些偉大的內建工具
為了理解什麼這重要的變數是，
兩個都在這模型全面的和新的到聯合管理計劃教授17、
出色地有這能力到理解
什麼變數是最多重要的為了一個個人預言。
我們能使用這多變的重要性工具到回答這問題，
「什麼是這重要的變數在這模型？”
我們有A種類的不同的選項為了這。
我們有A種類的不同的選項為了如何這可以是完畢。
但因為的這多重共線性和因為這是不是一個非常大的楷模，
我是去到去先
和使用這依賴的重新採樣輸入技術，
自從出色地有多重共線性在這數據，
和這有給定我們A排行的這最多重要的條款。
我們看那柱子18是這最多重要的，
已關注經過柱子27和然後52、全部這方式向下。
我們能比較這到這引導程式森林楷模，
和出色地看那有協定那多變的18是重要的，
沿著和52、 61、和53.
但一的這條款那出色地有拉在
因為的這多變的聚類步那出色地有完畢，
感應器27輪流出去到是這第二最多重要的預測性的
在這套索模型。
我們已經希望獲得某物經過鑄件A更寬的網透過那步。
我們已經成立A學期那沒有轉動向上
在任何一個的這引導程式森林或者這增強的樹方法。
我們還看那這套索模型有一個盧比方形的0.9,
然而這引導程式森林模型有一個盧比方形的0.8。
我們有A更簡單模型那有一個更輕鬆形式到理解
和是更輕鬆到工作和
和還有A更高預測性的容量比這引導程式森林模型。
現在，這多變的重要性指標在這分析器
有到過那裡為了相當一些時間。
這問題那他們回答是「哪個預測因子有最大的影響
在這形狀的這回覆表面超過這數據或者超過A地區？”
在聯合管理計劃17 號親，出色地有A新的科技被稱為夏普價值觀
那是一個添加劑分解的一個個人預言。
它告訴你經過如何很多每個個人多變的貢獻
到A單身的預言，
相當比說關於變化性解釋了超過這所有的空間。
這解決的這問題就是這樣回答了經過沙普利價值觀
是遠的更多的當地的比任何一個這多變的重要性工具
或者這柱子貢獻一n這引導程式森林。
我們能獲得這沙普利價值觀經過去到這紅色的三角形選單為了這分析器，
和出色地尋找這選項為了他們超過這裡，第四個來自這底部。
什麼時候出色地選擇這選項，這分析器節省後退夏普列
為了全部的這輸入變數到這模型。
這是的課程，正在發生為了每一個排在這桌子。
什麼你能看是那這第五型價值觀是給予你這影響
的每個的這列在這預測性的模型。
這是有用在A所有的地段的不同的方法，
和為了那原因，它是得到A地段的注意力以可理解的方式人工智慧,
因為它允許我們到看
什麼貢獻是的每個柱子到A黑色的盒子模型。
這裡，我有繪製的這第五型價值觀為了這列那是預測性的
在這最後的模型擬合那出色地只是建造的。
如果出色地切換後退和向前之間這好的單位和這單位那失敗的，
出色地看這相同的故事那我們已經到過看到
和這多變的重要性指標為了這
那柱子18和柱子27是重要的在預測經過或者失敗。
我們說看見這在A更高等級的解決
比出色地做和這多變的重要性指標，
因為每個的這些點對應到一個個人排
在這原來的數據集。
但在這案件，我不看這夏普價值觀
真的給予我們我們新的資訊.
我有希望那經過切換透過
這其他失敗模式，或許我可以尋找A圖案
到幫助逗出去不同的感應器
那是更多的重要的為了特別失敗模式。
但這僅有的事物我曾是有能力的到尋找曾是那柱子18
有A有些更強影響在這速度類型1失敗模式
比這其他失敗模式。
在這觀點，我們已經有一些成功的
使用那些簇1列在A二進位經過/失敗模型。
但什麼時候我破碎的出去這夏普價值觀
為了那楷模，經過這不同的失效模式
我不是有能力的到辨別A圖案或者很多的A圖案。
什麼我做過下一個曾是我去先
和合身這失敗模式回覆柱子測試結果
使用這簇1列，
但我去先和排除全部這經過列
所以那這造型程式會重點只
在挑剔的哪個失敗模式這是給定那出色地有A失敗。
我嘗試過這多項式套索，鬆緊帶網際網路,和嶺，
和我曾是特別快樂的和這套索模型
因為它給了我A驗證盧比方形的關於0.94。
擁有到過漂亮的快樂的和那
我去先和已儲存這可能性公式
為了每個的這失敗模式。
現在這任務是到來向上和A簡單的規則
那郵政流程那預言公式
到製作A決定關於哪個失敗模式。
我稱呼這這分割詭計。
分區技巧是在哪裡我放在這可能性公式
為了A絕對的回覆,或者甚至A多項式回覆.
我放那些可能性公式在作為X。
我使用我的絕對的回覆作為我的Y。
這是這相同的回覆那曾是用過的
為了全部的這些除了通行證實際上。
我保持這相同的驗證柱子那我有到過在職的和這所有的時間。
現在那我是在這分割平台，
我是去到打分裂A夫妻的次，和我是去到希望
那我結尾向上和一個容易地可以理解的決定規則
就是這樣簡單的到交流。
那可能或者可能不是發生。
有時它作品，有時它沒有。
所以我分裂一次，和出色地結尾向上看到那
每當這可能性的經過是更高比0.935,
出色地幾乎當然有A經過。
不是許多透過是左邊超過在這其他邊。
我拿其他分裂。
我們尋找A決定規則在資訊科技管理
那是高度預測性的的資訊科技管理作為A失敗模式。
分裂再次。
我們尋找那每當引擎是較少的比0.945,
然後說任何一個預測引擎或者煞車。
我們拿其他分裂。
我們尋找那每當速度類型1、它的機率是大比0.08
或可能在A速度類型1情況或者在A速度T類型2情況。
每當速度類型1是較少的比0.79,
然後說大概在A夾子失敗模式或者一個內啡肽失敗模式。
什麼做出色地有這裡？ 我們有A簡單的決定規則。
我們說去到不是是有能力的到休息這些失敗模式向下很多更遠
因為這非常小的數位的實際的事件那出色地有。
但出色地能轉動這進入A簡單的規則
為了識別單位那是大概好的，
和如果他們是不是，出色地有一個主意的在哪裡到看到使固定這問題。
我們能節省這決定規則出去作為A葉子標籤公式。
我們看那在這驗證放，
什麼時候出色地預測它是好的，這是最好的的這時間。
我們做過有一錯誤分類的A速度2型失敗
那曾是實際上預料到的到是好的。
預測夾具或者IMP，它是全部超過這地方。
那葉子曾是不是極佳的有用。
預測ITM 是100 %。
每當出色地預測A引擎或者煞車，
在這驗證放，出色地有A引擎或者A煞車失敗。
什麼時候出色地預測A速度類型1 或 2,
它做過A漂亮的好的工作的採摘那向上
和那一例外的這單身的速度類型2單元
那曾是在這驗證放，
和那個發生了到有到過錯誤分類。
我們有一個容易地操作規則這裡那可以是用過的到種類產品
和給我們A頭開始在在哪裡出色地需要到看到使固定事物。
我思考這曾是A漂亮的具有挑戰性的問題，
因為出色地沒有有A所有的地段的數據。
但出色地沒有有A地段的行，
但出色地有A地段的不同的類別到預測
和一個所有的地段的可能的預測因子到使用。
我們已經得到那裡經過採取A系列的腳步，
詢問問題，
有時採取A步後退和詢問A大問題。
其他次，縮小在在特別子問題。
有時我們的短途旅行拿卓有成效，和有時他們不是。
我們的目的這裡是到闡明
如何你能步透過A造型過程，
透過這順序的詢問問題
使用造型和視覺化工具到指導你的下一個腳步，
和移動在直到你是有能力的到尋找
A有用，可操作的，預測性的模型。
謝謝你非常很多為了你的注意力。
我們看向前到說到你在我們的問答會議未來向上下一個。
