Bonjour, tout le monde. Merci pour joindre dans. Dans ce parler, je vouloir à parler à propos comment nous a fait préparer notre lot processus données pour la modélisation avec JMP Pro et gagner précieux connaissances avec un équipe approche. Mon présentation est détaillé dans un Power Point partie. Que est le d'abord partie et le détails tous ici montré volonté suivre dans JMP, comme comment le données ensemble regards, lequel plates-formes je avoir utilisé comme manquant données, multi colinéarité, fonctionnel données explorateur, prédicteur dépistage, la modélisation lot données avec Arbre amélioré et Profileur.
Résumé données volonté être analysé par Arbre amélioré comme Bien, et alors par un scénario avec Arbre amélioré en arrière sélection. À d'abord, mon entreprise, Siltronique, a monde- classe production des sites tous sur le monde comme montré ici et à propos 4 000 employés. Ici sont quelques clé Les figures. Si toi imaginer que nous avoir un complexe processus les flux comme montré ici avec silicium moule dans un creuset. Silicium lingot est créé ici. C'est mon spécial tâche. À faire processus pour croissance silicium lingots. Alors le lingot est sol et découpé en tranches.
Bord arrondi est fait pour le des plaquettes, laser marquage, clapotis, nettoyage, gravure, polissage, et peut être épitaxie pour le final tranche à être créé. Notre portefeuille est que nous sont vente 300 millimètre, 200 millimètre et plus petit diamètre plaquettes pour différent applications comme montré ici, silicium plaquettes avec plusieurs Caractéristiques.
À propos moi, mon éducation est Je suis un électrique ingénieur et je a fait quelques Six Sigma éducation, et mon principal tâche est à développer processus pour croissance silicium cristaux comme montré ici, et Je suis comme Bien responsable pour autour 500 utilisateurs à Seltronique JMP utilisateurs. Comment fait le tâche regarder comme? Quoi nous voir ici est le final tableau, mais il a a été créé et ce prend un parcelle de effort comme Bien. Donc là sont quelques base de données requêtes derrière à obtenir ce données depuis base de données.
Nous récupéré le résultats dans JMP données les tables et agrandi le données ensemble avec les archives depuis plus tôt date et enrichi quelques information comme détails de expériences et détails sur consommables et a écrit quelques scénario pour graphiques et évaluations. T poule nous avoir fait le la modélisation Tâches et de cours, regardé pour manquant données corrélations à voir quoi sont le la plupart significatif effets et à faire fonctionnalité ingénierie à voir lequel caractéristiques sont important à générer un optimale résultat.
À ce indiquer, je volonté changer dans JMP alors. Nous peut voir ici mon journal Je suis fonctionnement avec et le JMP principal fenêtre et le abstrait est vu ici. Nous volonté commencer avec technique astuces.Le utiliser données ensemble je montrer ici est pleinement anonymisé et standardisé, et tous identifiants sont générique pour mieux compréhension quoi sont le caractéristiques, quoi est le résultat, et donc sur. Le but de ce présentation est à montrer tous le pas nous nécessaire pour obtenir un aperçu, restructuration, et compréhension le données ensemble, et comment à construire le des modèles à obtenir quelques connaissances de le contenu de le données ensemble.
je volonté montrer quelques résultats que nous avoir discuté dans un équipe. Le équipe est très important ici parce que le équipe a conduit un parcelle de discussion et travail comme Bien, comment à analyser et quoi caractéristiques peut être intéressant et quoi devrait pas être, et quoi peut être le la physique derrière. je volonté commencer avec le données ensemble ici. C'est aussi un partie de le contribution dans le communauté. Ici il est ouvert et je volonté changement le conception un petit peu à voir comment il regards comme. Nous avoir autour 80 000 Lignes dans ce données ensemble et c'est un lot données ensemble, donc nous avoir un lot IDENTIFIANT.
T son données ensemble est assez difficile parce que il a un mélange de historique données comme ici, POR lots.Nous peut voir ici que nous avoir… La plupart de le données est historique données, et là sont seulement un peu spécial expériences montré ici. Nous avoir plusieurs caractéristiques alors, comme un catégorique, c'est du consommable. Nous avoir le lot maturité, c'est le temps, aussi standardisé. Alors nous avoir plusieurs caractéristiques. Donc ces X valeurs ici, nous avoir un résultat colonne, et à réduire le bruit un petit peu, nous avoir calculé un nouveau en mouvement moyenne comme Bien.
Allons avoir un regarder à comment le données ensemble regards plus dans détail. Nous peut voir ici, si nous faire un résumé sur le données comme ce, toi peut faire ce depuis le tableau s menu comme Bien. Résumé. Nous obtenir autour 500 Lignes, 500 lots. Ce est un résumé par lot, et nous voir que là est Non variation dans le paramètres X 1 à X 4, signification que ils sont constante pour chaque lot, et le autres sont en changeant à différent les taux. À avoir un regarder comment le données regards à tous, nous peut voir ici le résultat paramètre comme rendement, un long temps pour tous le Lignes de le lot données ensemble, et ce lissage est fait par JMP Graphique Constructeur plate-forme.
Nous mis en œuvre ce comme un formule comme il est disponible comme un fonction dans JMP. Nous peut avoir un regarder ici à quelques spécial lots comme Bien. Si nous utiliser le locale données filtre et voir ici comment le moyenne travaux et quoi bruit est dans le célibataire données points, le bleu ceux sont le original données de rendement, et le orange un sont le en mouvement moyenne. je volonté fermer ce alors, et suivant indiquer peut être à regarder à comment beaucoup données est manquant. Donc nous avoir ce dans JMP comme Bien. Nous peut marque tous le Colonnes et faire le manquant données modèle plate-forme comme ce.
Il volonté montrer nous que depuis à propos 80 000 Lignes, nous avoir 178 Lignes avec quelques manquant données dans un colonne. Ce peut aussi être montré ici comme un graphique. Ce est très important, à moins pour le données les étapes de création, il était important à voir où est quelques données manquant et à réparer ce manquant données alors comme beaucoup comme possible. Un autre étape à regarder à le données, peut être Colonnes Téléspectateur. Nous peut obtenir ici, je mettre tous le Colonnes dans, et ici nous peut voir encore comme nous avait avant, là est quelques Lignes manquant pour paramètre X2.
Nous peut voir quoi le min, maximum, signifier, standard les écarts, et donc sont pour tous le paramètres nous peut voir ici. Ici nous bien voir que tout est standardisé. Pour le rendement, c'est entre zéro et 100. Nous peut comme Bien commencer depuis ici, distribution plate-forme. Donc tous le Colonnes sont marqué et nous obtenir par seulement un Cliquez sur pour tous le données, le distributions. Nous peut voir ici quoi consommables sont utilisé comment souvent que nous avoir la plupart données depuis historique processus et seulement quelques de quelques expériences avec spécial paramètres.
Le temps, de cours, regards bien distribué, mais le autres ne le faites pas regarder que bien. Donc là est un parcelle de chambre entre quelques paramètres, et c'est peu distribué, non- normale distribué pour le la plupart paramètres, et que fait du il même plus difficile à analyser ce données. Nous aller à le suivant pas. je volonté fermer ces rapports. Alors nous peut regarder même plus dans détail sur quelques des choses comme comment le paramètres sont corrélée. Nous peut voir ce dans le multivarié plate-forme. Il besoins quelques temps à être calculé.
Toi volonté trouver il ici sous le analyse menu, multivarié. Il prend le numérique Colonnes et génère ce corrélation rapport, et toi volonté voir que le paramètres comme X6 et X5 sont très corrélée. Ce fait du il difficile, comme X10 et X9 comme Bien, fait du il difficile à faire fonctionnalité ingénierie. Quoi nous vouloir à savoir depuis le analyse est lequel paramètre causes quelques rendement baisse. Si deux paramètres sont corrélé, c'est pas donc facile à détecter ou à trouver dehors lequel un est le responsable un.
Ici dans le dispersion parcelle matrice, toi peut voir comme Bien lequel paramètres changement avec temps, comme X1, X2, en haut à X4 est constante sur temps, et le autres sont en changeant et comment ils sont distribué, et toi peut bien marque quelques Lignes comme ici. Ils sont choisi dans le données tableau alors et voir comment le courbes sont pour chaque paramètre sur temps ou lequel paramètre sur quoi paramètre combinaison regards comme. Suivant, je vouloir à utiliser le explorateur de données fonctionnel.
Le explorateur de données fonctionnel permet nous à ajuster courbes pour chaque lot et extraits le caractéristiques de chaque courbe. Alors nous peut avoir un regarder à lequel lots se comporter similaire ou peut être extrême ceux. Donc le commencer est comme ce.Nous peut avoir un regarder à comment je commencé le analyse. Nous lancement analyse. je mettre temps comme un X paramètre, Rendement comme le sortir paramètre Oui, et le IDENTIFIANT fonction est le Lot IDENTIFIANT. Alors nous avoir ici quelques informel les pièces comme Partie et Groupe.
Ce plate-forme est disponible dans JMP Pro seulement, et quand nous commencer il, nous peut faire quelques données traitement ici. Mais dans ce cas, c'est pas nécessaire.Nous peut avoir un regarder à chaque lot, comment il regards. Donc là sont un parcelle de graphiques ici comme ce. Nous peut marque le Lignes. Nous peut vois ici le marqué Lignes et le données tableau comme Bien. À aller sur avec ce plate-forme, nous besoin à faire quelques des modèles comme Splines P pour chaque lot et JMP fait ce et définit lui-même lequel cannelures sont utilisé et comment beaucoup justificatif les fonctions sont nécessaire, comme le noeuds montré ici.
Donc le meilleur résultat est donné avec un cubique cannelure avec 20 noeuds. Toi peut voir comment chaque lot est modélisé ici par le rouge doubler montré ici et comment il regards. Nous avoir ici le forme les fonctions. Donc chaque courbe est ajoutée ensemble par un combinaison de forme les fonctions, et nous obtenir pour chaque lot le coefficient pour chaque forme fonction.Si nous sont regarder à Forme Fonction 1… Ce est le principal comportement de tous lots avec un baisse ici à autour 0,7. Nous peut voir que ici nous avoir Composant 1. Ce est un coefficient pour le forme fonction un.
Si nous sélectionner ces des lots, nous volonté voir que ils avoir un prononcé forme comme Forme Fonction 1. Nous peut voir il ici. Nous peut comme Bien utiliser le Profileur. Donc ce est surtout pour compréhension le données mais nous avoir pas utilisé il pour plus loin analyse parce que nous a fait pas vraiment besoin le information comment le dos lot regards comme un forme pour chaque courbe. Nous étaient plus intéressé dans moyenne rendement de chaque lot parce que nous ne peut pas définir seulement à utiliser le d'abord partie de le lot et oublier à propos le deuxième partie. Ce serait pas travail dans notre cas.
Comme Bien à voir encore comment ce travaux ensemble, nous peut avoir un regarder dans Graphique Constructeur. Le graphique de quelques lots nous avoir vu juste avant. Peut être toi voir ce nombre ici. Nous avoir vu il avant. Ici il est montré encore ensemble avec le en mouvement moyenne de rendement. Suivant étape serait être à commencer la modélisation de le lot données.
Quand faire la modélisation, il peut être intéressant à voir ou avoir un idée lequel paramètres sont la plupart important pour le variabilité de le sortir. Là nous avoir le prédicteur dépistage plate-forme. Toi peut comme Bien commencer il depuis ici. Analyse et prédicteur dépistage. je a écrit il ici comme un scénario simplement à commencer il par pressage un bouton. Quand faire donc, nous volonté voir quelques Amorcer Forêt analyse en allant sur, et il montre nous le importance de le caractéristiques nous avoir dans notre données ensemble. Temps est le la plupart important, mais ce est inutile à le fin pour nous parce que nous besoin à utiliser le complet lot.
T poule vient X1, alors vient partie X8, X5, et donc sur. Donc ici nous pourrait comme Bien sélectionner un peu Lignes, copie eux et mettre eux dans un modèle. je volonté arrêt ce ici, et à voir lequel modèle travaux meilleur, je utilisé modèle dépistage plate-forme. je volonté pas courir il ici parce que il prend plusieurs minutes. Mais nous avoir vu que Plateforme d'arbre boostée peut effectuer Bien. Là est peut être pas donc un grand différence entre le suivant ceux, mais c'est le raison pourquoi je utilisé Plateforme d'arbre boostée.
Alors nous volonté courir Arbre amélioré comme ce sur le lot données, et il travaux assez rapide. Nous volonté voir le résultat, et un bon fonctionnalité de le Plateforme d'arbre boostée comme Bien est que toi avoir colonne contributions donc que toi peut bien faire quelques fonctionnalité ingénierie. Nous peut voir ici que nous avoir 71 % R. carré pour entraînement et 66 pour validation, peut être d'accord, et nous avoir toujours tous caractéristiques dans. Mais nous sont intéressé surtout dans lequel caractéristiques sont de manière fiable le la plupart important ceux.
Quand faire ce, nous peut sauvegarder il comme un colonne, sauvegarder prédiction formule dans le données tableau.Nous voir dans le données tableau nous avoir un formule maintenant et nous peut utiliser il. Nous peut peut être avoir un regarder à comment le modèle effectue ou à utiliser il dans Graphique Constructeur simplement à voir comment le modèle données regards comme sur le lot maturité. je espoir le Graphique Constructeur à montrer le graphique le graphique bientôt, et ici il vient. Oui. Nous avoir vu que ce la modélisation travaux assez Bien, donc nous avoir un formule maintenant à reconstruire le données et nous peut peut être travail avec il.
Mais en particulier pour le lot données la modélisation, nous avoir un problème ici que validation volonté pas travail parce que nous peut avoir ici pour quelques lot, ces Lignes dans entraînement ensemble et le Lignes suivant à il dans validation ensemble. Donc ils sont pas Bien séparé pour le caractéristiques que contrôle le lot alors. En plus, le modèle est pas très écurie, donc nous volonté obtenir un différent résultat. Pour notre différent court de le modèle, ce est connu depuis arbre- basé méthodes que ils peut donner différent résultats pour haut variabilité données.
Si nous faire quelque chose comme en cours d'exécution Arbre amélioré deux fois, nous obtenir aussi différent colonne contributions et peut être différent commande comme nous peut voir ici pour le partie et X 5 sont commuté ici pour ces deux court, et je volonté montrer il encore aussi ici. Si nous courir Arbre amélioré deux fois. Ne le faites pas savoir. Oui, ici je devrait avoir le scénario. Il vient plus tard. Donc à ce indiquer, nous avoir dit que il peut être mieux à modèle le résumé données parce que nous besoin à utiliser le complet lot. Ici je avoir un scénario maintenant à résumer le données dans un formulaire que nous avoir seulement un rangée pour chaque lot.
Là est un bon fonctionnalité statistiques colonne nom format que nous obtenir le même Colonnes pour le résumé données comme nous avoir dans le original tableau que nous peut utiliser le même scripts pour les deux. Faire donc, nous obtenir ici le résumé données tableau- je peut fermer le scénario- avec autour 500 lots. C'est un parcelle de Plus facile à modèle, et ici je avoir résumé le données pour 0,6 à 0,8 temps. Donc c'est où le rendement baisse était, et nous peut encore faire ici quelques prédicteur dépistage comme ce et voir que je toujours avoir temps dans que données ensemble à voir…
C'est plus comme à voir quoi niveau bruit est, et c'est autour ces paramètres que sont probable aussi bruit pour le modèle alors. Alors nous peut, de cours, faire quelques modèle comparaison. Donc je choisi un peu paramètre que nous trouvé à être responsable, la plupart probablement, et Je suis faire deux Arbre amélioré analyse et alors faire quelques modèle comparaison pour les deux. Il regards comme ce. Nous peut voir ici nous obtenir un Profileur et comparer le résultat pour différent paramètres, peut être comme ce. Ici nous avoir toujours le problème. Nous voir quelques caractéristiques comme ce ici pour X10 dans ce modèle et pas dans que modèle.
Donc il probable semble à être bruit. À le début, nous avoir discuté un parcelle à propos ces différences. Nous avoir vu parfois et parfois pas, et demandé le question, quoi est vrai, quoi est physique, et quoi est pas.Que apporté moi à le étape alors que nous besoin à continuer avec fonctionnalité sélection, et c'est pourquoi nous créé ce scénario. Il prend ce résumé données et a a été fait pour le lot données comme Bien.
Pour chaque étape, il construit Booster éd Arbre modèle pour le complet paramètre ensemble, enregistre le modèle dans le formule dépôt, et enregistre le modèle performance R. carré et donc dans un données tableau, et montre nous le colonne contribution. Ici nous peut voir quelque chose que nous avoir vu souvent que avec le plus haut nombre modèle, il est le modèle avec moins paramètres comme nous peut voir ici avec le colonne contributions, nous avoir le meilleur résultat. Il regards différent pour chaque courir, mais le tendance nous voir dans la plupart fois. Donc ici nous peut voir pour plus ou moins bien sûr que partie et X1 et X5 sont le la plupart important paramètres.
Ce un peut être là parfois et peut être pas, donc nous volonté se concentrer sur ces trois paramètres. Comme Bien, nous peut avoir un regarder dans le Formule Dépôt. Là nous peut commencer modèle comparaison. Nous peut être peut comparer le d'abord modèle. Donc nous faire il comme ce, modèle comparaison. Ce est notre données tableau. Prendre le d'abord nombre. Le Nombres ici sont décalé par un, et peut être le 5ème devrait être que un, et le dernier un. Ce volonté pas travail. je pense c'est nombre trois, et le dernier un.
Le ceux avec le le plus élevé validation score et peut être comparer eux ici. Nous voir le modèle comparaison dialogue. Nous voir que le dernier modèle est entre le meilleur des modèles nous pourrait ajuster à tous, et peut voir ici le Profileur, pour exemple, et comme Bien, peut utiliser extrapolation contrôle. Nous avoir vu que nous avoir clairsemé données, donc pas derrière chaque indiquer. Là est quelques données. Allons regarder où il est. Ici il est. Extrapolation contrôle avertissement sur. Donc il montre nous quand là est Non données entre le points.
Ici nous peut peut être comparer le des modèles et nous voir ici que là est Non variabilité sur le X facteurs que n'ai pas a été utilisé ici.À somme en haut, allons fermer quelques les tables d'abord et quelques dialogues. À somme en haut, nous avoir préparé un flux de travail pour la modélisation ce données et avoir fait plusieurs pas et supplémentaire scénario à améliorer compréhension et à conduire le discussion à propos qu'est-ce que c'est important et qu'est-ce que c'est pas.
je avoir un proposition pour un modèle et quelques Tâches nous peut se concentrer sur à améliorer le année rendement de notre processus, et toi volonté trouver le données et le présentation dans le utilisateur communauté. Si toi avoir autre idées comment à explorer ce données ensemble et comment à trouver le final meilleur modèle, toi peut contact moi ou poste quelque chose sur mon contribution dans le dans le communauté pour ce Découverte Sommet. Merci pour ton attention et au revoir. C'est il, Martin.
