Benvenuto, E Grazie Voi per unendo Mio manifesto presentazione
A Questo anni JMP C onferenza.
Mio nome È Kaitlin Shorty ,
E Io sono UN anziano statistico ingegnere A Corning Incorporato.
Come Fare Voi Ottenere UN occhiata Di UN Prodotto qualità
Prima Esso completa IL produzione processi?
Noi scelto A costruire UN modello Quello Volere prevedere IL Prodotto qualità risultato
Prima Esso ha completato IL intero processi.
Là Sono due maggiore benefici Di Questo approccio.
Uno È IL operazioni squadra
riceve immediato feedback SU Come IL parti Volere eseguire
E Potere regolare IL processi In vero tempo.
IL secondo È Quello Noi Potere dem IL Prodotto accettabile O non.
Come IO Appena citato, IL principale obbiettivo Di Questo lavoro
È A costruire UN predittivo modello utilizzando UN pochi modellazione approcci
A capire E prevedere Prodotto qualità
basato SU certo Prodotto misurazioni.
Nostro maggiore passi In edificio Questo modello
Sono dati collezione, modello sviluppo, test E implementazione.
Prima di tutto, per IL dati collezione fase, parti Sono raccolto A IL FINE
Di IL produzione linea E adeguata Prodotto misurazioni Sono completato.
IL parti Sono Poi sottoposto A IL qualità test.
IL Prodotto misurazioni E qualità misurazione risultati
Sono combinato in UN dati impostato E usato per edificio IL modello.
In Questo caso, IL qualità misurazione risultati
Sono combinato in UN dati impostato E usato per edificio IL modello.
In Questo caso, IL qualità misurazione È IL risposta
E Tutto IL Prodotto misurazioni Sono IL predittori.
IL insieme di dati consiste 767 predittori E 990 osservazioni O parti.
Questo cose Potere Prendere UN lungo tempo A eseguire.
Da erano edificio UN modello, suo importante A Ottenere COME grande Di UN allineare
Di Prodotto misurazioni E qualità misurazione risultati COME Noi Potere.
Se Noi Partire Questo IL precisione E modello predizioni
Sono Di più coerente attraverso IL allineare.
Essenzialmente, Questo consente IL modello A con precisione prevedere A Tutto livelli
Di IL Prodotto qualità risultati.
Una volta IL insieme di dati È compilato,
Esso È completamente esaminato A garantire Esso È COME pulito COME possibile.
Dopo IL dati collezione E pulizia,
IL secondo fase Di modello sviluppo È iniziato.
Per Questo, Noi inizio con variabile raggruppamento.
Fare un passo di regressione, rimuovere altamente correlato variabili
E Selezionare IL maggior parte importante quelli.
Con COSÌ molti predittori Noi applicare prima variabile raggruppamento.
Questo metodo consente per IL riduzione In IL numero Di variabili.
Variabile raggruppamento gruppi IL predittori,
IL variabili in cluster Quello condividere comune caratteristiche.
Ogni grappolo Potere Essere rappresentato di UN separare componente O variabile.
UN frammento Di IL grappolo riepilogo da JMP È mostrato,
Quale indica Quello 85 % Di IL variazione
È spiegato di raggruppamento.
Grappolo 12 ha 49 membri,
E v 232 È IL maggior parte rappresentante Di Quello grappolo.
IL variabili Quello Sono identificato COME IL maggior parte rappresentante quelli
Sono Poi usato In IL Prossimo metodo Di graduale regressione.
Gradualmente regressione È usato
SU IL identificato raggruppato variabili A Selezionare IL maggior parte importante uno
A noi In IL modello,
E ulteriore riduce IL numero Di variabili.
Per Questo, IL inoltrare direzione
E minimo corretto AIC fermandosi regola È usato.
IL direzione controlli Come variabili accedere E Partire IL modello.
IL inoltrare direzione significa Quello termini Sono entrato in IL modello
Quello Avere IL più piccolo valore p.
IL fermandosi regola È usato A determinare Quale modello È selezionato.
IL corretto AIC È basato SU negativo due, legge Di probabilità,
E IL modello con IL più piccolo corretto AIC È UN preferito modello.
Da Questo, 51 variabili Sono entrato in IL modello
Di IL 99 disponibile variabili
da IL variabile raggruppamento fare un passo.
A Questo punto, Noi Avere ridotto IL numero
Di variabili da 767 A 51
utilizzando variabile raggruppamento E graduale regressione.
IL finale metodo È A adatto UN generalizzato regressione modello.
Per Questo, IL legge Di normale distribuzione
È usato con UN adattivo lazo stima metodo.
Per Questo, IL lungo normale distribuzione È usato
con UN adattivo lazo stima metodo.
IL legge Di normale distribuzione È IL migliore
adatto per IL risposta, COSÌ È scelto A utilizzo In IL regressione modello.
IL lazo adattivo stima metodo
È UN penalizzato regressione tecnica
Quale si restringe IL misurare Di IL regressione coefficiente
E riduce IL varianza In IL stima.
Questo aiuta A migliorare predittivo capacità Di IL modello.
Anche IL dati impostato era diviso in UN formazione E convalida impostato.
IL formazione impostato ha 744 osservazioni, E IL convalida impostato ha 246.
Da Questo, IL risultante modello produce UN .81 generalizzato R-quadrato
per IL formazione impostato E .8 per IL convalida impostato.
Questi R-quadrati Sono accettabile per Nostro processi Quello Noi Volere Ora valutare
IL precisione E prevedibilità Di IL risultante modello.
Ora Quello Noi Avere UN modello, Noi Bisogno A revisione suo precisione
E prevedibilità A Vedere Se Esso volevo Essere adatto A utilizzo In produzione.
In facendo Questo,
UN grafico È prodotto Quello confronta UN predetto qualità misurazione
per UN specifica parte A IL effettivo qualità misurazione.
In IL grafico il xx Spettacoli IL predetto valore,
E IL yx Spettacoli IL effettivo.
Anche, IL qualità misurazione È secchiato in tre gruppi
basato SU suo valore, Quale È mostrato
di IL tre colori SU IL grafico.
In generale, IL modello prevede IL qualità misurare bene.
Esso fa apparire Quello IL modello Maggio adatto Meglio
In IL inferiore Prodotto qualità allineare
di IL superiore, Quale Maggio Essere dovuto A Di più osservazioni In IL inferiore allineare.
COME citato, IL qualità misurazione
era secchiato in tre diverso categorie basato SU suo valore.
Questo era Anche Fatto per IL predittivo qualità misurazione.
Per ogni osservazione, Se IL qualità misurazione categoria
È IL Stesso COME UN predetto misurazione categoria,
Esso È assegnato A uno.
Se non, Esso È assegnato A zero.
Per Entrambi IL formazione E convalida imposta, IL media Di questi quelli E zeri
È calcolato E È usato COME IL precisione a misurare.
Noi Vedere Quello formazione impostato ha UN precisione Di 87,5%
E IL convalida impostato ha UN precisione Di 84%.
Per IL modello A Essere mosso A IL test fase,
precisione dovere Essere Sopra UN certo limite,
E Entrambi Di questi precisione valori Sono.
Questo Volere permettere noi A mossa A IL test fase Di IL progetto.
In aggiunta, Noi Aspetto A IL confusione matrice
A visualizzare IL precisione Di IL modello
di confrontando IL effettivo A IL predetto categorie.
Idealmente, IL spento diagonali Di ogni matrice Dovrebbe Essere Tutto zeri,
con IL diagonale da superiore Sinistra A metter il fondo a Giusto contenente Tutto IL conta.
IL matrici spettacolo SU IL manifesto Quello IL più alto conta Sono lungo
Quello diagonale con inferiore numeri In IL spento diagonale,
Ma discrepanze Ancora esistere tra IL tre categorie.
Per esempio, In IL formazione impostato, Là Sono 29 istanze Dove IL effettivo
qualità misurazione Di IL tre era predetto COME UN due.
In IL Stesso caso per IL convalida impostato, Là Sono 12.
IL confusione matrice aiuta A capire Dove questi discrepanze Sono
COSÌ ulteriore indagini Potere Essere Fatto E miglioramenti fatto.
Complessivamente Anche se, IL modello ha UN precisione Sopra Quello richiede limite,
Dove Nostro Prossimo fare un passo volevo Essere IL test E implementazione fasi.
Ora Quello Nostro modello È Attraverso IL sviluppo fase,
suo tempo A test Esso In vivere situazioni.
Per Questo, IL modello È usato Sotto ingegneria controllo
A determinare Come BENE Esso prevede IL qualità misurazione
In piccolo, controllato sperimentare.
Questo È Fatto di IL ingegneria squadra
con supporto da IL progetto squadra Quando necessario.
Una volta IL ingegneria squadra È soddisfatto con Questo test,
IL modello È completamente implementato in produzione E monitorato Sopra tempo.
In conclusione, Questo modello sviluppo processi
ha consentito noi A costruire
predittivo Modelli per IL produzione processi.
IL metodi Di variabile raggruppamento,
graduale variabile selezione In generalizzato regressione
erano IL maggior parte adeguata E migliore studenti A utilizzo
per Questo applicazione.
Con ulteriore ricerca E indagine,
altro metodi Potevo Essere potenzialmente applicato
A migliorare modello prestazione Anche Di più.
Da UN produzione punto di vista, IL beneficio Di Questo modello
È Quello IL operazioni squadra Volere ricevere immediato feedback SU Come UN parte
O gruppo Di parti Volere eseguire, E Potere ingerire IL sintonizzare
E sintonizzare IL processi In vero tempo.
Noi Potere Anche ritenere IL Prodotto accettabile O non.
Se respinto, IL Prodotto È disposto Di E Volere non Continua Attraverso IL processi,
Quale Sopra tempo riduce produzione costi.
Da ultimo, Id Piace A Dare UN Enorme speciale Grazie Voi
A Zvouno e Chova E IL intero progetto squadra
A Corning Incorporated.
Grazie Voi per unendo E ascoltando A Mio manifesto presentazione.
