你喜欢这个案例研究的哪一点？
这个蒸馏塔案例研究非常棒，因为它允许简单地应用各种 JMP 和 JMP Pro 平台来分析具有一些挑战性特征的数据集。 这些具有挑战性的特征包括：
- 季节性变化
- 不均匀的采样间隔
- 严重程度不同的各种异常值
- 来自众多传感器的数据
由于这些挑战，该数据集简单地展示了 JMP 如何轻松应对这些困难的数据集。 此外，由于本案例研究的数据特征和数量不同，是一个适用范围广泛的案例研究。 这意味着该数据集可用于演示 JMP 和 JMP Pro 中的各种平台，而无需切换到其他示例。
特别是对于演示的预测建模方面，这个案例研究简单而清晰地解释了如何使用引导森林来识别关键预测变量。 以及如何使用建模筛选平台快速构建和比较由各种预测建模技术（如决策树和神经网络）创建的模型。
最后，数据集来自一个真实的工业过程，这使我们有机会证明 JMP 可以处理真实数据，因此可以很容易地应用于客户关注的特定领域。
它是给谁的？
本案例研究非常适合化学和石化工程师。 尽管由于该研究涉及蒸馏柱，但它可以用来向大多数科学家解释这些概念。
我应该如何使用它？
数据集可以以两种关键方式使用：
1. 可以用一个探索性数据分析（EDA）demo来展示图形构建器和预测器筛选等平台的强大能力。 Stanley Siranovich 通过以这种方式使用数据集展示了一个出色的发现峰会，可以在此处找到：使用 JMP® Pro 15 (2021-EU-45MP-766) 分析蒸馏工艺流 - JMP 用户社区
2. 通过使用数据集中包含的各种脚本（主要是编号脚本），该数据集可用于突出 JMP Pro 中预测建模工具的稳健性。 这包括识别数据集中产量的关键预测因子，构建系统的各种预测模型，然后使用这些模型来预测未来产量或找到最佳条件。
3. 数据集中没有为此包含脚本，但由于数据集是来自过程的传感器输出，它也可用于演示功能数据浏览器。 这是一个特别好的数据集，因为它来自真实的工业过程，并且包括可以通过使用傅里叶模型拟合处理的季节性变化。
我们可以使用哪些平台？
- 分配
- 图表生成器
- 预测筛选
- 适合模型
- 功能数据浏览器
- 模型筛选
- 各种预测建模技术，包括：神经网络、引导森林、决策树等等
