Accueillir, et remercier toi pour joindre mon affiche présentation
à ce années JMP C conférence.
Mon nom est Kaitlin Shorkey ,
et Je suis un senior statistique ingénieur à Corning Incorporé.
Comment faire toi obtenir un aperçu de un produit qualité
avant il complète le production processus?
Nous a choisi pour construire un modèle ce sera prédire le produit qualité résultat
avant il a complété le entier processus.
Là sont deux majeur avantages de ce approche.
Un est le opérations équipe
reçoit instantané retour sur comment le les pièces sera effectuer
et peut ajuster le processus dans réel temps.
Le deuxième est ce nous peut dem le produit acceptable ou pas.
Comme je juste mentionné, le principal objectif de ce travail
est pour construire un prédictif modèle en utilisant un peu la modélisation approches
pour comprendre et prédire produit qualité
basé sur certain produit des mesures.
Notre majeur pas dans bâtiment ce modèle
sont données collection, modèle développement, essai et mise en œuvre.
Tout d'abord, pour le données collection phase, les pièces sont collecté à le fin
de le production doubler et approprié produit des mesures sont complété.
Le les pièces sont alors soumis pour le qualité test.
Le produit des mesures et qualité la mesure résultats
sont combiné dans un données ensemble et utilisé pour bâtiment le modèle.
Dans ce cas, le qualité la mesure résultats
sont combiné dans un données ensemble et utilisé pour bâtiment le modèle.
Dans ce cas, le qualité la mesure est le réponse
et tous le produit des mesures sont le prédicteurs.
Le base de données consiste 767 prédicteurs et 990 observations ou les pièces.
Ce truc peut prendre un long temps pour exécuter.
Depuis étaient bâtiment un modèle, c'est important pour obtenir comme grand de un gamme
de produit des mesures et qualité la mesure résultats comme nous peut.
Si nous partir ce le précision et modèle prédictions
sont plus cohérent à travers le gamme.
Essentiellement, ce permet le modèle pour avec précision prédire à tous les niveaux
de le produit qualité résultats.
Une fois le base de données est compilé,
il est soigneusement examiné pour assurer il est comme faire le ménage comme possible.
Après le données collection et nettoyage,
le deuxième phase de modèle développement est commencé.
Pour ce, nous commencer avec variable regroupement.
Marcher par régression, retirer très corrélé variables
et sélectionner le la plupart important ceux.
Avec donc beaucoup prédicteurs nous appliquer d'abord variable regroupement.
Ce méthode permet pour le réduction dans le nombre de variables.
Variable regroupement groupes le prédicteurs,
le variables dans groupes ce partager commun caractéristiques.
Chaque grappe peut être représentée par un seul composant ou variable.
UN fragment de le grappe résumé depuis JMP est montré,
qui indique ce 85 % de le variation
est expliqué par regroupement.
Grappe 12 a 49 membres,
et V 232 est le la plupart représentant de ce grappe.
Le variables ce sont identifié comme le la plupart représentant ceux
sont alors utilisé dans le suivant méthode de pas à pas régression.
Pas à pas régression est utilisé
sur le identifié regroupé variables pour sélectionner le la plupart important un
pour nous dans le modèle,
et plus loin réduit le nombre de variables.
Pour ce, le avant direction
et le minimum corrigée AIC arrêt règle est utilisé.
Le direction contrôles comment variables entrer et partir le modèle.
Le avant direction moyens ce conditions sont entré dans le modèle
ce ont le le plus petit valeur p.
Le arrêt règle est utilisé pour déterminer qui modèle est choisi.
Le corrigée AIC est basé sur négatif deux, loi de probabilité,
et le modèle avec le le plus petit corrigée AIC est un préféré modèle.
Depuis ce, 51 variables sont entré dans le modèle
de le 99 disponible variables
depuis le variable regroupement marcher.
À ce indiquer, nous ont réduit le nombre
de variables depuis 767 pour 51
en utilisant variable regroupement et pas à pas régression.
Le final méthode est pour adapter un généralisé régression modèle.
Pour ce, le loi de normal distribution
est utilisé avec un adaptatif lasso estimation méthode.
Pour ce, le long normal distribution est utilisé
avec un adaptatif lasso estimation méthode.
Le loi de normal distribution est le meilleur
adapter pour le réponse, donc est choisi pour utiliser dans le régression modèle.
Le lasso adaptatif estimation méthode
est un pénalisé régression technique
qui rétrécit le taille de le régression coefficient
et réduit le variance dans le estimation.
Ce aide pour améliorer prédictif capacité de le modèle.
Aussi le données ensemble était diviser dans un entraînement et validation ensemble.
Le entraînement ensemble a 744 observations, et le validation ensemble a 246.
Depuis ce, le résultant modèle produit un .81 généralisé R Carré
pour le entraînement ensemble et .8 pour le validation ensemble.
Ces R-carrés sont acceptable pour notre processus ce nous sera maintenant évaluer
le précision et prévisibilité de le résultant modèle.
Maintenant ce nous ont un modèle, nous besoin pour examen c'est précision
et prévisibilité pour voir si il serait être adapté pour utiliser dans production.
Dans action ce,
un graphique est produit ce compare un prédit qualité la mesure
pour un spécifique partie pour le réel qualité la mesure.
Dans le graphique le xx montre le prédit valeur,
et le yx montre le réel.
Aussi, le qualité la mesure est seau dans trois groupes
basé sur c'est valeur, qui est montré
par le trois couleurs sur le graphique.
Dans général, le modèle prédit le qualité mesure bien.
Il fait apparaître ce le modèle peut adapter mieux
dans le inférieur produit qualité gamme
que le supérieur, qui peut être exigible pour plus observations dans le inférieur gamme.
Comme mentionné, le qualité la mesure
était seau dans trois différent catégories basé sur c'est valeur.
Ce était aussi fait pour le prédictif qualité la mesure.
Pour chaque observation, si le qualité la mesure catégorie
est le même comme un prédit la mesure catégorie,
il est attribué pour un.
Si pas, il est attribué pour zéro.
Pour les deux le entraînement et validation ensembles, le moyenne de ces ceux et des zéros
est calculé et est utilisé comme le précision à mesure.
Nous voir ce entraînement ensemble a un précision de 87,5 %
et le validation ensemble a un précision de 84 %.
Pour le modèle pour être déplacé pour le essai phase,
précision devoir être au-dessus de un certain limite,
et les deux de ces précision valeurs sont.
Ce sera permettre nous pour déplacer pour le essai phase de le projet.
Dans ajout, nous regarder à le confusion matrice
pour visualiser le précision de le modèle
par comparant le réel pour le prédit catégories.
Idéalement, le désactivé diagonales de chaque matrice devrait être tous des zéros,
avec le diagonale depuis haut gauche pour bas droite contenant tous le compte.
Le matrices montrer sur le affiche ce le plus haut compte sont le long de
ce diagonale avec inférieur Nombres dans le désactivé diagonale,
mais divergences toujours exister parmi le trois catégories.
Pour exemple, dans le entraînement ensemble, là sont 29 instances où le réel
qualité la mesure de le trois était prédit comme un deux.
Dans le même cas pour le validation ensemble, là sont 12.
Le confusion matrice aide pour comprendre où ces divergences sont
donc plus loin enquêtes peut être fait et améliorations fait.
Global mais, le modèle a un précision au-dessus de ce a besoin limite,
où notre suivant marcher serait être le essai et mise en œuvre étapes.
Maintenant ce notre modèle est à travers le développement phase,
c'est temps pour test il dans en direct situations.
Pour ce, le modèle est utilisé sous ingénierie contrôle
pour déterminer comment Bien il prédit le qualité la mesure
dans petit, contrôlé expérience.
Ce est fait par le ingénierie équipe
avec soutien depuis le projet équipe quand nécessaire.
Une fois le ingénierie équipe est satisfait avec ce essai,
le modèle est pleinement mis en œuvre dans production et surveillé sur temps.
Dans conclusion, ce modèle développement processus
a autorisé nous pour construire
prédictif des modèles pour le production processus.
Le méthodes de variable regroupement,
pas à pas variable sélection dans généralisé régression
étaient le la plupart approprié et meilleur étudiants pour utiliser
pour ce application.
Avec plus loin recherche et enquête,
autre méthodes pourrait être potentiellement appliqué
pour améliorer modèle performance même plus.
Depuis un production point de vue, le avantage de ce modèle
est ce le opérations équipe sera recevoir instantané retour sur comment un partie
ou groupe de les pièces sera effectuer, et peut ingérer le régler
et régler le processus dans réel temps.
Nous peut aussi considérer le produit acceptable ou pas.
Si rejeté, le produit est disposé de et sera pas continuer à travers le processus,
qui sur temps réduit production frais.
Dernièrement, Identifiant comme pour donner un énorme spécial remercier toi
pour Zvouno et Chova et le entier projet équipe
à Corning Incorporé.
Remercier toi pour joindre et écoute pour mon affiche présentation.
