행보다 열이 훨씬 많을 때 데이터 분석모두들 안녕
다음과 같은 데이터 세트가 있으므로 도움을 요청하고 싶습니다.
- 기둥에서 아연 도금 강판 생산 라인의 공정 매개 변수
- 행에서 이 생산 라인에서 처리된 코일
목적은 코일에 나타나는 결함의 양을 하나 또는 여러 프로세스 매개변수와 연관시키는 것입니다.
불행히도 행(63)보다 열(407)이 더 많은 데이터 세트가 있습니다.
진행 방법에 대한 조언이 있습니까?
해석학Re: 행보다 열이 훨씬 많을 때 데이터 분석안녕하십니까 @stephanegeorges ,
JMP를 사용하는지 JMP Pro를 사용하는지에 따라 많은 옵션이 있습니다.
직접 분석을 시작하기 전에 프로세스 매개변수 간의 상관관계와 프로세스 매개변수와 응답(기본값) 간의 상관관계를 시각화할 것입니다. 이는 상관된 변수와 기본값 분석을 위한 영향력 있는 입력에 대한 표시를 제공할 수 있기 때문입니다(분석의 "다변수" 플랫폼 -> 다변수 방법).
그런 다음 고려해야 할 몇 가지 옵션은 다음과 같습니다.
- JMP :
- 첫 번째 접근 방식은 주성분 분석(PCA)을 수행한 다음 이러한 PCA 매개변수를 사용하여 기본 응답을 모델링하는 것입니다. 그러나 이 접근 방식을 사용하면 어떤 요인이 기본값에 영향을 미치는지 설명할 수 없습니다. 이는 PCA 변수에서 결합되기 때문입니다.
- 또 다른 옵션은 상관 변수가 많고 관찰이 거의 없을 때 매우 효율적인 접근 방식인 부분 최소 제곱(PLS)을 시도하는 것입니다. 예를 들어 관찰은 거의 없지만 입력 데이터는 많은 스펙트럼 분석에 사용됩니다(예: 각 파장에 대한 투과율/강도).
- 또한 흥미로운 것은 예측 변수 선별을 시도하여 가장 중요한 요소에 대한 개요를 갖는 것입니다.
- JMP 프로 :
- 예측자 선별 대신에 "Random Forest"를 시도할 수 있습니다. 여기서 모델에 대한 더 많은 정보와 공식을 저장할 수 있습니다. RF는 각 트리에 대해 기능 배깅을 사용하기 때문에 다중 공선성과 관측치보다 매개변수가 더 많은 경우에도 각 매개변수가 트리에서 선택될 확률이 동일하므로 어떤 요인이 좋은지 알 수 있습니다. 기본값에 영향을 줍니다.
- Lasso, Ridge 또는 Elastic Net과 같은 페널티 추정 방법을 사용하여 일반화 회귀 모델을 볼 수도 있습니다.
이것들은 더 복잡한 방법을 시도하기 전에 먼저 시도할 모델/기술입니다.
이 커뮤니티의 전문가가 내 답변을 완료하도록 합니다. 
나는 이것이 당신을 도울 수 있기를 바랍니다.
