你好，每个人。 谢谢为了加盟在。 在这讲话，我想到讲话关于如何我们做过准备我们的批过程数据为了造型和联合管理计划专业版和取得有价值的见解和A团队方法。 我的推介会是详细的在A微软幻灯片软件部分。 那是这第一的部分和这细节全部这里显示将要跟随在杰普,喜欢如何这数据放看起来，哪个平台我有用过的喜欢丢失的数据，多共线性，功能性的数据探险家,预测器筛选、造型批数据和提升树和探查器。
总结数据将要是分析过的经过提升树作为出色地，和然后经过A脚本与提升树落后选择。 在第一的，我的公司，世创电子，有世界-班级生产网站全部超过这世界如图所示这里和关于4,000雇员。 这里是一些钥匙人物。 如果你想象那我们有A复杂的过程流量喜欢显示这里和硅模具在A坩。 硅锭是已创建这里。 那是我的特别的任务。 到制作流程为了生长硅锭。 然后这锭是地面和切片。
边缘四舍五入是完毕为了这晶圆，激光标记，研磨，打扫，蚀刻,抛光，和或许外延为了这最终的晶圆到是创建的。 我们的文件夹是那我们是卖300毫米， 200毫米和较小直径晶圆为了不同的应用喜欢显示这里，硅晶圆和一些规格。
关于我，我的教育是我是一个电气工程师和我做过一些六西格玛教育，和我的主要的任务是到发展流程为了生长硅晶体喜欢显示这里，和我是作为出色地负责任的为了大约500用户在赛尔尼克联合管理计划用户。 如何做这任务看喜欢？ 什么我们看这里是这最终的桌子，但它有到过已创建和这需要A很多的努力作为出色地。 所以那里是一些数据库查询在后面到得到这数据从数据库。
我们取来的这结果进入联合管理计划数据桌子和放大的这数据放和档案从早些时候日期和丰富的一些信息喜欢细节的实验和细节在消耗品和写道一些脚本为了图表和评价。 时间母鸡我们有完毕这造型任务和的课程，看起来为了丢失的数据相关性到看什么是这最多重要的效果和到做特征工程到看哪个特征是重要的到产生一个最佳的结果。
在这观点，我将要转变进入联合管理计划然后。 我们能看这里我的杂志我是在职的和和这联合管理计划主要的窗户和这抽象的是见过这里。 我们将要开始和技术的提示。这使用数据放我展示这里是完全匿名的和标准化、和全部身份标识是通用的为了更好的理解什么是这特征，什么是这结果，和所以在。 这目的的这推介会是到展示全部这脚步我们需要的为了得到一个概述，重组、和理解这数据放，和如何到建造这楷模到得到一些见解的这内容的这数据放。
我将要展示一些结果那我们有讨论过在A团队。 这团队是非常重要的这里因为这团队开车A很多的讨论和工作作为出色地，如何到分析和什么特征可能是有趣的和什么应该不是是，和什么可能是这物理在后面。 我将要开始和这数据放这里。 它是还A部分的这贡献在这社区。 这里它是打开和我将要改变这设计A小的少量到看如何它看起来喜欢。 我们有大约80,000行在这数据放和它是A批数据放，所以我们有A批ID。
时间他的数据放是相当具有挑战性的因为它有A混合物的历史的数据喜欢这里，上电复位批次。我们能看这里那我们有… 最多的这数据是历史的数据，和那里是仅有的A很少特别的实验显示这里。 我们有一些特征然后，喜欢一绝对的，它是消耗品。 我们有这批到期，它是这时间，还标准化。 然后我们有一些特征。 所以这些X价值观这里，我们有一结果柱子，和到减少这噪音A小的少量，我们有计算出的A新的移动平均的作为出色地。
让我们有A看在如何这数据放看起来更多的在细节。 我们能看这里，如果我们做A概括在这数据喜欢这，你能做这从这桌子s菜单作为出色地。 概括。 我们得到大约500行， 500批次。 这是A概括经过批，和我们看那那里是不变化在这参数X 1到X 4、意义那他们是持续的为了每个批，和这其他的是改变在不同的费率。 到有A看如何这数据看起来在全部，我们能看这里这结果范围喜欢屈服， A长的时间为了全部这行的这批数据放，和这平滑化是完毕经过联合管理计划图形建设者平台。
我们实施的这作为A公式作为它是可用的作为A功能在JMP。 我们能有A看这里在一些特别的批次作为出色地。 如果我们使用这当地的数据筛选和看这里如何这平均的作品和什么噪音是在这单身的数据点,这蓝色的那些是这原来的数据的屈服，和这橙子一是这移动平均的。 我将要关闭这然后，和下一个观点可能是到看在如何很多数据是丢失的。 所以我们有这在联合管理计划作为出色地。 我们能标记全部这列和做这丢失的数据图案平台喜欢这。
它将要展示我们那从关于80,000行，我们有178行和一些丢失的数据在一柱子。 这能还是显示这里作为A图形。 这是非常重要的，在至少为了这数据创作步骤，它曾是重要的到看在哪里是一些数据丢失的和到使固定这丢失的数据然后作为很多作为可能的。 其他步到看在这数据，或许列观众。 我们能得到这里，我放全部这列在，和这里我们能看再次喜欢我们有前，那里是一些行丢失的为了范围X2。
我们能看什么这分钟，最大限度，意思是，标准偏差，和所以是为了全部这参数我们能看这里。 这里我们很好地看那一切是标准化。 为了这屈服，它是之间零和100. 我们能作为出色地开始从这里，分配平台。 所以全部这列是标记的和我们得到经过仅有的一点击为了全部这数据，这分布。 我们能看这里什么消耗品是用过的如何经常那我们有最多数据从历史性流程和仅有的一些的一些实验和特别的设置。
这时间，的课程，看起来很好地分散式，但这其他的不看那很好。 所以那里是A很多的房间之间一些设置，和它是稀疏地分散式，非普通的分散式为了这最多参数，和那使它甚至更多的具有挑战性的到分析这数据。 我们去到这下一个脚步。 我将要关闭这些报告。 然后我们可能看甚至更多的在细节在一些事物喜欢如何这参数是相关的。 我们能看这在这多变量平台。 它需要一些时间到是计算出来的。
你将要寻找它这里在下面这分析菜单，多变量。 它需要这数字列和产生这相关性报告，和你将要看那这参数喜欢X6和X5是高度相关的。 这使它难的，喜欢X10和X9作为出色地，使它难的到做特征工程。 什么我们想到知道从这分析是哪个范围原因一些屈服降低。 如果二参数是相关，它是不是所以简单的到探测或者到寻找出去哪个一是这负责任的一。
这里在这分散阴谋矩阵，你能看作为出色地哪个参数改变和时间，喜欢X1, X2,向上到X4是持续的超过时间，和这其他的是改变和如何他们是分散式，和你能很好地标记一些行喜欢这里。 他们是已选择在这数据桌子然后和看如何这曲线是为了每个范围超过时间或者哪个范围超过什么范围组合看起来喜欢。 下一个，我想到使用这功能性数据浏览器。
这功能数据浏览器允许我们到合身曲线为了每个批和提取物这特征的每个曲线。 然后我们能有A看在哪个批次表现相似的或者或许极端那些。 所以这开始是喜欢这。我们能有A看在如何我开始了这分析。 我们发射分析。 我放时间作为一个X范围，屈服作为这输出范围是，和这ID功能是这批ID。 然后我们有这里一些非正式的部分喜欢部分和团体。
这平台是可用的在联合管理计划专业版仅有的，和什么时候我们开始它，我们能做一些数据加工这里。 但在这案件，它是不是必要的。我们能有A看在每个批，如何它看起来。 所以那里是A很多的图表这里喜欢这。 我们能标记这行。 我们能看这里这标记的行和这数据桌子作为出色地。 到去在和这平台，我们需要到制作一些楷模喜欢P样条为了每个批和联合管理计划做这和定义本身哪个样条线是用过的和如何许多支持功能是需要，喜欢这结显示这里。
所以这最好的结果是给定和A立方体样条线和20结。 你能看如何每个批是建模的这里经过这红色的线显示这里和如何它看起来。 我们有这里这形状功能。 所以每个曲线是添加一起经过A组合的形状功能，和我们得到为了每个批这系数为了每个形状功能。如果我们是看着在形状功能1… 这是这主要的行为的全部批次和A降低这里在大约0.7。 我们能看那这里我们有成分1.这是A系数为了这形状功能一。
如果我们选择这些批次，我们将要看那他们有A明显的形状喜欢形状功能1. 我们能看它这里。 我们能作为出色地使用这探查器。 所以这是大多为了理解这数据但我们有不是用过的它为了更远分析因为我们做过不是真的需要这信息如何这后退批看起来作为A形状为了每个曲线。 我们是更多的感兴趣的在平均的屈服的每个批因为我们不能定义仅有的到使用这第一的部分的这批和忘记关于这第二部分。 这会不是工作在我们的案件。
作为出色地到看再次如何这作品一起，我们能有A看在图形建造者。 这图形的一些批次我们有见过只是前。 或许你看这数字这里。 我们有见过它前。 这里它是显示再次一起和这移动平均的的屈服。 下一个步会是到开始造型的这批数据。
什么时候正在做造型，它可能是有趣的到看或者有一个主意哪个参数是最多重要的为了这变化性的这输出。 那里我们有这预测器筛选平台。 你能作为出色地开始它从这里。 分析和预测器筛选。 我写道它这里作为A脚本简单地到开始它经过紧迫A按钮。 什么时候正在做所以，我们将要看一些引导程序森林分析去在，和它节目我们这重要性的这特征我们有在我们的数据放。 时间是这最多重要的，但这是无用在这结尾为了我们因为我们需要到使用这满的批。
时间母鸡来了X1,然后来了部分X8, X5,和所以在。 所以这里我们可以作为出色地选择A很少行，复制他们和放他们进入A模型。 我将要停止这这里，和到看哪个模型作品最好的，我用过的模型筛选平台。 我将要不是跑步它这里因为它需要一些分钟。 但我们有见过那提升树平台可能履行出色地。 那里是或许不是所以A大的不同之处之间这下一个那些，但那是这原因为什么我用过的Boosted Tree 平台。
然后我们将要跑步提升树喜欢这在这批数据，和它作品相当快的。 我们将要看这结果，和A好的特征的这提升树平台作为出色地是那你有柱子贡献所以那你能很好地做一些特征工程。 我们能看这里那我们有71 %右正方形为了训练和66为了验证，或许好的，和我们有仍然全部特征在。 但我们是感兴趣的大多在哪个特征是可靠地这最多重要的那些。
什么时候正在做这，我们能节省它作为A柱子，节省预言公式在这数据桌子。我们看在这数据桌子我们有A公式现在和我们能使用它。 我们能或许有A看在如何这模型施行或者到使用它在图形建设者简单地到看如何这模型数据看起来喜欢超过这批到期。 我希望这图形建设者到展示这图形这图形很快，和这里它来了。 是的。 我们有见过那这造型作品相当出色地，所以我们有A公式现在到重建这数据和我们能或许工作和它。
但尤其为了这批数据造型，我们有A问题这里那验证将要不是工作因为我们可能有这里为了一些批，这些行在训练放和这行下一个到它在验证放。 所以他们是不是出色地分开为了这特征那控制这批然后。 此外，这模型是不是非常稳定的，所以我们将要得到不同的结果。 为了我们的不同的运行的这模型，这是已知的从树-基于方法那他们可能给不同的结果为了高的变化性数据。
如果我们做某物喜欢跑步提升树两次，我们得到还不同的柱子贡献和或许不同的命令喜欢我们能看这里为了这部分和X 5是切换这里为了这些二运行，和我将要展示它再次还这里。 如果我们跑步提升树两次。 不知道。 是的，这里我应该有这脚本。 它来了之后。 所以在这观点，我们有说那它可能是更好的到模型这总结数据因为我们需要到使用这满的批。 这里我有A脚本现在到总结这数据在A形式那我们有仅有的一排为了每个批。
那里是A好的特征统计数据柱子姓名格式那我们得到这相同的列为了这总结数据作为我们有在这原来的桌子那我们能使用这相同的脚本为了两个都。 正在做所以，我们得到这里这概括数据桌子-我能关闭这脚本-和大约500批次。 它是A很多的更轻松到模型，和这里我有总结这数据为了0.6到0.8时间。 所以它是在哪里这屈服降低曾是，和我们能再次做这里一些预测器筛选喜欢这和看那我仍然有时间在那数据放到看…
它是更多的喜欢到看什么等级噪音是，和它是大约这些参数那是可能还噪音为了这模型然后。 然后我们能，的课程，做一些模型比较。 所以我已选择A很少范围那我们成立到是负责任的，最多大概，和我是正在做二提升树分析和然后做一些模型比较为了两个都。 它看起来喜欢这。 我们能看这里我们得到A分析器和比较这结果为了不同的设置，或许喜欢这。 这里我们有仍然这问题。 我们看一些特征喜欢这这里为了X10在这模型和不是在那模型。
所以它可能似乎到是噪音。 在这开始，我们有讨论过A很多关于这些差异。 我们有见过有时和有时不是，和问这问题，什么是真的，什么是身体的，和什么是不是。那带来我到这步然后那我们需要到继续和特征选择，和那是为什么我们已创建这脚本。 它需要这概括数据和有到过完毕为了这批数据作为出色地。
为了每个步，它构建促进编辑树模型为了这满的范围放，节省这模型进入这公式仓库，和节省这模型表现右正方形和所以进入A数据桌子，和节目我们这柱子贡献。 这里我们能看某物那我们有见过经常那和这更高数字模型，它是这模型和较少的参数喜欢我们能看这里和这柱子贡献，我们有这最好的结果。 它看起来不同的为了每个跑步，但这趋势我们看在最多次。 所以这里我们能看为了更多的或者较少的当然那部分和X1和X5是这最多重要的参数。
这一可能是那里某个时候和或许不是，所以我们将要重点在这些三参数。 作为出色地，我们能有A看在这公式仓库。 那里我们能开始模型比较。 我们或许能比较这第一的模型。 所以我们做它喜欢这，模型比较。 这是我们的数据桌子。 拿这第一的数字。 这数字这里是转移经过一，和或许这第五名应该是那一，和这最后的一。 这将要不是工作。 我思考它是数字三，和这最后的一。
这那些和这最高验证分数和或许比较他们这里。 我们看这模型比较对话。 我们看那这最后的模型是之间这最好的楷模我们可以合身在全部，和能看这里这探查器，为了例子，和作为出色地，可能使用外推法控制。 我们有见过那我们有疏数据，所以不是在后面每一个观点。 那里是一些数据。 让我们看在哪里它是。 这里它是。 外推法控制警告在。 所以它节目我们什么时候那里是不数据之间这点。
这里我们能或许比较这楷模和我们看这里那那里是不变化性在这X因素那没有到过用过的这里。到和向上，让我们关闭一些桌子第一的和一些对话框。 到和向上，我们有准备好了A工作流程为了造型这数据和有完毕一些脚步和额外的脚本到提高理解和到驾驶这讨论关于什么是重要的和什么是不是。
我有A提议为了A模型和一些任务我们能重点在到提升这年屈服的我们的过程，和你将要寻找这数据和这推介会在这用户社区。 如果你有其他想法如何到探索这数据放和如何到寻找这最终的最好的模型，你能接触我或者邮政某物在我的贡献在这在这社区为了这发现首脑。 谢谢为了你的注意力和再见。 那是它，马丁.
