안녕, 나의 이름 ~도 샬리카 시디크
나의 이름 ~도 아난드 마니반난
그리고 이었다 둘 다 재학생 ~에서 S. 오클라호마 아버지 대학교
그리고 우리 현재 추구하다 ㅏ 사업 해석학 그리고 데이터 과학 도.
오늘 우리 ~이다 제시 ㅏ 자랑하는 사람 어디 우리 탐구하다 안락사
동물에서 대피소,
그리고 우리 희망 에게 이해하다 왜 고양이 그리고 개 ~이다 존재 놓다 아래에.
모든 년도 우리 잃다 ~에 대한 920,0 동물 매년.
사용 JMP 프로, 우리 ~일 것이다 좋다 에게 식별하다 그만큼 열쇠 요인,
저것 선두 에게 안락사 본인 고양이 그리고 개.
한 번 우리 식별하다 이것들 핵심 요소,
자금 ~할 수 있다 저것 채널링 에게 관련 있는 섹터
에게 예방하다 안락사 본인 동물 저것 ~할 수 있었다 가지다 계속 ~ 이다 저장되었습니다.
~ 안에 덧셈 에게 이것, 우리 목표 에게 만들다 예측 에게 식별하다
어느 동물 ~이다 최대 ~할 것 같은 에게 저것 안락사.
ㅏ 작은 정보 ~에 대한 우리의 데이터 세트 여기,
우리 원천 그만큼 데이터 ~에서 오스틴의 데이터 문,
그리고 그만큼 동물 대피소 저것 우리 사용 ~을 위한 분석 ~도 위치한
~에 1999년 오스틴 텍사스.
전반적인, 우리 가졌다 ~에 대한 130,0 기록.
후에 청소 그리고 필터링, 우리 집중 ~에 ~에 대한 67,000 기록
저것 ~이었다 특정한 에게 고양이 그리고 개.
이전의 에게 우리의 분석 우리 터지다 그만큼 데이터 세트
그리고 시도 에게 도출하다 통찰력.
우리 사용 JMP, 그래프 건축업자 에게 만들다 시각화
그런 여기 술집 그래프.
에서 그만큼 67,000 기록, 거기 ~이었다 ~에 대한 3,171 동물
어느 ~이었다 안락사.
어느 ~도 ~에 대한 4.7 % 동물 본인 그만큼 대피소.
~ 안에 비교 에게 동물 항복 에게 그만큼 대피소 ~에 의해 그만큼 소유자,
흩어진 동물 ~이었다 최대 경향이 에게 안락사.
언제 우리 비교하다 그만큼 나이 본인 그만큼 동물,
우리 알아채다 저것 새끼 고양이 아래에 그만큼 나이 본인 15개월,
기여하다 에게 25 % 본인 안락사,
~하는 동안 새끼들 기여 에게 13 % 본인 안락사
이것 술집 그래프 여기,
~도 나 예 본인 하나 본인 그만큼 시각화
만들어진 사용 JMP 빌더.
그만큼 라벤더 술집 나타냅니다 고양이,
~하는 동안 보라색 술집 나타냅니다 개.
우리 ~할 수 있다 보다 저것 손대지 않은 수컷 다음에 ~에 의해 손대지 않은 안
~이다 더 경향이 에게 안락사,
에 비해 중성화 동물.
다음 A 낸드 ~ 할 것이다 에게 ~ 위에 ~에 세부 사항 ~ 위에 그만큼 모델링.
감사합니다 너 샬리카.
예, ID 좋다 에게 말하다 ㅏ 조금 더 ~에 대한 우리의 접근하다 ...쪽으로
모델링 사용 JMP.
전에 우리 ~할 수 있었다 시작 모델링,
우리 수행 ㅏ 약간의 데이터 전처리 단계 에게 준비하다 우리의 데이터.
우리 했다 것들 좋다 표준화 단위
~을 위한 확실한 변수,
그런 여기 나이, 어느 ~였다 ~에 주, 개월 그리고 연령.
우리 원하는...
우리 변환 저것 에게 단지 몇 달.
우리 굽히다 ~에 그만큼 나이 변하기 쉬운 그래서 우리 ~할 수 있었다 전환하다 그것 ~ 안으로
ㅏ 범주적인 변하기 쉬운.
그것 바라 보았다 ~에 그만큼.
그것 바라 보았다 좋다 나이 범위 좋다 10- 15 그리고 15- 25.
우리 그룹화 희귀 품종 그리고 그림 물감 에게 감소
그만큼 숫자 본인 범주.
추가적으로, 우리 또한 거르는 단지 고양이 그리고 개
~에서 모두 그만큼 다른 동물 저것 갔다 ~을 통해 그만큼 대피소.
시 ㅏ 모델링 단계 우리 주목 무엇 매우 이상한.
우리 주목 저것 수업 불균형 ~에 우리의 표적 변하기 쉬운,
어느 에 대해 이야기 ~에 대한 ~이든 나 동물 ~였다 채택 된,
그리고 ~이든 나 동물 ~였다 안락사.
에 대한 64,0 기록, 밖으로 본인 67,000 기록 ~이었다 채택 된
동물, 그리고 오직 3,000 동물 ~이었다 안락사 동물.
부터 ㅏ 모델 ~였다 에게 집중하다 ~에 예측 안락사,
우리 가졌다 에게 해결하다 이것 문제, 그리고 따라서 우리 사용된 JMP 부트스트랩 모델
그리고 부스티드 포레스트 에게 해결하다 이것 문제.
그것 사용된 그만큼 개념 본인 포장 그리고 부스팅 에게 하다 이것.
부터 포장 그리고 부스팅 모델 ~하지 않다 정말
주다 ㅏ 많은 본인 방 ~을 위한 해석
~에 자귀 본인 무엇 그만큼 변수 하다,
우리 사용된 물류 센터 회귀 에게 해석하다 이것들 변수 여기 잘.
후에 모델링,
우리 조정 위로 매개변수 에게 얻다 그만큼 최상의 결과.
우리 물건 ㅏ 약간의 확실한 메트릭,
에게 선택하다 그만큼 최상의 모델 기반을 둔 ~에 그것은 성능 ~에 확인 데이터.
우리 사용된 ㅏ 70:3 % 확인 나뉘다,
그리고 이전의 에게 모델링, 우리 또한 테스트 그만큼 가정
~을 위한 물류 센터 회귀.
또는 ~ 위에 에게 그만큼 맨 위 오른쪽, 너 ~할 수 있다 보다 저것 우리 테스트
~을 위한 다중공선성 그리고 독립 ~ 중에 변수
사용 JMP 우연성 분석,
어느 확산 밖으로 ㅏ 뮤즈 신 구성, 그리고 준 우리를 ㅏ 추신 그리고 상관관계 값,
저것 원래 말했다 우리를 어느 변하기 쉬운 ~였다 상관 ~와 함께 각 다른.
지금 ID 좋다 에게 파기 ㅏ 조금 깊은 ~ 안으로 각 모델
그리고 어떻게 우리 선택된 우리의 모델.
위에 에게 그만큼 맨 위 왼쪽,
너 ~일 것이다 보다 저것 우리 물건 메트릭 좋다 특성,
이것 분류 영역 아래에 그만큼 후미 그리고 RS 사각형
에게 선택하다 어느 모델 수행 그만큼 최상의.
이것들 메트릭 ~이었다 선택된 ~을 위한 ㅏ 특정한 이유
저것 정렬 ~와 함께 우리의 목표.
우리의 목표 ~였다 에게 예측하다 어느 동물 ~일 것이다 ~ 고 싶어요 에게 저것 안락사.
그만큼 비용 본인 우리의 모델,
틀리게 예측 ㅏ 안락사 동물,
여기 ㅏ 비- 안락사 동물, ~일 것이다 평균 저것 동물
~일 것이다 아마 주사위 그리고 ~ 아니다 저것 저장되었습니다.
따라서 우리 원하는 에게 집중하다 ~에 증가 그만큼 정확성
본인 안락사 동물 그리고 감소 그만큼 오분류.
따라서 이것들 특정한 측정항목이 선택되었습니다.
먼저 우리 달렸다 그만큼 명사 같은 물류 센터 회귀 모델,
어느 너 ~할 수 있다 보다 ~ 위에 에게 그만큼 맨 아래 왼쪽.
그만큼 통나무 가치 즉시 준 우리를 어느 변수
~이었다 그만큼 최대 중요한 ~에 예측 안락사.
턴 밖으로 그것 ~였다 섹스 본인 그만큼 동물 섭취 상태,
섭취 유형 그리고 결과 나이 . . . .
ㅏ 많은 본인 이것들 ~이다 ~ 아니다 놀라운,
그리고 그것 일치 ~와 함께 무엇 연구 보여줍니다.
그만큼 전체 모델 돌린 밖으로 에게 저것 중요한 여기 잘,
그만큼 피- 값 더 적은 ~보다 0.001
수행원 저것, 우리 달렸다 그만큼 부트스트랩 F 오레스트 모델,
어느 ~였다 조정 에게 가지다 ㅏ 백 나무 그리고 특징 선택
기준 값 본인 삼 부트스트랩.
우리는 수신을 사용했습니다 운영 특성 또는 그만큼 AUC 곡선,
에게 결정하다 어느 분류 한계점
준 우리를 그만큼 최상의 분류 결과.
우리 끝났다 위로 사용 0.1 또는 10 % 여기 우리의 분류 한계점.
위에 에게 그만큼 오른쪽,
너 ~일 것이다 보다 저것 우리 달렸다 그만큼 부스티드 포레스트 모델,
~와 함께 매개변수 본인 87 레이어 그리고 ㅏ 학습 비율 본인 0.179
위에 ~에 그만큼 맨 아래,
우리 사용된 그만큼 결정 행렬 ~을 위한 모두 삼 모델 에게 계산하다
그만큼 특성 본인 각 특정한 모델.
당신은 주다 우리를 어떻게 정확히 그만큼 안락사 동물
~이었다 존재 예측했다.
우리 또한 사용 오분류 비율 그리고 RS 사각형
~에서 그만큼 전반적인 통계적 탭 본인 JMP.
~ 안에 모든 메트릭, 우리 설립하다 저것 우리의 부트스트랩 모델
능가하다 그만큼 다른 모델,
그리고 따라서 우리 물건 저것 여기 그만큼 승리 모델 에게 만들다
예측 ~에 안락사.
다음, 나 ~일 것이다 좋다 에게 에게 위에,
일부 중요한 결과 저것 물류 센터 회귀 준 우리를.
와 함께 문안 인사 에게 섹스,
우리 설립하다 저것 손대지 않은 고양이 그리고 손대지 않은 개,
~이었다 방법 더 ~할 것 같은 에게 저것 안락사 ~보다
중성화 동물.
와 함께 문안 인사 에게 새끼를 낳다, 우리 설립하다 저것 혼합 고양이 품종,
그리고 핏불 개 혼합 품종, ~이었다 더 ~할 것 같은 에게 저것 안락사
~보다 모두 다른 품종.
와 함께 문안 인사 나이를 먹다 우리 설립하다 저것 고양이 저것 ~이다 4.5
6까지 연령, ~이다 더 ~할 것 같은 에게 저것 보다 안락사 더 젊은 고양이.
개 아래에 1.2 연령 ~이다 그만큼 최소 ~할 것 같은 안락사시키기 위해.
이했다 넓게 놀라운 왜냐하면 그것은 모순되는
에게 무엇 우리 설립하다 ~ 동안 ㅏ 데이터 탐색 단계.
비슷하게, ~와 함께 관심 에게 섭취 유형,
우리 설립하다 저것 더 오래된 항복 동물,
~이다 두 배 더 ~할 것 같은 에게 저것 안락사 ~보다 흩어진 동물.
이것 ~도 완전히, 다시, 모순되는 에게 무엇 우리 설립하다
~에 그만큼 데이터 탐구 단계.
저것 간다 에게 보여주다 저것 무엇 그만큼 힘 본인 통계적
분석 그리고 무패 진실 사리.
다음, 나 ~ 할 것이다 저것 건네다 그것 끄다 에게 샬리카 다시
에게 에게 무엇 추천 우리 ~할 수 있다 만들다 에게 이것들 동물 대피소.
감사합니다 너 아난드.
기반을 둔 ~에 우리의 분석, 우리 가지다 ㅏ 약간의 추천
저것 동물 대피소 ~할 수 있었다 사용 에게 낮추다 안락사.
우리 믿다 저것 동물 찍은 ~ 안으로 그만큼 대피소
~해야 한다 저것 중성화 또는 중성화
이것 ~도 ~에 일치 ~와 함께 의료 연구,
어느 증명하다 저것 손대지 않은 동물 ~이다 더 경향이 에게 질병.
동물 대피소 ~할 수 있었다 또한 사용 우리의 부트스트랩 숲 모델
에게 우선순위를 정하다 어느 동물 필요 에게 저것 저장,
~에 사례 ㅏ 어려운 결정 필요 에게 저것 만들어진.
~ 안에 지원하다 본인 저것,
여기 ~이다 일부 추천 ~에서 오스틴의 동물 대피소.
이것 특정한 대피소 ~일 것이다 필요 에게 우선순위를 정하다 고양이 ~ 위에 개
여기 그들 ~이다 더 경향이 에게 안락사.
와 함께 문안 인사 에게 나이, 고양이 늙은 ~ 사이 4.5-6 연령,
그리고 개 ~ 위에 1.2 연령 ~일 것이다 필요하다 더 주목.
소유자 항복 개 필요 에게 저것 우선 순위 ~ 위에 흩어진 동물.
마지막으로, 언제 그것 온다 에게 품종,
핏불 혼합 개 품종 그리고 혼합 고양이 품종,
~이다 더 경향이 안락사에 그리고 ~일 것이다 ~할 것 같은 필요하다 더 주목.
저것 가져오다 우리를 에게 그만큼 끝 본인 우리의 프레젠테이션.
우리 희망 저것 동물 대피소 ~할 수 있었다 사용 이것 분석,
에게 감소 그만큼 필요 ~을 위한 나 동물 에게 저것 안락사.
감사합니다.
