Lele는 어머니의 생일 선물에 대해 걱정할 때 아버지와 상의했습니다. 아빠는 엄마가 손으로 직접 돌려서 마시는 음료를 좋아하신다고 해서 렐레가 직접 버블밀크티를 만들어보자고 제안했다. 하지만 아빠는 제인 밀크를 만들기 위한 핵심 재료를 찾기가 쉽지 않다는 것을 그에게 상기시켜 주었습니다. 아빠는 시행착오 방식이 시간이 많이 걸리고 결과가 불확실하다고 설명하면서 더 효율적으로 엄마가 좋아하는 버블티 맛을 찾기 위해 실험 설계에 JMP를 사용할 것을 제안했습니다.
Lele: 아빠, 엄마의 생일이 다가오고 있어요. 엄마에게 선물을 주고 싶은데 엄마가 좋아할 만한 걸 뭘 줘야 할지 모르겠어요.
Dad: 엄마는 당신이 무엇을 주어야 하는지에 대해 매우 기뻐하실 것입니다. 아빠는 TV에서 배달 플랫폼 광고를 보고 아무렇지 않게 대답했다.
Lele는 광고를 보고 영감을 얻어 말했습니다. 엄마는 손으로 직접 만든 음료수를 좋아하세요.
아빠: 응, 근데 어떻게 하는지 알아? 예를 들어 홍차를 끓이는 온도와 진주를 끓이는 방법?
렐: 못하겠어, 도와줘.
아빠 : 인터넷에 이런 생산과정이 있을텐데 온도와 조리시간에 대한 정보가 상대적으로 적고 사람마다 선호도가 다르니 어머님께 특별한 생일선물을 드리고 싶어서 특별한 How 그녀의 생일 선물로 그녀에게만 제공되는 버블티 한 잔을 만드는 것에 대해?
Lele: 좋아요, 하지만 그녀가 좋아하는 맛을 어떻게 찾을 수 있을까요?
아빠: 맞아요, 모든 가능성을 다 해보라고 하신 방법은 이른바 소진법이나 시행착오법인데, 이 방법은 시간이 오래 걸리고, 반드시 더 좋은 레시피 조합은 아닐 수도 있습니다. 실험 설계에는 JMP를 사용해야 합니다.
무엇인가요 JMP 실험적 설계 ?
Lele: JMP란 무엇입니까? 실험 설계란 무엇입니까? 엔지니어가 실험을 하는 것 같습니다. 정말 강력합니다!
아빠: JMP는 많은 통계 분석 기능이 포함된 소프트웨어이며, 당신 말이 맞습니다. JMP의 강력한 기능 중 하나는 효율적인 실험을 설계하는 데 도움이 될 수 있습니다. 또한 JMP의 실험 설계는 필요에 따라 요인의 유형과 범위를 설정하고, 생각하는 가능한 효과 모델을 추가하고, 수행할 수 있는 실험의 수 등을 추가하여 다음 조건에서 최적의 실험을 구성할 수 있도록 도와줍니다. 능력.
Lele은 이해하지 못하는 것 같았고 그녀의 시선은 미완성 레고 트리 하우스로 향했습니다.
아버지는 계속해서 이렇게 말씀하셨습니다. 홍차 티백의 옵션은 무엇이며, 물의 온도를 조절할 수 있는 범위는 무엇이며, 차를 끓이는 데 필요한 시간 범위는 몇 가지 실험을 해보고 싶고 실험적인 조합을 설계하는 데 도움이 될 것입니다. 오.
Lele: 오, 알겠습니다. 운전 내비게이션을 사용하여 내비게이션 경로를 설계하는 것과 마찬가지로, 우리가 어디로 가고 있는지, 현재 어디에 있는지 알려줌으로써 최적의 경로를 설계하도록 도울 수 있습니다. .
아빠: 맞아요. 하지만 내비게이션은 보통 우리의 목표를 알고 있습니다. 시간을 가장 적게 보내는 건가요 아니면 최단 경로를 이용하는 건가요? 필요에 따라 가장 추천하는 조합을 알려주세요. 이제 우리가 할 일은 데이터 수집은 초기 단계이지만 정해진 실험 횟수만큼 가능한 한 광범위하게 모든 가능성을 고려하여 결과를 수집한다. 그런 다음 이 데이터를 사용하여 모델을 계산하고 최상의 예측을 얻습니다. .
Lele: 이제 우리는 JMP를 사용하여 분석을 위한 실험을 설계하고 관찰된 데이터를 사용하여 목적지에 가장 빨리 도착하는 방법을 알아내는 운전 엔지니어와 같습니까?
Dad: 맞습니다. 이제 JMP를 사용하여 실험 설계를 시작하겠습니다. 버블티 엔지니어.
Lele와 그녀의 아버지는 맛있는 홍차를 끓이는 방법을 알아보기 위해 JMP의 Design Of Experiment DOE(Design of Experiment) 기능을 사용하기로 결정했습니다.
아빠: 먼저 홍차를 만들기 위한 레시피를 찾아보고, 중요한 영향을 미치는 조건이 무엇인지 알아봅시다.
아빠: 웹페이지에서 홍차를 만드는 권장 방법을 확인하고, 먼저 맛에 영향을 미치는 주요 조건이 무엇인지 알아보고 제안된 조건을 설정하여 실험 범위를 좁힐 수 있도록 합시다.
그래서 아빠와 렐레는 먼저 인터넷 정보를 바탕으로 적정 차 불림 온도와 불림 시간, 권장 물/차 양 비율을 알아냈다. 또한 아빠는 근처 상점에서 두 브랜드의 차를 발견했고, 차를 끓이는 물은 수돗물이나 생수로 선택하였다.
매개변수
|
데이터 형식
|
값(범위/유형)
|
홍차 브랜드
|
범주
|
브랜드 A
|
브랜드 B
|
차 물
|
범주
|
수돗물
|
광천수
|
물/차 양 비율
|
마디 없는
|
20~60
|
담금 온도(⁰C)
|
마디 없는
|
70~100
|
담금 시간(m)
|
마디 없는
|
5~20
|
표 1, 홍차의 주요 매개변수 및 범위
주요 매개변수와 매개변수 범위를 검색한 후 Lele과 아빠는 거실로 돌아가 앉았습니다.
Lele: 그럼 이제 홍차를 만들어볼까요?
Dad: 아직은 아닙니다. 각 실험에서 설정해야 하는 매개변수의 실제 값을 아직 모르기 때문에 실험을 설계하는 데 도움이 되는 조그마한 도우미가 여전히 필요합니다.
아빠: 실험 조합을 설계하려면 JMP가 필요합니다.
그래서 아빠는 컴퓨터에서 JMP 통계 소프트웨어를 열었습니다.
맞춤 실험이란 무엇인가요? 주문 설계
아빠: 실험 설계에 JMP가 필요한 경우 메뉴 옵션에서 "DOE" 열을 클릭하면 됩니다. 여기에서 사용할 수 있는 DOE 방법과 관련 DOE 기능이 많이 있습니다. 각 DOE의 원리와 적용 대상에 익숙하지 않은 경우 맞춤 디자인, 즉 맞춤 실험을 시작으로 사용하는 것이 좋습니다.
Lele: 이 맞춤 실험을 사용하는 이유는 무엇인가요?
아빠: 맞춤 실험의 기본 아이디어는 최적화 실험 , 우리가 중요하다고 생각하는 핵심 조건, 이러한 핵심 조건이 서로 영향을 미치는지, 어떤 결과를 얻고 싶은지, 할 수있는 실험의 수 등 우리가 그에게 준 조건에 따라 최선을 다해 제안하십시오. 실험적인 믹스.
Lele: 내비게이션과 같습니다.
아빠: 이 장점은 DOE를 잘 모르지만 좋은 실험 설계를 하고 싶은 우리 같은 평범한 사람들에게 매우 적합합니다.
Lele: 저는 미래에 DOE 전문가가 될 것입니다. 저는 지금 어린아이일 뿐이므로 하지 않을 것입니다. 자라서 할 것입니다.
Dad: 알겠습니다. 하지만 DOE 전문가도 가장 효과적인 실험을 설계하는 것이 목표일 때 맞춤형 실험을 실험 설계의 시작점으로 사용하는 경우가 많습니다. 이제 맞춤형 실험 디자인을 살펴보겠습니다.
매개변수 이름, 범위 및 실험 수를 지정하여 맞춤형 실험 설계를 사용합니다.
그런 다음 아빠는 맞춤형 설계 플랫폼에 매개변수와 범위를 입력합니다(그림 1).
JMP Custom DesignJMP 맞춤 설계
그림 1, 맞춤형 설계 플랫폼에 대한 입력 응답 결과 및 매개변수
매개변수의 주효과, 연속 매개변수의 2차 항 및 연속 매개변수의 교차 항의 효과 항이 모델에 추가되었습니다(그림 2).
그림 2, 해당 효과 항목을 모델에 입력
Lele: 2차항과 교차항은 무엇이며 왜 추가해야 합니까?
아빠: 2차 항 효과를 추가한 이유는 핵심 매개변수가 회귀 현상을 가지는지, 즉 결과가 최대값 또는 최소값을 산출하게 하는 범위의 중간에 값이 있는지 확인하기 위해서입니다. 교차 항의 추가는 이러한 매개 변수가 서로 곱셈 효과를 갖는지, 즉 주 효과 자체의 영향 외에도 특정 조건이 결합될 때 추가 효과가 있는지 확인하는 것입니다.
Lele은 아래 사진을 보고 물었습니다. Lele: 이것이 우리가 얼마나 많은 실험을 하려는 설정입니까?
그림 3, 중심점 및 반복 설정 및 실험 번호 입력
아빠: 네, 여기에서 반복 실험을 추가할 것인지 또는 실험에 중심점을 추가할 것인지를 설정할 수 있습니다. JMP 권장 사항은 16회(기본값)이며 저렴한 실험 횟수(사용자 지정)를 설정할 수도 있습니다. 여전히 기본값인 16회를 사용합니다(그림 3).
Lele: 왜 16번인가요? 많을수록 좋지 않나요?
아빠: 예, 하지만 일반적으로 시간이나 돈이 부족하기 때문에 수행할 수 있는 실험의 수가 미리 정해져 있습니다. 그리고 이것은 맞춤 설계의 장점이기도 합니다.맞춤 설계는 이 요구 사항에 따라 실험을 설계할 수 있지만 다른 실험 설계는 지정된 실험 횟수를 달성해야 합니다. 또 다른 중요한 이유는 차를 못 마시니 이 16잔을 마셔야 한다는 것인데, 아빠는 16잔을 마시면 벌써 긴장이 되고, 몇 잔 더 마시면 밤에 잠을 못 잘 수도 있다.
홍차를 만들기 위한 파라미터 조합 생성 및 데이터 수집 완료
그런 다음 Lele와 그의 아버지는 맞춤형 디자인을 완성하고 홍차를 만들기 위한 매개변수 조합을 생성했습니다(그림 4).
JMP DOE參數組合JMP DOE 매개변수 조합
그림 4, 실험 조합표
그런 다음 Dad와 Lele은 이 매개변수 조합표에 따라 실험을 완료했고 아빠는 순서대로 득점하여 16개의 득점 결과를 완성했습니다(그림 5).
그림 5. 해당 실험 조합 결과 모음
차를 너무 많이 마신 후 아버지는 딸꾹질을 하시며 이렇게 말씀하셨습니다. 드디어 실험을 위한 데이터 수집을 마쳤습니다.
사용 JMP 적합 모델 모델 예측을 위한 회귀 분석 수행
그런 다음 왼쪽 상단의 스크립트 저장 영역에서 "모델"을 눌러 후속 분석을 수행할 수 있습니다. JMP는 후속 분석을 이 프로그램에서 패키징하는 데 도움이 됩니다. 존재하다 JMP 모델 맞추기 회귀 분석을 수행하는 플랫폼 , DOE 양식에서 "모델"을 직접 클릭하여 분석할 수 있습니다(그림 6).
그림 6, DOE 실험 조합 데이터 시트의 모델 스크립트
"모델"을 누른 후 아빠는 계속해서 말했습니다. 여기서 모델에 효과 항목을 추가할지 여부와 분석 방법을 선택할 수 있습니다. 사용 "단계적으로" 방법 부탁드립니다 JMP 올바른 모델을 선택하도록 도와주세요. (그림 7).
JMP Fit ModelJMP 적합 모델
그림 7, 회귀 모델의 시작 플랫폼
마우스를 몇 번 누른 후 아빠는 보고서를 완성하고(그림 8) 컴퓨터에서 효과 요약 및 적합 요약 결과를 손가락으로 가리켰습니다.
아빠: 통계적으로 p값이 0.05를 넘으면 효과 항목이 모델에 거의 영향을 미치지 않는다는 의미이기 때문에 좀 더 정확한 모델을 얻기 위해 p-값이 0.05를 초과하는 일부 항목을 모델에서 제외합니다. 당신은 이것을 유지합니까? 효과 조건은 다르지 않습니다. 게다가, 볼 수 있습니다 적합성 요약 다음은 모델의 정확도입니다(R-제곱). 0.997에 도달 , 이는 이 모델이 샘플 포인트를 설명하는 강력한 능력을 가지고 있음을 의미하며, 이는 이것이 이러한 데이터에 대한 좋은 예측 모델임을 의미합니다. .
JMP Fit ModelJMP 적합 모형
그림 8, 회귀 모델 분석 보고서
Lele은 그것을 보고 "담금 시간의 P 값이 0.05보다 큰 이유는 무엇이며 삭제되지 않았습니까? 그리고 그 옆에 상향 표시기가 있습니다.
아빠: 모델에 유지해야 하는 다른 하위 항목이 있기 때문에 담그는 시간 * 담그는 시간 이 항목이 0.05 미만인 것을 볼 수 있습니다. 그의 부모 항목으로 담그는 시간도 이 상향 표시기는 이 문제가 있고 유지해야 하는 상위 프로젝트가 무엇인지 알려주는 것입니다.
아빠는 마우스 휠을 계속 스크롤하면서 보고서의 아래쪽 절반을 제시했습니다.
검사하다 예측 프로파일러 결과의 각 매개변수에 대해 관찰된 변화를 보고합니다.
아버지는 계속해서 말씀하셨습니다. 우리는 보고서를 찾으러 내려갔습니다. 예측 프로파일러( 채점자) 보고서 , 여기서 모델은 대화형 그림으로 표시되어 더 빨리 이해하는 데 도움이 됩니다. 각 매개 변수를 변경하면 풍미가 어떻게 변경됩니까? . 아래에서 매개변수의 이름을 볼 수 있는데 그 축(X축)은 우리가 설정한 매개변수 값을 나타내고 왼쪽 축(Y축)은 맛 점수의 예측값을 나타냅니다. 다양한 조건의 점수를 알고 싶다면 아래의 매개 변수 값을 설정한 값으로 조정하기만 하면 예측된 맛 결과를 얻을 수 있습니다. 물의 양/차의 양 비율을 40, 불림 온도를 80, 불림 시간을 15로 하고 이렇게 바꾸면... 예측 결과 4.83점에 불과했습니다(그림 9).
JMP Prediction ProfilerJMP 예측 프로파일러
그림 9, 예측 프로파일러
아빠는 매개 변수 설정을 변경하기 위해 마우스를 드래그하면서 Lele의 눈이 믿을 수 없다는 듯 커졌습니다.
Lele: 당신의 조정에 따라 사진의 예상 맛 점수를 직접 변경합니다.
아빠: 네, 이 대화형 기능은 작동하기 쉽고 모든 사람이 모델을 더 쉽게 이해할 수 있도록 해줍니다. 이 그래프를 자세히 살펴보자 사실 이 그래프는 더 높은 맛 점수를 얻기 위해 어느 방향으로 조정해야 하는지 대략적으로 알려줄 수 있습니다. 예를 들어 첫 번째 티 맵을 보자면, 비 차는 A보다 낫다 차는 높다, B를 알 수 있다 차의 비율은 A 맛있는 차의 트렌드 마찬가지로, 생수로 만든 차는 수돗물로 만든 차보다 맛이 좋다 ,게다가 담그는 시간은 대략 10~15 몇 분 안에 더 좋아질 것입니다 , 당신이 가지고 놀 수 있습니다.
JMP Prediction ProfilerJMP 예측 프로파일러
그림 9, 예측 프로파일러
Lele은 다양한 매개변수 설정을 시작하기를 기다릴 수 없었고 잠시 동안 플레이한 후 질문을 제기했습니다.
Lele: 아빠, 제가 물의 양과 차의 양 비율을 바꾸면 그에 따라 다른 매개변수도 바뀌고, 일부는 전체적으로 높아지거나 낮아지고, 일부는 모양이 약간 바뀌는데, 정말 이상합니다.
아빠: 이봐, 너 대단해. 너는 이 작은 변화를 알아차렸어. 이러한 작은 변화는 매개변수 조정 효과 , 따라서 다른 매개변수의 모양이 증가합니다. 원래 매개변수 값의 변경으로 다른 매개변수의 모양에 분명한 변화가 있음을 발견하면 항목이 강한 영향을 미칩니다. 또한 일부 매개변수의 추세선이 직선이 아닌 곡선임을 알 수 있는데, 최대값이나 최소값이 있다면 그 2차항의 영향이 매우 크다는 것을 의미한다.
렐레는 반쯤 이해한 듯 고개를 끄덕인 다음 물었습니다. 이렇게 해서 모든 가능한 결과를 예측할 수 있습니까?
아빠는 대답했습니다: 좋은 질문입니다. 방금 한 것은 수집한 데이터를 기반으로 한 추정 모델을 JMP에 요청했지만 이 데이터는 처음에 정의한 범위 내에서 광범위하고 균일한 점을 기반으로 합니다. 가능한 한 범위 내 모든 지점의 성능을 살펴보려 하지만 범위 밖의 매개변수 조합에 대해서는 이 모델의 예측 능력이 떨어지므로 원래 실험 설계를 벗어나는 예측은 하지 않는 것이 좋습니다. 그러나 범위 내의 매개변수에 대해서는 대부분의 모든 매개변수 조합에 대해 이 모델을 사용하여 정확한 결과를 예측할 수 있습니다.
다음으로 오늘의 주요 단계를 수행하겠습니다. 매개변수와 조건의 최상의 조합 찾기 , 스크라이버의 매개변수 설정을 조정하여 가장 높은 점수를 찾은 조합을 확인할 수 있습니다.
Lele은 고개를 끄덕였고 Prediction Profiler에서 또 다른 매개변수 설정 조정이 있었습니다.
존재하다 예측 프로파일러 , 최적의 매개변수 조합 찾기
Lele: 아빠, 점수가 9.47점인 것을 찾았습니다. 저는 B 찻잎을 선택하여 광천수에 담갔습니다. 물의 양과 차의 양의 비율은 60을 선택했고, 불림 온도는 89.5, 불림 시간은 11.9였습니다. .결과 맛 점수는 9.47점으로 아주 좋습니다.
아빠: 나쁘지 않아, 이미 매우 높아, 더 높은 점수가 있을 거라고 생각하니?
Lele: 아마도 있을 것입니다. 그의 점수를 볼 수 있도록 모든 항목을 설정하지 않았기 때문입니다.
아빠: 이제 JMP의 마법을 보여줄 때입니다. JMP 예측 프로파일러에서 선호도 설정을 활성화하고 목표를 설정할 수 있습니다. 선택하다 최고 결과를 희망적으로 설정하려면, 즉 클수록 좋습니다. . 그리고 사용 바람직함을 극대화하다 완료된 목표에 대한 최적의 매개변수 조합을 얻기 위한 기능 (그림 10). 또는 최대화 및 기억을 선택하여 최상의 매개변수 조합을 찾아 보고서에 기록합니다.
Figure 10, (왼쪽, 가운데) Set Desirability 기능을 통해 의지 값을 설정, (오른쪽) Maximize Desirability
아빠는 프로파일러에서 최대화 및 기억을 눌러 최상의 매개변수 조합을 신속하게 찾아 보고서에 기록합니다(그림 11).
그림 11, 결과 최대화 및 기억
Lele: 이것은 너무 빠르고 편리합니다!
아빠: 네, 일반적으로 데이터 분석은 데이터를 수집하는 데 가장 많은 시간이 걸립니다. JMP 더 많은 분석 시간을 절약할 수 있으므로 통계 분석에 데이터를 사용해야 하는 많은 회사에서 이 소프트웨어를 사용하여 분석 시간을 단축합니다. . 사실 수동으로 얻은 매개변수 조합을 비교하는 것은 최상의 조합보다 약간 나쁠 뿐이며 매우 좋습니다. 또한 담금 온도 91.02894와 같은 연속 매개 변수는 실제로 제어하기 쉽지 않으므로 91 또는 90을 사용하여 설정을 대체할 수 있습니다.
Lele와 Dad는 다양한 매개 변수 조건 설정에 대해 논의했으며 최종적으로 B 찻잎, 미네랄 워터를 사용했습니다. 차 부피에 대한 물의 부피 비율은 55, 불림 온도는 90 ° C, 불림 시간은 12.5입니다. 최종 키 매개변수 조건 설정(그림 12).
그림 12. 실험 설계에 따른 최상의 예측 결과
렐레: 그래! 그럼 다음은 밀크티와 진주를 만들어 볼까요?
아빠는 시간을 보더니 말했다. 다음에는 밀크티와 진주로 실험하여 다른 DOE 기술을 사용할 수 있는 좋은 공식 조합을 찾을 것입니다.
Lele은 행복하게 말했습니다. "좋아요, 그럼 가능한 한 빨리 수집합시다. 기대하고 있습니다."
아빠와 Lele는 어머니가 집에 오기 전에 서둘러 실험을 정리했지만 작은 DOE 씨앗이 Lele의 마음에서 천천히 발아했습니다.
>> 다음 편에서는 JMP DOE 실험 설계 플랫폼을 통해 맛있는 진주를 만드는 방법을 공유합니다. <<
더 많은 DOE 실험 설계 관련 리소스를 얻으십시오.
