활발하고 명랑한 5살 소년 렐레는 엄마의 생일 선물이 걱정되고, 아빠와 함께 엄마에게 어떤 생일 선물을 줄지 고민한다.
아빠는 엄마가 직접 만든 음료를 좋아하신다고 말씀하셨고, Lele는 엄마를 위해 버블 밀크티를 만들어 볼까 생각했습니다. 하지만 아버지는 젤리 우유를 만드는 데 필요한 핵심 재료를 찾기가 쉽지 않다는 점을 상기시켜 주었습니다. 아빠는 시행착오 방식이 시간이 많이 걸리고 결과가 불확실하다고 설명하시고, 엄마가 좋아하는 진주밀크티 맛을 더 효과적으로 찾기 위해 JMP를 사용하여 실험 설계를 해보자고 제안하셨습니다.
렐레: 아빠, 엄마 생신이 곧 다가옵니다. 선물을 주고 싶은데 무엇을 주어야 엄마가 좋아할지 모르겠어요.
아빠: 엄마는 네가 뭘 주면 기뻐하실 거야.
Lele은 문득 생각나서 이렇게 말했습니다. 엄마는 손으로 직접 만든 음료수를 좋아하시는데요, 아니면 진주 밀크티를 한잔 드려야 할까요?
아빠: 응, 그런데 어떻게 하는지 알아? 예를 들어, 홍차를 끓이는 온도는 얼마이고 진주를 요리하는 방법은 무엇입니까?
렐레: 안돼요, 도와주세요.
아빠: 이런 생산 과정은 인터넷에 있어야 하지만, 인터넷에 온도와 조리 시간 등 핵심 정보가 적어야 하고, 사람마다 선호도가 다르기 때문에 엄마에게 특별한 생일 선물을 주고 싶기 때문에, 특별한 생일선물을 드려요~ 생일선물로 그녀만을 위한 버블밀크티 한잔 만들어 주시는 건 어떨까요?
Lele: 좋아요, 그런데 그녀가 좋아하는 맛을 어떻게 찾나요? 세상에는 무한한 맛이 있어야 합니다. 무한한 컵을 만들어야 할까요?
아빠: 네, 가능성을 다 해보라고 말씀하신 방법은 이른바 전진법이나 시행착오법인데, 이 방법은 시간도 오래 걸리고 꼭 비교가 안 될 수도 있겠네요. 좋은 레시피 조합이군요. 실험 설계에는 JMP를 사용해야 합니다.
무엇인가요 JMP 실험적 설계 ?
Lele: JMP란 무엇인가요? 실험 설계란 무엇인가요? 마치 엔지니어들이 실험을 하는 것 같네요. 정말 기분이 좋습니다!
아빠: JMP는 많은 통계 분석 기능을 포함하고 있는 소프트웨어인데, 맞습니다. JMP의 강력한 기능 중 하나는 효율적인 실험을 설계하는 데 도움이 됩니다. 또한 JMP의 실험 설계는 필요에 따라 요인의 유형과 범위를 설정하고, 가능하다고 생각하는 효과 모델과 수행할 수 있는 실험 수 등을 추가하여 사용 가능한 능력 내에서 최적의 실험을 구성하는 데 도움을 줍니다.
Lele는 이해하지 못하는 듯 보였고, 그녀의 눈은 미완성된 레고 나무집으로 옮겨졌습니다.
아빠는 계속 말씀하셨습니다. 결국, 우리는 그에게 우리가 홍차 티백의 옵션은 무엇인지, 물의 온도를 조절할 수 있는 범위, 차를 끓이는 데 필요한 시간 범위, 원하는 실험 횟수는 무엇이며 실험 조합을 설계하는 데 도움이 됩니다. 오.
렐레: 아, 알겠습니다. 우리가 놀러 갈 때처럼요. 운전 내비게이션을 사용하여 내비게이션 경로를 설계하는 것과 마찬가지로 우리가 가고 싶은 곳과 현재 어디에 있는지 알려주는 것은 최선의 경로를 설계하는 데 도움이 될 수 있습니다. .
아빠: 그렇긴 한데 내비게이션은 대개 우리의 목표를 알고 있어, 시간이 가장 적게 걸리는 것인지, 아니면 최단 경로를 택하는 것인지, 필요에 따라 가장 권장되는 조합을 알려줄 것입니다. 지금 우리가 해야 할 일은 데이터 수집 초기 단계에서는 정해진 횟수의 실험을 통해 모든 가능성을 최대한 폭넓게 고려하고 그 결과를 수집합니다. 그런 다음 이 데이터를 사용하여 모델을 계산하고 최상의 예측을 얻습니다. .
Lele: 이제 우리는 JMP를 사용하여 분석용 실험을 설계하고 관찰된 데이터를 사용하여 목적지에 가장 빨리 도달하는 방법을 찾는 내비게이션 엔지니어를 운전하는 것과 같습니다.
아빠: 네, 바로 그거예요. 이제 JMP를 사용한 실험 설계를 시작하겠습니다, 펄 밀크티 엔지니어님.
Lele와 그녀의 아버지는 맛있는 홍차를 만드는 방법을 알아보기 위해 JMP의 실험 계획법(Design Of Experiments) 기능을 사용하기로 결정했습니다.
아빠: 먼저 홍차를 만드는 방법을 알아보고, 중요한 영향을 미치는 조건이 무엇인지 알아보겠습니다.
아빠: 홈페이지에서 홍차를 끓이는 권장 방법을 확인해 보겠습니다. 먼저 맛에 영향을 미치는 주요 조건이 무엇인지 알아보세요. 권장 조건 설정을 통해 실험 범위를 좁힐 수 있습니다.
그래서 아빠와 렐레는 먼저 인터넷 정보를 바탕으로 적절한 차를 우려내는 온도와 시간, 권장 물/차 양 비율을 알아냈습니다. 그리고 아빠는 근처 가게에서 두 가지 브랜드의 차를 발견하고 차를 끓이는 물로 수돗물이나 생수를 선택했으며 모든 주요 매개 변수는 다음과 같이 구성되었습니다(표 1).
매개변수
|
데이터 형식
|
값(범위/종류)
|
홍차 브랜드
|
범주
|
브랜드 A
|
브랜드 B
|
차 물
|
범주
|
수돗물
|
광천수
|
물의 양/차의 양 비율
|
마디 없는
|
20~60
|
담그는 온도(⁰C)
|
마디 없는
|
70~100
|
담그는 시간(분)
|
마디 없는
|
5~20
|
표 1, 홍차의 주요 매개변수 및 범위
필요한 핵심 매개변수와 매개변수 범위를 검색한 후 Lele와 그녀의 아버지는 거실로 돌아와 앉았습니다.
Lele: 이제 홍차를 만들어도 될까요?
아빠: 아직은요. 각 실험에 설정해야 할 매개변수의 실제 값을 아직 모르기 때문입니다. 그리고 실험을 설계하는 데 도움을 줄 작은 도우미도 필요합니다.
아빠: 실험 조합을 설계하려면 JMP가 필요합니다.
그래서 아버지는 컴퓨터에서 JMP 통계 소프트웨어를 열었습니다.
맞춤 실험이란 무엇인가요? 주문 설계
아빠: 실험 설계에 JMP가 필요하면 메뉴 옵션에서 "DOE" 필드를 클릭하세요. 사용할 수 있는 DOE 방법과 관련 DOE 기능이 많이 있습니다. 각 DOE의 원리와 적용 대상을 이해하지 못한다면 맞춤형 디자인, 즉 맞춤형 실험을 시작점으로 삼는 것이 좋습니다.
Lele: 이 맞춤형 실험을 사용하는 이유는 무엇입니까?
아빠: 맞춤형 실험의 근거는 다음과 같습니다. 최적화 실험 , 그는 우리가 중요하다고 생각하는 핵심 조건, 이러한 핵심 조건이 서로 영향을 미치는지, 어떤 결과를 얻고 싶은지, 얼마나 많은 실험을 할 수 있는지 등 우리가 제시하는 조건에 따라 최상의 솔루션을 제안할 것입니다. .실험적인 조합.
Lele: 내비게이션과 비슷해요.
아빠: 이것의 장점은 DOE에 대해 잘 모르지만 좋은 실험 설계를 하고 싶은 우리 같은 평범한 사람들에게 매우 적합하다는 것입니다.
Lele: 저는 미래에 DOE 전문가가 될 거예요. 지금은 어려서 그럴 수 없어요. 나중에 크면 그렇게 할 거예요.
아빠: 알았어, 알았어. 하지만 DOE 전문가들조차도 가장 효과적인 실험을 설계하는 것이 목표라면 실험 설계의 시작점으로 맞춤형 실험을 사용하는 경우가 많습니다. 이제 맞춤형 실험 설계를 살펴보겠습니다.
맞춤형 실험 설계를 사용하여 매개변수 이름, 범위 및 실험 수 설정
그런 다음 아빠는 맞춤형 설계 플랫폼에 매개변수와 범위를 입력했습니다(그림 1).
JMP Custom DesignJMP Custom DesignJMP Custom DesignJMP Custom DesignJMP 맞춤형 설계
그림 1, 맞춤형 설계 플랫폼에 응답 결과 및 매개변수 입력
그리고 매개변수의 주효과, 연속 매개변수의 2차 항, 연속 매개변수의 교차항의 효과항을 모델에 추가합니다(그림 2).
그림 2, 해당 효과 항목을 모델에 입력
Lele: 2차항과 교차항은 무엇이며 왜 추가해야 합니까?
아빠: 2차항 효과를 추가하는 이유는 핵심 매개변수에 재곡률 현상이 나타나는지, 즉 범위 중간에 결과가 최대값 또는 최소값을 발생하게 하는 값이 있는지 확인하기 위해서입니다. 교차항을 추가하는 목적은 이러한 매개변수가 서로 곱셈 효과를 갖는지 확인하기 위한 것입니다. 즉, 매개변수 자체의 주 효과 외에도 특정 조건이 결합되면 추가 효과를 갖게 됩니다.
렐레는 아래 사진을 보고 '렐레: 이 설정이 우리가 실험을 몇 번 해야 하는 건가요?'라고 물었습니다.
그림 3, 중심점 및 반복 횟수 설정 및 실험 횟수 입력
아빠: 네, 여기에서 반복 실험을 추가할지 아니면 실험에 중앙점을 추가할지 설정할 수 있습니다. 아래의 Number of Runs에서 실험 횟수를 선택할 수 있습니다. 여기에 적는 최소 횟수는 12회(최소)입니다. JMP 16회(기본값)를 권장합니다. 저렴한 실험 횟수를 설정할 수도 있습니다(사용자 지정). 우리는 여전히 기본값인 16회를 사용합니다(그림 3).
렐레: 왜 16번인가요? 횟수가 많을수록 좋지 않나요?
아빠: 네, 하지만 보통 시간이나 돈이 부족해서 수행할 수 있는 실험 수가 미리 정해져 있어요. 이는 맞춤형 설계의 장점이기도 합니다. 맞춤형 설계는 이 요구 사항에 따라 실험을 설계할 수 있는 반면, 다른 실험 설계는 지정된 실험 횟수를 달성해야 합니다. 또 중요한 이유는 차를 못마시기 때문에 이 16잔을 마셔야 한다는 점인데, 아빠는 16잔을 마시고 나니 벌써 긴장해서 몇 잔만 더 마시면 밤에 잠을 이루지 못할 수도 있습니다.
홍차 제조를 위한 매개변수 조합 생성 및 데이터 수집 완료
그런 다음 Lele와 그녀의 아버지는 맞춤형 디자인을 완성하고 홍차를 만들기 위한 매개변수 조합을 생성했습니다(그림 4).
JMP DOE參數組合JMP DOE參數組合JMP DOE參數組合JMP DOE參數組合JMP DOE 매개변수 조합
그림 4, 실험 조합표
그리고 아빠와 렐레는 이 매개변수 조합표에 따라 실험을 완료했고, 아빠는 순차적으로 점수를 매겨 16개의 점수 결과를 완성했다(그림 5).
그림 5: 해당 실험 조합 결과 수집
차를 너무 많이 마신 아버지는 트림을 하며 이렇게 말했습니다. 드디어 실험을 위한 데이터 수집이 완료되었습니다.
사용 JMP 적합 모형 회귀 분석 수행 및 모델 예측
그런 다음 왼쪽 상단의 스크립트 저장 영역에서 "모델"을 클릭하여 후속 분석을 수행할 수 있습니다. JMP는 이 프로그램에서 모든 후속 분석을 패키지화하는 데 매우 사려 깊습니다. 존재하다 JMP 모델 맞추기 회귀 분석을 수행하는 플랫폼 , DOE 테이블에서 "모델"을 직접 눌러 분석할 수 있습니다(그림 6).
그림 6, DOE 실험 포트폴리오 정보 시트의 모델 스크립트
아버지는 "모델"을 누른 후 계속해서 다음과 같이 말씀하셨습니다. 여기서는 모델에 효과 항을 추가할지 여부와 분석 방법을 선택할 수 있습니다. 사용 "단계별" 방법은 JMP 부탁드립니다 올바른 모델을 선택하도록 도와주세요 (그림 7).
JMP Fit ModelJMP Fit ModelJMP Fit ModelJMP Fit ModelJMP 적합 모형
그림 7, 회귀 모델 시작 플랫폼
여러 번 마우스를 클릭한 후 아빠는 보고서(그림 8)를 완성하고 컴퓨터에 표시된 효과 요약 및 적합 결과 요약을 손가락으로 지적했습니다.
아빠: 좀 더 정확한 모델을 얻기 위해 효과항 p-value가 0.05를 초과하는 일부 항목을 모델에서 제외했습니다. 통계적으로 P-value가 0.05를 초과하면 효과항이 모델에 거의 영향을 미치지 않는다는 의미이기 때문입니다. .. 이거 보관해두셨나요?효과조건에는 차이가 없습니다. 게다가, 볼 수 있다 적합성 요약 여기서는 모델의 정확도(R-제곱)에 대해 설명합니다. 0.997에 도달 이는 이 모델이 샘플 포인트를 설명하는 강력한 능력을 가지고 있음을 의미하며, 이는 이 모델이 이러한 데이터에 대한 좋은 예측 모델임을 의미합니다. .
JMP Fit ModelJMP Fit ModelJMP Fit ModelJMP Fit ModelJMP 적합 모형
그림 8, 회귀 모델 분석 보고서
Lele는 이를 보고 "침지 시간의 P 값이 0.05보다 크지만 삭제되지 않는 이유는 무엇입니까? 그리고 그 옆에 상승 표시가 있습니다. "라고 말했습니다.
아빠: 모델에 유지해야 할 다른 하위 항목이 있기 때문에 담그는 시간 * 담그는 시간이 0.05 미만인 것을 볼 수 있습니다. 이 항목은 유지해야 합니다. 상위 항목으로 담금 시간도 유지해야 합니다. , 그리고 이 상승 지표는 어떤 상위 프로젝트에 이러한 문제가 있어 유지해야 하는지 알려줍니다.
아빠는 계속해서 마우스 휠을 스크롤하며 보고서 하단을 표시했습니다.
관찰하다 예측 프로파일러 각 매개변수에 대한 결과에서 관찰된 변화를 보고합니다.
아빠는 계속해서 말했습니다. 우리는 보고서를 찾으러 내려갔습니다. 예측 프로파일러( 득점자) 보고서 , 여기에 모델이 대화형 그림과 함께 표시되어 더 빨리 이해하는 데 도움이 됩니다. 각 매개변수 변경이 맛에 어떤 영향을 미치나요? . 아래에서 매개변수 이름을 볼 수 있는데, 축(X축)은 우리가 설정한 매개변수 값을 나타내고, 왼쪽 축(Y축)은 플레이버 스코어의 예측값을 나타냅니다. 다양한 조건의 점수를 알고 싶다면 아래 매개변수 값을 설정한 값으로 조정하기만 하면 예상되는 맛 결과를 얻을 수 있습니다. 예를 들어 차 A를 선택하고 수돗물로 우려내고, 그리고 물의 양/찻잎의 양을 제가 선택한 비율은 40, 불림 온도는 80, 불림 시간은 15, 이렇게 바꾸면... 보이시죠, 예측 결과 4.83점에 불과한 것으로 나왔습니다(그림 9).
JMP Prediction ProfilerJMP Prediction ProfilerJMP Prediction ProfilerJMP Prediction ProfilerJMP 예측 프로파일러
그림 9, 예측 프로파일러
아버지가 말씀하시는 동안 그는 마우스를 드래그하여 매개변수 설정을 변경했고, Lele의 눈은 믿을 수 없다는 듯 커졌습니다.
Lele: 조정 사항에 따라 사진의 예상 맛 점수가 직접 변경됩니다. 정말 멋지네요.
아빠: 네, 이 대화형 기능은 작동하기 쉽고 모든 사람이 모델을 더 쉽게 이해할 수 있도록 해줍니다. 이 그래프를 좀 더 자세히 살펴보면 실제로 어느 방향으로 조정해야 맛 점수가 높아지는지, 즉 맛이 더 좋아지는지를 대략적으로 알 수 있습니다. 예를 들어 첫 번째 찻잎 사진을 보면, 비 차는 A보다 낫다 찻잎이 높으니 알 수 있지 B 차의 비율은 A입니다. 맛있는 차의 트렌드 ,비슷하게, 생수로 우려낸 차는 수돗물로 우려낸 차보다 더 맛있다 ,게다가 담그는 시간은 대략 입니다. 10~15 몇 분 안에 더 맛있어질 거예요 , 당신이 가지고 놀 수 있습니다.
JMP Prediction ProfilerJMP Prediction ProfilerJMP Prediction ProfilerJMP Prediction ProfilerJMP 예측 프로파일러
그림 9, 예측 프로파일러
Lele는 다양한 매개변수 설정을 시작하고 싶어 잠시 사용해 본 후 질문을 제기했습니다.
렐레: 아빠, 보세요, 물의 양과 차의 양을 바꾸면 그에 따라 다른 매개변수도 변해요. 전체적으로 높아지거나 낮아지는 것도 있고, 모양이 살짝 변하는 것도 있어요. 정말 이상해요.
아빠: 야, 너는 정말 힘이 센구나. 작은 변화를 눈치채셨구나. 이런 작은 변화는 매개변수 조정의 효과 이므로 다른 매개변수도 같은 모양으로 상승합니다. 원래 매개변수 값이 변경됨에 따라 다른 매개변수의 모양도 눈에 띄게 변경되는 것을 발견하면 예를 들어 원래 왼쪽, 오른쪽 위, 오른쪽 아래가 왼쪽 아래, 오른쪽 위가 됩니다. 이는 다른 매개변수의 모양이 변경됨을 의미합니다. 교차항의 영향은 강력합니다. 또한 일부 매개변수의 추세선이 직선이 아닌 곡선으로 나타나는 것을 볼 수 있는데, 최대값이나 최소값이 있다면 2차항의 효과가 매우 높다는 의미이다.
Lele은 이해한다는 의미로 고개를 끄덕인 후 질문했습니다. 그러면 가능한 모든 결과를 이런 식으로 예측할 수 있습니까?
아빠가 대답했습니다: 좋은 질문입니다. 방금 우리는 JMP에게 우리가 수집한 데이터를 바탕으로 추정 모델을 제공해달라고 요청했습니다. 그러나 이 데이터는 우리가 정의한 범위 내에서 광범위하고 균일한 지점을 기반으로 합니다. 가능한 한 모든 범위에서 각 점의 성능을 살펴보려고 노력하지만, 범위를 벗어나는 매개변수 조합의 경우 이 모델의 예측 능력이 떨어지므로 원래의 실험 설계 범위를 벗어나는 예측은 하지 않으려고 노력합니다. 그러나 범위 내에서는 대부분의 모든 매개변수 조합에 대해 이 모델을 사용하여 정확한 결과를 예측할 수 있습니다.
다음으로 오늘의 주요 단계를 수행해야 합니다. 매개변수와 조건의 최적 조합 찾기 , 채점기의 매개변수 설정을 조정하고 가장 높은 점수를 제공하는 조합을 찾을 수 있습니다.
Lele은 고개를 끄덕였고 예측 프로파일러에서 또 다른 매개변수 설정 조정이 있었습니다.
존재하다 예측 프로파일러 , 최상의 매개변수 조합 찾기
렐레: 아빠, 점수가 9.47점인 것을 찾았습니다. 차 B를 선택하고 생수로 끓였습니다. 물의 양/차의 양의 비율은 60, 불림 온도는 89.5, 불림 시간은 11.9였습니다. 결과 맛 점수는 9.47점으로 매우 좋습니다. 정말 훌륭합니다.
아빠: 나쁘지 않아요. 벌써 매우 높네요. 더 높은 점수가 나올 것 같나요?
Lele: 아마도, 내가 그의 점수를 볼 수 있도록 모든 것을 설정하지 않았기 때문일 것입니다.
아빠: 이제 JMP의 마법을 보여줄 시간입니다. JMP Prediction Profiler에서 만족도 설정을 열고 목표를 설정할 수 있습니다. 예를 들어 이 주제에 대한 만족도 점수가 높을수록 좋습니다. 그런 다음 선택하다 최고 결과를 최대한 크게 설정하려면, 즉 클수록 좋습니다. . 그리고 사용 만족도 극대화 목표를 달성하기 위한 최상의 매개변수 조합을 찾는 기능 (그림 10). 또는 최대화 및 기억을 선택하여 최상의 매개변수 조합을 찾아 보고서에 기록하세요.
그림 10, (왼쪽, 중간) Set Desirability는 욕구 값 함수를 설정하고, (오른쪽)은 욕구 값을 최대화합니다. Maximize Desirability
아빠는 프로파일러에서 최대화 및 기억을 눌러 최적의 매개변수 조합을 빠르게 찾아 보고서에 기록합니다(그림 11).
그림 11, 결과 최대화 및 기억
Lele: 이건 너무 빠르고 편리해요!
아빠: 응, 일반적으로 데이터 분석은 데이터를 수집하는 데 가장 많은 시간이 걸립니다. JMP 분석 시간을 더 많이 절약할 수 있으므로 통계 분석을 위해 데이터를 사용해야 하는 많은 기업에서는 분석 시간을 단축하기 위해 이 소프트웨어를 사용하게 됩니다. . 실제로 수동으로 구한 매개변수 조합을 비교해보면 가장 좋은 조합과 조금 다를 뿐이고, 당신도 매우 훌륭합니다. 또한 담그는 온도 91.02894와 같은 연속 매개변수는 실제로 제어하기가 쉽지 않으므로 91 또는 90을 사용하여 설정을 대체할 수 있습니다.
Lele와 그녀의 아버지는 각 매개변수 조건의 설정에 대해 논의했고 마지막으로 그들은 B차, 미네랄 워터를 사용했고 물의 양/차의 양의 비율은 55, 불림 온도는 90, 불림 시간은 12.5를 선택했는데, 이는 최종 핵심 매개변수 조건 설정(그림 12)
그림 12, 실험 설계를 기반으로 한 최상의 예측 결과
렐레: 응! 그럼 다음은 밀크티와 진주를 만들어 볼까요?
아빠는 시간을 보더니 "엄마가 곧 돌아올 거야. 엄마 생일 서프라이즈로 대접하고 싶다면 실험 장비를 빨리 치우지 않으면 발각될 거야"라고 말씀하셨다. 다음번에는 밀크티와 진주를 실험하여 좋은 조합을 찾아보겠습니다. 여기에는 다른 DOE 기술도 적용됩니다.
렐레는 "좋아, 빨리 모으자. 기대된다"고 유쾌하게 말했다.
엄마가 집에 오기 전에 아빠와 Lele는 서둘러 실험을 정리했지만 작은 DOE 씨앗이 Lele의 마음에서 천천히 싹이 트었습니다.
>>다음편에서는 JMP DOE 실험 설계 플랫폼을 통해 맛있는 진주를 만드는 방법을 공유하겠습니다. <<
DOE 실험 설계와 관련된 추가 리소스를 얻으십시오.
