你喜歡這個案例研究的哪一點？
這個蒸餾塔案例研究非常棒，因為它允許簡單地應用各種 JMP 和 JMP Pro 平台來分析具有一些挑戰性特徵的數據集。 這些具有挑戰性的特徵包括：
- 季節性變化
- 非均勻採樣間隔
- 嚴重程度不同的各種異常值
- 來自眾多傳感器的數據
由於這些挑戰，該數據集簡單地展示了 JMP 如何輕鬆應對這些困難的數據集。 此外，由於本案例研究的數據特徵和數量不同，是一個適用範圍廣泛的案例研究。 這意味著該數據集可用於演示 JMP 和 JMP Pro 中的各種平台，而無需切換到其他示例。
特別是對於演示的預測建模方面，這個案例研究簡單而清晰地解釋瞭如何使用引導森林來識別關鍵預測變量。 以及如何使用建模篩選平台快速構建和比較由各種預測建模技術（如決策樹和神經網絡）創建的模型。
最後，數據集來自一個真實的工業過程，這使我們有機會證明 JMP 可以處理真實數據，因此可以很容易地應用於客戶關注的特定領域。
它是給誰的？
本案例研究非常適合化學和石化工程師。 儘管由於該研究涉及蒸餾柱，但它可以用來向大多數科學家解釋這些概念。
我應該如何使用它？
數據集可以以兩種關鍵方式使用：
1. 可以用一個探索性數據分析（EDA）demo來展示圖生成器和預測器篩選等平台的強大能力。 Stanley Siranovich 通過以這種方式使用數據集展示了一個出色的發現峰會，可以在此處找到：使用 JMP® Pro 15 (2021-EU-45MP-766) 分析蒸餾工藝流 - JMP 用戶社區
2. 通過使用數據集中包含的各種腳本（主要是編號腳本），該數據集可用於突出 JMP Pro 中預測建模工具的穩健性。 這包括識別數據集中產量的關鍵預測因子，構建系統的各種預測模型，然後使用這些模型來預測未來產量或找到最佳條件。
3. 數據集中沒有為此包含腳本，但由於數據集是來自過程的傳感器輸出，它也可用於演示功能數據瀏覽器。 這是一個特別好的數據集，因為它來自真實的工業過程，並且包括可以通過使用傅里葉模型擬合處理的季節性變化。
我們可以使用哪些平台？
- 分配
- 圖表生成器
- 預測篩選
- 適合模型
- 功能數據瀏覽器
- 模型篩選
- 各種預測建模技術，包括：神經網絡、引導森林、決策樹等等
