398682_de-DE

liliconcom

Nutzung der Extrapolationskontrollfunktion in JMP® Pro 16 zur Optimierung des realen Mining-Prozesses (2021-US-30MP-844)

Niveau: Anfänger

 

Xinjie Tong, leitender Forschungsstatistiker, Dow

 

Ziel der Fallstudie ist es, 12 Schäumertypen hinsichtlich ihrer Leistung bei der Mineralgewinnung im Bergbau zu bewerten. Die Eingabevariablen umfassen neben dem Schäumertyp auch die Partikelgröße (codierter Wert: 0, 0,35, 1) als kontinuierliche Variable und den Wassertyp (Typ A, Typ B, Typ C) als kategoriale Variable. Die Antwortvariable ist die Effizienz der Mineralrückgewinnung.

Mithilfe der Extrapolationskontrollfunktion im Vorhersageprofiler wurde eine mögliche Extrapolation für Wassertyp B beobachtet, wenn die Partikelgröße = 1, basierend auf der regulierten T-Quadrat-Metrik. Diese Extrapolation wurde durch ein Ungleichgewicht im DOE verursacht, wo die Messung für Wasser Typ B nur mit einer Partikelgröße = 0,35 durchgeführt wurde. Die Extrapolationskontrolle wurde aktiviert, um die Effizienz der Mineralrückgewinnung zu optimieren und zuverlässige optimale Lösungen zu erreichen.

Das Extrapolationsproblem verschwand, als das DOE erweitert wurde, um ausgewogener zu sein. Die Extrapolationskontrollfunktion lieferte ein sofortiges Verständnis dafür, wie die Erweiterung eines unausgeglichenen DOE die Benutzerfreundlichkeit des Vorhersagemodells erheblich verbessern könnte.

 

 

Automatisch generiertes Transkript...

 

Lautsprecher	Transkript
Josh Staunton	Hi.
Xinjie Tong	Hallo Josh.
Josh Staunton	Hallo, das ist scharf.
Xinjie Tong	Ja gut.
Josh Staunton	Vielen Dank, dass Sie sich dazu bereit erklärt haben. Ich bin gespannt auf Ihre Präsentation.
Xinjie Tong	Vielen Dank. Wie können wir also anfangen?
	oder irgendetwas anderes, bevor wir anfangen.
Josh Staunton	Ja, es gibt nur eine kurze Checkliste, die ich nur durchgehen wollte. Wenn Sie also welche haben.
	Du bist dein Telefon, das immer noch eingeschaltet ist.
Xinjie Tong	Gut ja.
Josh Staunton	Ja, es gibt ein.
Xinjie Tong	Tolle Erinnerung. Vielen Dank.
Josh Staunton	Und nur kurz, ich muss eine mündliche Bestätigung bekommen, dass Sie irgendwie wissen, was aufgezeichnet wird, damit Sie verstehen, dass dies für den JMP Discovery Summit aufgezeichnet wird.
	Konferenz und Sie werden es in der Job-Benutzergemeinschaft öffentlich zugänglich machen, um die Erlaubnis für diese Aufzeichnung und Nutzung zu erteilen.
	Ja, ja, okay, gut.
	Formal sind sie großartig und.
	Ich mag deinen Hintergrund, alles sieht gut aus und ich schätze, das Einzige, was passiert, ist, dass du weißt, ob dein Display auf 1920 mal 10 eingestellt ist.
Xinjie Tong	Eigentlich tue ich das nicht.
	klar wissen.
Xinjie Tong	Anzeigeeinstellungen ganz schnell vornehmen.
	Ich denke, wir sehen 119 20 mal 1080.
Josh Staunton	Oh perfekt.
Xinjie Tong	Ja, gut.
Josh Staunton	Ja, das ist alles perfekt und Sie werden dies tun, indem Sie die Extrapolationskontrollfunktion und den für JMP Pro 16 optimierten Reward-Mining-Prozess 2021 für 30 MP nutzen.
	Großartig, also werde ich es tun.
	Möchten Sie sehen, ob Sie mit der Präsentation beginnen können? Legen Sie einfach Ihre Folien in Gang und.
	Wenn von Ihrer Seite aus alles gut aussieht, schalte ich mein Video auf stumm und gebe es einfach an Sie weiter.
Xinjie Tong	Also können wir es ganz schnell versuchen, okay?
Josh Staunton	Wenn Sie etwas präsentieren möchten, könnte ich einfach dafür sorgen.
	Wir können Ihre Folien sehen.
Xinjie Tong	Ja, ähm, also muss ich zuerst meinen Bildschirm freigeben.
	Ja.
Xinjie Tong	Und du siehst meinen Bildschirm.
	Ja, okay, also werde ich wahrscheinlich eine DEMO machen, wahrscheinlich nicht.
	Ich muss eine DEMO machen. Wenn ich das mache, mache ich das vielleicht, ist das in Ordnung, und gehe dann zurück zu den Folien.
Josh Staunton	Genau, ja, das ist in Ordnung.
	Und Sie wissen, dass wir im Video keine Bearbeitung vornehmen und einen Teil davon herausschneiden, den Sie kennen.
	Aber damit Sie wissen, ob Sie einen Fehler machen.
	Weißt du, versuche einfach zu bleiben.
	Wenn wir das durchgehen, sind wir hier alle Menschen und es ist in Ordnung, einen Fehler zu machen.
	Wenn Sie denken, dass Sie es wissen, aber wenn Sie wirklich glauben, dass es eine Katastrophe war, würden Sie es gerne sehen.
	Jetzt können Sie einfach.
	Wir können, wir können, wir können von vorne beginnen, es ist keine große Sache, aber ja, aber lassen Sie nicht zu, dass ein kleiner Fehler Sie irgendwie stört, sondern bleiben Sie einfach dabei.
	Du wirst er sein.
	ja ja.
Xinjie Tong	Und ich glaube, es sind ungefähr 20 Minuten bis zur Präsentation.
	Okay, das ist es.
	Die Anforderungen mögen.
Josh Staunton	Du weißt, ich bin mir nicht sicher, ob jeder ein bisschen anders ist, aber du weißt, dass ich das nicht tue.
	Ja, machen Sie sich nicht zu viele Gedanken über die Zeit, das sind eher Richtlinien, versuchen Sie es einfach.
	Okay, Dan, geh raus, was du recherchiert hast, dann können wir es sehen.
Xinjie Tong	Okay, hört sich gut an. Wenn das der Fall ist, werde ich vielleicht mit der Präsentation beginnen.
Josh Staunton	Ja, also werde ich mein Video starten und dann ja, er wollte sich nur eine Minute Zeit nehmen, oder Sie können jederzeit damit beginnen, wann immer Sie dazu bereit sind.
Xinjie Tong	Oh, ich muss keine Produktion machen, stimmt das?
Josh Staunton	Nein, könnten Sie es einfach sagen, Sie könnten sagen, Sie wissen, sagen Sie Ihren Namen, und Sie wissen, was Sie durchmachen werden und.
	rollt irgendwie hinein.
Xinjie Tong	Okay okay.
Josh Staunton	Okay, alles klar, ich werde meine Kamera ausschalten und zu dir gehen, aber viel Glück, danke.
Xinjie Tong	Danke schön.
	Mein Name ist also Xinjie Tong und in meinem Vortrag geht es darum, wie wir die Extrapolationskontrollfunktion in JMP Pro 16 in einem realen Bergbauproblem nutzen, bei dem wir versuchten, die Effizienz der Mineralentfernung im Bergbauprozess zu optimieren.
	Deshalb werde ich eine Fallstudie über den Mining-Prozess vorstellen, und dann würden wir uns ein wenig mehr mit der ebenfalls erwähnten Extrapolationskontrollmetrik befassen, wie wir unter Berücksichtigung der Extrapolation optimieren und wie die Verwendung der DOE-Erweiterung möglicherweise das Extrapolationsproblem lösen kann.
	Hier ist eine Folie, die eine Einführung in die derzeit in JMP 16 Pro verwendeten Extrapolationskontrollmetriken gibt. Alle diese Informationen stammen aus dem Video in der JMP-Community.
	erstellt von SAS, wie Sie unten als Referenz finden können. Es gibt also zwei Hauptmetriken, die in JMP verwendet werden.
	Eine davon ist die Hebelwirkung, die in der linearen Plattform verwendet wird, insbesondere wenn wir die kleinsten Quadrate anpassen. Es gibt einen anderen
	Metrik namens reguliertes Hotelling-T-Quadrat, das jetzt in nichtlinearen Plattformen wie GenReg, neuronalen partiellen kleinsten Quadraten, implementiert ist. Also für die Hebelwirkung:
	Es ist eine Funktion der Designmatrix der Trainingsdaten sowie des Vorhersagepunkts. Es kommt also auf die Modellform an. Auch bei einem linearen Modell ist es proportional zur Vorhersagevarianz.
	Aber anders: Beim regulierten t-Quadrat handelt es sich um eine unbeaufsichtigte Version, also ist es keine Funktion irgendeiner Form des Modells.
	Und hier ist die Gleichung, die ich aus diesem Video geklaut habe.
	Dies ist das Beispiel, das ebenfalls aus diesem Video stammt, um zu zeigen, wie sich die Optimierung unterscheiden kann, wenn Sie eine Extrapolation im Hinterkopf haben.
	Hier ist also ein Beispiel, in dem wir drei Eingabevariablen haben und wie wir hier sehen können, dass MaxPulse und RunPulse eine starke positive Korrelation aufweisen.
	Wenn wir die Extrapolationskontrolle nicht berücksichtigen, teilt uns das Modell mit, dass der blaue Punkt das Optimum ist. Allerdings folgt es nicht der Beziehung in den Trainingsdaten, also ist es nicht sehr gut
	zuverlässig. Das Modell extrapoliert. Wenn wir jedoch die Extrapolationskontrolle einschalten, wird dieser rote Punkt vorgeschlagen, der jetzt realistischer ist. Es zeigt also, wie die Extrapolationskontrolle wirklich bei der Entscheidungsfindung helfen und unrealistische Vorhersagen vermeiden kann.
	Jetzt werde ich über die Fallstudie sprechen, die mir während meiner Anstellung bei Dow begegnet ist. In dieser Fallstudie geht es also um den Bergbauprozess und unser Ziel bestand darin, die Bergbaubedingungen zu optimieren, um die Effizienz der Mineralentfernung zu steigern.
	Wir haben 120 Zeilen in diesem Datensatz und drei Eingabevariablen und eine Ausgabevariable.
	Als Eingabevariable haben wir den Wassertyp, eine kategoriale Variable mit drei Ebenen, also habe ich sie in Typ A, B und C codiert.
	Wir haben auch 12 Arten von Aufschäumern verwendet, die ebenfalls kategorisch sind. Wir haben eine numerische Variable, nämlich die Partikelgröße, und ich habe sie auf 0, 1 und auch .35 codiert.
	Hier ist die Ausgabe die Entfernungseffizienz, die ein Wert zwischen Null und Eins ist, und alle Werte hier sind codiert, um die tatsächlichen Informationen zu schützen.
	Das Problem bei diesem Datensatz besteht also darin, dass aufgrund der Entwurfsphase tatsächlich eine gewisse Kolinearität besteht. Wenn wir uns diesen Grafik-Builder ansehen, haben wir die Datenstruktur mit dem Graph Builder, einer Plattform in JMP, sehr einfach visualisiert.
	Hier habe ich den Aufschäumertyp als Umhüllung verwendet, sodass sich jedes Kästchen auf einen Aufschäumertyp bezieht und wir uns dann die Partikelgröße auf der Y-Achse und den Wassertyp auf der X-Achse ansehen.
	Hier besteht das Problem also darin, dass wir, wenn wir Wasser vom Typ B haben, nur eine Ebene der Partikelgröße haben, die auf der mittleren Ebene liegt, sodass die Kolinearität besteht, wenn wir versuchen, die Partikelgröße abzuschätzen
	und Interaktion mit Typ B. Daher ist es in diesem Fall nicht abschätzbar.
	Aufgrund dieses Ungleichgewichts oder einer gewissen Abhängigkeit werden wir ein Extrapolationsproblem haben, und hier kann uns die Extrapolationskontrollfunktion wirklich dabei helfen, Risiken aufgrund dieses unvollständigen Datensatzes zu vermeiden.
	Also machte ich mich daran, das Modell zu erstellen und verschiedene Plattformen in JMP zu verwenden, um die Metriken zu vergleichen und herauszufinden, wie sie sich potenziell auf unsere Entscheidungsfindung auswirken können.
	Bevor ich ein Modell anpasse, beginne ich normalerweise damit, das Design zu evaluieren. Dies ist eine der Funktionen von JMP. Diese Plattform ermöglicht es uns also, um Verständnis zu bitten,
	Welche Terme können anhand eines Datensatzes geschätzt werden? Und ich werde eine kurze Demo dazu machen. Hier also mein Datensatz. Ich habe also drei Eingabevariablen und eine Ausgabevariable. Was wir tun können, ist, zum DOE zu gehen,
	Designdiagnose und Designbewertung. Hier ist die Y-Antwort also optional, daher ziehe ich meine drei Eingaben hierher und klicke auf „OK“.
	Und jetzt sagt es mir, dass es in der Lage ist, diese abzuschätzen, wenn ich nur die Haupteffekte berücksichtige, und dass ich mir meine Diagnosen ansehen kann, wie z. B. Ihre Vorhersagevarianz innerhalb des gesamten Raums ... Designraum und auch einige Diagnosen.
	Allerdings möchte ich die bidirektionalen Interaktionen abschätzen. Wenn ich also auf bidirektionale Interaktionen klicke,
	Diese Warnung wird angezeigt und mir wird mitgeteilt, dass dieser Datensatz nicht alle Begriffe der bidirektionalen Interaktion erfüllen kann und die Begriffe, die nicht geschätzt werden können, entfernt wurden.
	Und wenn wir hier hinschauen, stellen wir fest, dass die Interaktion zwischen Wassertyp und bestimmter Größe gelöscht wurde, und das liegt an dem Problem der Kolinearität, das ich gerade erwähnt habe.
	Wenn wir also hier nachsehen, wurden diese Diagnosen auf der Grundlage dieser neuen Modellbegriffe aktualisiert. Jetzt weiß ich das
	Aufgrund der Kolinearität kann ich nicht alle Terme schätzen, daher kann ich nur mit den Termen beginnen, die das Modell anpassen kann. Dann werde ich einfach zu meinen Folien zurückkehren. Also werde ich mit dem Bau des Modells beginnen.
	Das erste Modell, das ich eingebaut habe, gehörte also zur GenReg-Plattform. Der Grund dafür ist, dass meine Antwort eine Effizienz ist. Es ist ein Wert zwischen Null und Eins und ich denke normalerweise über die Beta-Verteilung nach, die nur in diesem GenReg realisiert werden kann.
	Allerdings liegt sie in unserem Fall zwar zwischen Null und Eins, aber die Verteilung ähnelt eher einer Normalverteilung, und es gibt keine hohe Häufigkeit in der Nähe von Null oder Eins, was die Verwendung der Normalverteilung problematisch macht.
	Also habe ich versucht, mein Modell sowohl in der Beta- als auch in der Normalversion an dieses GenReg anzupassen. Ich habe auch das Vollmodell und die verschiedenen Methoden zur Modellreduktion ausprobiert. Also
	Ich habe AICc und BIC verglichen und festgestellt, dass ich eine Normalverteilung verwenden könnte und die Lasso-Reduktionsmethode im Vergleich zum vollständigen Modell einen kleineren AICc oder BIC ergibt. Das ist wahrscheinlich das, mit dem ich weitermachen werde.
	Aber jetzt, da wir die Normalverteilung verwenden können, wurde mir klar, dass wir tatsächlich dasselbe Modell verwenden können, aber auf anderen Plattformen.
	Als nächstes habe ich eine Methode der kleinsten Quadrate verwendet, eine lineare Plattform in JMP, in die ich das gleiche Modell eingepasst habe.
	Aber jetzt kann ich damit die Hebelwirkung als Extrapolationskontrollmetrik verwenden, während in GenReg das regulierte T-Quadrat von Hotelling verwendet wurde. Jetzt kann ich vergleichen, wie sich diese beiden Kennzahlen wirklich unterscheiden oder wie ähnlich sie sind.
	Kommen wir nun zum Messwertvergleich und einigen Ergebnissen. Hier ist also meine Karte, also habe ich mit demselben vollständigen Modell begonnen.
	Und ich habe das Modell innerhalb von GenReg angepasst und die Methode der kleinsten Quadrate angewendet, wo unterschiedliche Metriken verwendet wurden. Und zusätzlich zum Vergleich der Metriken wollte ich auch sehen, ob ich ein vollständiges Modell gegenüber einem reduzierten Modell verwende, indem ich die Modellform ändere. Wie verändert sich dadurch die Leistung der Metriken?
	Hier werde ich also eine weitere Demo machen, und wir können auch sehen, wie wir die Extrapolationskontrollfunktion in einem Profiler verwenden können. Ich beginne also mit diesem GenReg, bei dem es sich um dasselbe Skript handelt.
	Nur so, nur für Sie ... Zur Information klicke ich auf den Modelldialog. Hier wurde also das Modell aufgebaut. Also Effizienz für Y, diese Begriffe, die im Evaluierungsdesign definiert wurden und Beta oder Normal verwenden.
	Und dann klicken Sie auf Ausführen. Also habe ich zwei Modelle gespeichert. Die erste ist die Normalverteilung mit Modellreduktion. Die zweite ist die Normalverteilung mit vollständigem Modell. Wenn wir also zunächst mit einem vollständigen Modell beginnen, können wir hier klicken und den Profiler einschalten.
	Und im Profiler,
	Was hier neu ist, ist, dass wir jetzt auf Extrapolationskontrolle klicken und die Warnung deaktivieren können.
	Jetzt gibt es keine Details. Wenn ich also die Details sehen möchte, muss ich die Details schnell extrapolieren
	und es zeigt uns den Schwellenwert in der Metrik. Wenn wir uns also entlang der Partikelgröße bewegen können und sich die Metrik ändert, sie sich aber innerhalb des Schwellenwerts befinden, gibt es keine Warnung.
	Wenn wir jedoch zu Typ B übergehen, wo diese Kolinearität besteht, sehen wir diese mögliche Extrapolationswarnung bei sehr hoher Partikelgröße oder bei sehr kleiner Partikelgröße.
	Eine weitere Möglichkeit besteht darin, statt der Warnung die Extrapolationskontrolle direkt einzuschalten. Und es zeigt nur den Bereich an, in dem keine Extrapolation erfolgt.
	Nun möchte ich erwähnen, dass der Schwellenwert hier bei 16,3 liegt, und was wäre, wenn wir ein reduziertes Modell anpassen würden? Ändert sich dadurch der Schwellenwert und auch der Extrapolationsbereich? Jetzt kann ich zu meinem reduzierten Modell wechseln und meinen Profiler einschalten, den ich bereits aktiviert habe, und hier ist ...
	Wenn ich auf Extrapolationsdetails klicke und sie einschalte, sehen wir, dass sie denselben Schwellenwert und denselben Extrapolationsbereich hat. Hier ist dieses regulierte T-Quadrat also unbeaufsichtigt und ändert sich nicht, wenn wir ein vollständiges Modell gegenüber einem reduzierten Modell verwenden.
	Und wenn wir, anstatt GenReg zu verwenden, versuchen wir es mit Fit-Lease-Quadraten, einer linearen Plattform, deren Hebelwirkung für die Modellextrapolation verwendet werden kann. Hier ist also mein vollständiges Modell. Ich kann auf Faktorprofilierung klicken und den Profiler einschalten.
	Ähnlich können wir hier auf Extrapolationskontrolle klicken und die Warnung sowie Extrapolationsdetails aktivieren.
	Hier ist der Schwellenwert also anders, da er auf der Grundlage einer anderen Gleichung berechnet wurde. So ähnlich wie vorher, Typ B ... Typ A und C haben keine Extrapolation, aber für Typ B ist es tatsächlich ... alles hat die Extrapolation der Erwärmung.
	Und wenn ich diesen Wert auf 0,35 setze, ist dies der einzige Punkt, an dem es keine Extrapolation gibt. Um das deutlicher zu zeigen, kann ich meine Extrapolationskontrolle einschalten und dann würde man das sehen, das B-Wasser hatte,
	Es ist nur in der Lage, diese einzelne Partikelgröße vorherzusagen, die im Experiment beobachtet wurde. Das sagt uns also, dass
	Angesichts des Datensatzes und der Hebelwirkung als Maß können wir keine andere Partikelgröße vorhersagen, wenn wir Wasser verwenden ... Wasser Typ B.
	Im Vergleich zum GenReg, bei dem das regulierte T-Quadrat verwendet wurde, ist dies also strenger, da im anderen Szenario ein engerer Bereich vorhergesagt werden konnte. Und das wiederum liegt daran, dass dieser unbeaufsichtigt ist und dieser eher auf die Modellform ausgerichtet ist.
	Hier haben wir also einen Schwellenwert von 0,5, und ich habe das reduzierte Modell ausprobiert, als ich Hebelwirkung verwendet habe, und der Schwellenwert wurde ebenfalls geändert, da er von der Modellform abhängt. Wenn Sie also ein kleineres Modell haben, ist die Schwelle geringer. Und das ist die Vergleichstabelle.
	In diesem speziellen Fall sehen wir, dass die Hebelwirkung strenger ist als beim regulierten T-Quadrat.
	Nun interessierte mich, wie wir mit dieser Extrapolationskontrollfunktion optimieren können, denn das ist das Ziel unseres Projekts.
	Hier ist also die endgültige Ausgabe, die ich erhalten habe. Hier werden also alle Eingabevariablen gezeichnet und der blaue Punkt ist derjenige, den ich ohne Extrapolationskontrolle optimiert habe. Und es deutet auf diesen Punkt hin, der in den Daten nicht beobachtet wurde.
	Wenn wir jedoch die Extrapolationskontrolle in Betracht ziehen, deutet dies auf etwas hin, das den Trainingsdaten ähnlicher ist, und wir haben jetzt mehr Vertrauen ... Vertrauen in sie.
	Eine andere Sache, die wir wirklich tun können, ist eine Visualisierung mit und ohne Extrapolationskontrolle. Ich möchte dies also auch sehr schnell vorführen,
	weil ich glaube, dass dies die Zukunft ist, die ich am meisten liebe, wäre zum Beispiel, wenn wir uns dazu entschließen würden...
	Entschuldigung, ich werde dies nur zur besseren Visualisierung schließen.
	Wenn wir also können ... wenn wir uns für die Verwendung dieses Profilers ... dieses Modells entscheiden, können wir fortfahren und sicherstellen, dass wir die Extrapolationssteuerung aktivieren, und dann können wir auf die Ausgabe einer Zufallstabelle klicken.
	Dadurch werden alle potenziellen Bedingungen generiert, die das Modell ohne Extrapolation vorhersagen kann.
	Ich habe also jetzt 5.000 Durchläufe und kann hier klicken, um ganz einfach die Verteilung oder die Histogramme der einzelnen Parameter anzuzeigen.
	Wenn ich auf Typ A klicke, sehen wir, dass das Modell den gesamten Bereich zwischen Null und Eins für die Partikelgröße vorhersagen kann.
	Ähnliches gilt für Typ C, aber wenn wir Typ B haben, kann er aufgrund dieses zusätzlichen Problems nur einen engen Bereich der Partikelgröße vorhersagen.
	Entschuldigung, Extrapolation. Mit diesem Modell können wir also unter Berücksichtigung der Extrapolationskontrolle wirklich optimieren und simulieren.
	Und aus dieser Datei können wir auch den Grafik-Builder verwenden
	und erzeugen Sie dieses Diagramm, in dem wir sehen können, dass wir alle Bereiche haben, wenn wir keine Extrapolationskontrolle haben, wobei die Farbe die Effizienz, die vorhergesagte Effizienz, darstellt.
	Aber mit der Extrapolationskontrolle können wir nicht alle diese Bereiche vorhersagen, und das ist eine sehr gute Visualisierung, die auf dieser Simulationsfunktion basiert.
	Und jetzt wäre meine letzte Frage: Was wäre, wenn ich diese Räume wirklich schätzen möchte? Dazu müssen wir die Daten korrigieren oder erweitern, damit das Modell den gesamten Bereich vorhersagen kann. Jetzt können wir Daten erweitern, was auch Teil der JMP-Funktionen ist.
	Was wir also beim erweiterten Design tun können, ist, dass wir eine neue Blockvariable hinzufügen können, sodass die neuen Läufe getrennt und in einem Block zwei gruppiert werden können.
	Außerdem können wir die Modellterme definieren, die wir schätzen möchten. Jetzt möchte ich alle wechselseitigen Interaktionen abschätzen.
	Und hier ist eine Visualisierung der erweiterten Läufe. Die roten Punkte sind also alle erweiterten Läufe und jetzt weisen wir die Daten zu
	Wenn die Partikelgröße hoch und niedrig ist, wenn der Wassertyp Typ B ist, können alle Terme geschätzt werden und es gibt kein Kolinearitätsproblem mehr. Und auch im Profiler sehen wir, dass Typ B den gesamten Bereich vorhersagen kann.
	Also ein paar Imbissbuden. Es kann viele Quellen für die Extrapolation geben, beispielsweise wenn eine Abhängigkeit zwischen Eingabevariablen besteht oder wenn Sie einen anderen Begriff haben, den Sie nicht schätzen können, den Sie aber schätzen möchten
	in Ihr Modell aufgenommen werden. In jeder prädiktiven Modellierungswelt gibt es auch maschinelles Lernen. Wir müssen die Extrapolationskontrolle berücksichtigen, da es sich um die Plausibilitätsprüfung handelt
	Für die Vorhersagewelt und dankbar für JMP 16 Pro macht diese Funktion die Verwendung für uns sehr einfach. Außerdem lässt sich sehr einfach demonstrieren, wie sich die Struktur des Datensatzes auf die Benutzerfreundlichkeit des Modells auswirken kann. Also
	Deshalb habe ich dieses erstellt und möchte es mit der breiteren Community teilen, um wirklich zu demonstrieren, wie hilfreich diese Funktion ist. Und das ist alles meine Präsentation. Hier ist die Referenz und ein Haftungsausschluss.
Josh Staunton	Großartig.
Xinjie Tong	Ist das in Ordnung.
Josh Staunton	Danke, das war großartig, ich liebe mich.
	Ich liebe es, den Prädiktor in ihrem Profil zu sehen.
	Profil.
	Nun ja, das war großartig, denn er ist ohne Probleme davongekommen.
Xinjie Tong	Danke, danke, ich hoffe, das ist es nicht auch.
	Nun, ich würde sagen, es ist für Anfänger, daher ist es nicht sehr komplex.
Josh Staunton	Das war für mich so, man weiß ja, dass es ein bisschen voranschreiten wird, aber nein, das war keine großartige Idee, er fing an, über die Erweiterung von Designs zu reden, das ist definitiv die nächste Stufe, also.
	Das.
	Ja, das ist so ziemlich alles. Wir werden, wie gesagt, diese Art Schnitt herausschneiden, Sie kennen die Vorder- und Rückseite, und dann dürfte es nicht sicher sein, wann sie damit rechnen, es auf der Website zu veröffentlichen, aber das wird es Sei in Kürze dort oben und.
	Nochmals vielen Dank, dass Sie sich die Zeit und Mühe genommen haben, dies mit uns zu teilen.
	Mit unserer Community.
Xinjie Tong	ja natürlich.
	ja, das klingt gut.
Josh Staunton	Also gut, pass gut auf dich auf, und hoffentlich treffen wir dich bald bei einer dieser Veranstaltungen.
Xinjie Tong	Ja.
	Vielen Dank, ich freue mich darauf.
	Vielen Dank für die Gelegenheit.
Josh Staunton	Oh ja, vielen Dank, alles klar, tschüss.
Xinjie Tong	Tschüss, schönen Tag noch.
	Du auch.

AusbrechenDAMHIRSCHKUHStatistik und Modellierung