Altoparlante
|
Trascrizione
|
| Brendan Leary |
hai ragione. |
| Ryan Parker, JMP |
tu sei. |
| |
Qui. |
| |
Sto bene. |
| |
Puoi sentirmi bene. |
| Brendan Leary |
Posso sentirti, okay, puoi sentirmi, okay. |
| |
sì, va bene, bene, hai capito bene l'audio, piacere di conoscerti. |
| |
Ovviamente, facendo questo, lavori per Chris o. |
| |
fantastico, sono. |
| Ryan Parker, JMP |
Il capo scienziato dei dati ha ragione, quindi ho questo diritto. |
| Brendan Leary |
è un titolo importante. |
| |
proprio qui. |
| |
Sì. |
| Brendan Leary |
E tu sei un ricercatore statistico senior. Mi guardo intorno, e penso di aver visto la tua faccia in giro, ma non ho avuto la possibilità di incontrarti, è così gentile da conoscerti. |
| Ryan Parker, JMP |
Anche allora, dove sei? |
| Brendan Leary |
Con sede nel New Jersey, ti porterò per il progetto New York e New Jersey. |
| |
Eccezionale. |
| Brendan Leary |
Mi diverto sul campo e posso mostrare tutte le cose belle che voi ragazzi costruite così. |
| |
Penso che tu sia perfetto. |
| |
Quindi, mentre iniziamo qui, solo un paio di cose quando lo sono. |
| |
vediamo prima le cose, il tuo microfono sembra a posto se tutte le notifiche del tuo cellulare e del tuo computer tutto quel jazz è spento. |
| Ryan Parker, JMP |
Mi piace. |
| |
Non disturbare, sì, lasciami ricontrollare il computer. |
| |
sì, non disturbare su tutto. |
| Brendan Leary |
Ok, non sento niente, ad esempio se hai un ventilatore acceso o qualcosa del genere. |
| Ryan Parker, JMP |
Si, ma non puoi sentirlo, okay. |
| |
NO. |
| Brendan Leary |
Hai anche degli animali domestici messi da parte, quindi no no. |
| Ryan Parker, JMP |
è proprio così. |
| |
Solo bambini piccoli, ma non saranno in giro. |
| Brendan Leary |
Ho avuto un incidente con un cane, l'ultimo che ho fatto è tutto quello che dirò. |
| |
Va bene, va bene, vediamo il tuo display, ehm, sei su Windows o MAC. |
| |
MAC, beh, sai quali sono le impostazioni del tuo display, probabilmente va bene se è su un MAC di solito chiedono 1920 entro le 10 alle. |
| Ryan Parker, JMP |
IL. |
| Brendan Leary |
Solo per una risoluzione, ma immagino che vada bene. |
| Ryan Parker, JMP |
sì, dovrebbe essere OK OK, io. |
| Brendan Leary |
vuoi mostrare cosa utilizzerai solo per il diario JMP o anche per PowerPoint. |
| Ryan Parker, JMP |
Quindi condividerò semplicemente il desktop: è il modo migliore per farlo. |
| Brendan Leary |
Sì. |
| Ryan Parker, JMP |
Oppure ti piace condividere. |
| |
Uno alla volta è probabilmente il modo più semplice per nascondere lo zoom. |
| |
Allora cominciamo con questo, vediamo come appare. |
| Brendan Leary |
Grande. |
| Ryan Parker, JMP |
Ok, questa pellicola per diapositive è tutta molto veloce solo per essere sicuro che non venga fuori nulla di strano. |
| Brendan Leary |
Conosci l'animazione funky, sei bravo. |
| Ryan Parker, JMP |
sì, nessuna animazione strana e poi andrò semplicemente su JMP e sullo stato di installazione di apertura e. |
| |
E un lancio da lì. |
| Brendan Leary |
Perfetto Okay, guardo, penso che stiamo bene, ho detto, l'unica altra cosa che mi viene in mente è che prima di entrare in JMP e iniziare, lo registreremo nei dettagli, sai. |
| |
Quindi se commetti un errore, o se lo desideri, dovrai ricominciare da capo. |
| |
Ma concedi solo un paio di secondi prima di iniziare, magari fai il conto alla rovescia da tre o cinque nella tua testa. |
| |
Ok, un po' di spazio bianco all'inizio, alla fine, così puoi girarlo. |
| Ryan Parker, JMP |
Giusto, certo, ok. |
| Brendan Leary |
E questo è tutto quello che ho, quindi andrò avanti e metterò l'audio in modalità silenziosa e, infine, lavoro per JMP, non credo di doverlo fare, ma lo leggerò per sicurezza. |
| |
Comprendi che questa registrazione è destinata all'uso da parte della conferenza estiva JMP Discovery e sarà disponibile pubblicamente nella comunità degli utenti JMP, se concedi il tuo consenso per questa registrazione in noi. |
| Ryan Parker, JMP |
Per favore, lo condivido. |
| Brendan Leary |
ampiamente riportato, nel caso in cui Perkinson non riuscisse ad arrabbiarsi con me, ho chiesto. |
| Ryan Parker, JMP |
sì, conosci qualcuno che ama i coniugi, ehi, cosa hai fatto cosa. |
| Brendan Leary |
Lo sai, lo so, lo so. |
| |
fantastico Ryan, grazie, andrò al nostro video, attiva il conto alla rovescia silenzioso nella tua testa e quando sei pronto vai avanti e inizia. |
| Ryan Parker, JMP |
Ok, e giusto perché tu lo sappia, penso che io stesso abbia ragione in circa 20 minuti. |
| |
Perché penso che siano 30 in totale, e poi volevano darne qualcuno. |
| |
tempo extra. |
| Brendan Leary |
Quindi sì, la brevità è perfetta, hai dato tempo per Q amp e sembra l'ideale. |
| Ryan Parker, JMP |
Ok, fantastico. |
| |
sembra fantastico. |
| |
Bene, grazie per essere venuto oggi. Il mio nome è Ryan Parker. io sono un |
| |
PCA funzionale diretta. |
| |
Ed è un nuovo modo di analizzare i dati funzionali. E voglio solo riconoscere che il nostro capo scienziato dei dati Chris Gotwalt ha svolto un ruolo importante non solo nello sviluppo di FDE ma |
| |
anche questo nuovo strumento, così come il nostro team di test composto da Rajneesh, il cui lavoro, si sa, di solito passa inosservato, ma è una parte importante del motivo per cui siamo dove siamo oggi. |
| |
E quindi non darò per scontato che tu abbia utilizzato FDE o che forse non sappia nemmeno cosa siano i dati funzionali. |
| |
Quindi cominciamo dall'inizio per assicurarci che siamo tutti sulla stessa lunghezza d'onda. Dati funzionali... in realtà lo consideriamo come qualsiasi cosa che abbia un ingresso X, in questo caso abbiamo alcuni dati sulla temperatura. Il nostro input è la settimana, quindi questi vengono misurati |
| |
ogni settimana dell'anno. E il nostro output Y è questa temperatura. |
| |
E quindi, sai, potresti provare a trovare una soluzione, magari ogni giorno, o ogni ora, ma l'idea generale è che non hai campionato completamente, sai, |
| |
l'intera funzione. Hai un modo per lavorare con alcuni campioni di esso. E davvero in tutti i casi |
| |
che ci sta a cuore, anche se puoi utilizzare una funzione, vogliamo anche pensare ad avere più funzioni. Quindi abbiamo più stazioni meteorologiche dove ogni settimana abbiamo catturato la temperatura. |
| |
Quindi, anche se qui abbiamo compilato ogni settimana, non dobbiamo necessariamente avere quella caratteristica dei FDE, dato che puoi avere, sai, alcuni punti campione di mesi oppure no... possono essere campionati in diversi luoghi temporali. |
| |
Ma non deve nemmeno essere, sai... il tuo contributo non deve essere tempo nel senso tradizionale. Forse è la temperatura e hai questa chiarezza di misurazione come risultato. |
| |
Lo sai, quindi lo sosteniamo. |
| |
è davvero questa mappatura di hai un input, hai un output. O forse sei in un ambiente spettrale e tutto il tuo input è la lunghezza d'onda, e ora il tuo output è l'intensità. |
| |
In un esempio che mostrerò per illustrare la PCA funzionale diretta, abbiamo più flussi di dati, più funzioni, quindi non solo abbiamo, sai, |
| |
una funzione diversa... diversa ma abbiamo output diversi. Abbiamo, sai, una carica, la forza del pistone, la tensione e il vuoto e vogliamo riunire tutti questi elementi |
| |
e analizzarli. |
| |
Pertanto, questo tipo di dati aiuta a motivare lo sviluppo di Functional Data Explorer. |
| |
E ci sono due domande principali che dobbiamo... |
| |
di solito lo usiamo per rispondere. Il primo riguarda una progettazione funzionale dell'impostazione degli esperimenti. In questo contesto, abbiamo fattori che vogliamo provare a mettere in relazione |
| |
alla nostra funzione di risposta. Quindi, in questo caso, siamo davvero interessati a come possiamo modellare questa funzione di risposta in un certo modo. |
| |
Quindi possiamo collegare questi fattori alla funzione e, in questo caso, volevamo... la nostra funzione rimanesse nell'area delle specifiche verdi il più a lungo possibile, e con FDE possiamo... possiamo aiutare Fai quello. |
| |
L'altro caso comune è quello che chiamiamo apprendimento automatico funzionale e, in questo caso, vogliamo pensare più alle nostre funzioni come se fossero |
| |
input a qualcosa. Quindi nel nostro processo, forse abbiamo i risultati finali o una resa finale, nel caso di questi dati sul processo di fermentazione. |
| |
Vogliamo quindi riassumere le forme di queste funzioni. Usali come input per un modello predittivo per capire cosa mi darà il miglior risultato. |
| |
E quindi, in realtà, il grande gioco con questo, a cui provi a giocare, è che è PCA funzionale e ciò che sta facendo PCA funzionale è riassumere i nostri dati. |
| |
Quindi ho qui un esempio davvero semplice in cui probabilmente è abbastanza facile vedere che hanno tutti pendenze di abbinamento diverse. |
| |
E potrebbe essere un po’ più difficile vedere che i mezzi sono un po’ diversi per ciascuno. Quindi il nostro obiettivo è motivare questo, provare a riassumerli, sai. |
| |
Usa un caso semplice per spiegare come possiamo estenderlo a situazioni più complesse. |
| |
E allora, quando lo facciamo??? composizione, otterremo autofunzioni ortogonali che spiegheranno quanto più possibile la variazione da funzione a funzione. |
| |
E, una volta che li abbiamo, possiamo usarli per estrarre riepiloghi da tutte queste funzioni che abbiamo |
| |
può utilizzare nella modellazione predittiva. Quindi prendiamo una forma davvero complessa, in questo caso non è super complessa ma la riassumeremo in un paio di punti dati dai 10 circa che abbiamo qui. |
| |
Questo è... ecco come appare una funzione eigen |
| |
per questi dati. Quindi ne abbiamo tirati fuori due. Il primo spiega circa il 77% della variazione e dà il maggior peso all'inizio e alla fine. E |
| |
questo, come ci si potrebbe aspettare, riassume il fatto che quantifica la pendenza di questi dati. Mentre la seconda funzione eigen dà lo stesso peso su...su tutto l'input e questo quantifica quella differenza nella media. |
| |
Quindi ora vogliamo trasformare queste funzioni Eigen, usarle con i nostri dati e ottenere un breve riepilogo che vogliamo utilizzare per spiegare le differenze tra queste funzioni. COSÌ |
| |
prendendo la funzione 2 come esempio, moltiplichiamo questa funzione per questa prima funzione Eigen. Otterremo una funzione che ha molti numeri negativi. |
| |
Quindi se ci pensi, sai, prendendo l'integrale di questo, semplicemente sommando tutti quei numeri negativi, otterrai un numero negativo abbastanza grande. |
| |
Quindi possiamo vedere come questo primo componente stia davvero catturando le differenze. Quindi il numero 10, giusto, era un grande numero positivo, e quindi possiamo... possiamo vedere nei nostri dati che aveva anche quel tipo di grande pendenza positiva. |
| |
E un'idea simile per la seconda componente, dove abbiamo, sapete, medie complessive più alte rispetto a quelle più basse. |
| |
E una volta che abbiamo queste due cose possiamo tornare alla nostra funzione originale. |
| |
Aggiungendo una media complessiva, prendiamo semplicemente il punteggio dei primi componenti funzionali principali, guardando qui la Funzione 1. Lo moltiplichiamo per la prima autofunzione |
| |
e poi aggiungiamo il secondo punteggio delle componenti principali funzionali, moltiplichiamo per la seconda autofunzione, e |
| |
questo ricreerà questo primo. In un processo simile, l'utilizzo dei punteggi con la seconda funzione ci consente di farlo |
| |
ricostruire o approssimare tali funzioni. Quindi puoi vedere dove, okay, se siamo in grado di costruire modelli per questi punteggi FPC, |
| |
possiamo, sai, capire come i fattori DOE li cambiano, nel qual caso ciò sta cambiando la forma della nostra funzione alfa e una sorta di quel primo scenario che abbiamo esaminato. |
| |
Quindi entriamo nel dettaglio del perché PCA funzionale diretto? Ancora una volta, cosa ti ha motivato a farlo? Quindi, se hai già utilizzato FDE, |
| |
le opzioni di modellazione di cui disponiamo sono considerate modelli di funzioni di base. E in questi casi, in realtà... stanno prima livellando i dati, quindi adatteremo il modello, otterremo una funzione fluida con cui possiamo operare. Ma parte del problema è che potremmo averne molti |
| |
molte cose che dobbiamo mettere a punto. Quindi, in un caso di B spline, dobbiamo scegliere, sai qual è il migliore, |
| |
sai, grado del polinomio da usare nella spline o quanti nodi dovremmo avere? E in un certo senso ti diamo alcune impostazioni predefinite per questo, ma, sai, ti permettiamo anche di cambiare la posizione di quei nodi. E questo è fantastico e funziona per molti casi, |
| |
ma man mano che si ottengono campioni di dimensioni maggiori o funzioni più complesse, ciò potrebbe richiedere molto tempo e potrebbe essere sulla buona strada per mettere a punto davvero tutte le posizioni di questi nodi. |
| |
Ma il modo in cui funziona ora la FDE è che adattiamo il modello, eseguiamo l'FPCA sui coefficienti di quei modelli e c'è questa bella relazione tra, |
| |
sai, ora le nostre funzioni Eigen hanno la stessa forma del modello dei nostri dati. Quindi ci sono molte cose belle che ne derivano, ma che si tratti di calcoli costosi o semplicemente che i modelli non lo fanno bene, avevamo bisogno di un altro approccio. |
| |
E così |
| |
l'approccio precedente consiste nel livellare prima i dati, e ora stiamo pensando, okay, prendiamo i dati così come sono. Operiamo direttamente su questo. |
| |
E poi da lì smussiamo le autofunzioni che otteniamo. Quindi questo non è giusto, conosci il confronto tra mele, ma con le spline B rispetto all'FPCA diretto,... tenderai a notare che il |
| |
Le funzioni proprie che ottieni sono un po' più fluide con l'FPCA diretto e questo è per natura il modo in cui volevamo che fosse un po' più fluido, sai. Questo piccolo manufatto qui è davvero così importante? |
| |
L'FPCA dice che forse non lo è. Penso che sia davvero catturato nell'ultima funzione eigen, dove non spiega molte variazioni. Stiamo ricevendo degli strani colpi qui. |
| |
Sapete, un esperto forse dovrebbe analizzarlo e dire, no, in realtà è reale, ma molto probabilmente, forse non dovremmo dare molto peso a questa funzione propria. |
| |
Probabilmente non lo uso. |
| |
E quindi l'algoritmo che usiamo per adattare il modello PCA funzionale diretto è simile nello spirito a questo metodo di Rice e Silverman, principalmente perché è un processo iterativo. Quindi quello che facciamo è, sai... |
| |
per prima cosa dovrei menzionare che i dati devono essere su una griglia regolare. Quindi, se non hai i tuoi dati su una griglia regolare, li interpoleremo direttamente per te. Abbiamo anche alcune opzioni... opzioni della fase di elaborazione dei dati chiamate "Riduci" che puoi |
| |
applicare per controllare con precisione la rete su cui operiamo. |
| |
Ma nella nostra procedura prenderemo un autofunzione. |
| |
Possiamo semplicemente chiedere il primo primo componente. |
| |
Adatta un modello molto, sai, adatta un modello levigante e poi chiedi quello successivo. |
| |
E una volta perfezionato quello successivo, dobbiamo apportare alcune modifiche in modo da farti conoscere le proprietà di ortogonalità che vogliamo. |
| |
Ma l'idea qui è che siamo... abbiamo preso un problema in cui stiamo cercando di rendere più fluide molte funzioni diverse per far sì che i modelli con cui lavorare, dove ora andremo a |
| |
concentriamo davvero i nostri sforzi sullo smussamento di queste funzioni Eigen una alla volta. E ne abbiamo un numero molto inferiore, quindi questo rende questa tecnica molto più veloce per set di dati di grandi dimensioni rispetto alle soluzioni esistenti in JMP. |
| |
L'esempio che esaminerò riguarda un processo di produzione e, giusto per darvi un'idea delle accelerazioni, |
| |
se tu, nel migliore dei casi, conoscessi l'esatto modello P spline che desideri utilizzare per questi dati, ti occorrerebbe tre volte il tempo per adattare quei modelli rispetto alla soluzione FPCA diretta pronta all'uso. |
| |
La differenza sta nel fatto che non sai necessariamente quali saranno questi modelli, quindi devi prenderti del tempo per adattare più modelli e quindi ora hai davvero impiegato molto tempo rispetto a ciò che farà direttamente l'FPCA . |
| |
Ma questo è l'esempio |
| |
esamina specificamente la fase in cui leghiamo il vetro a un wafer. |
| |
E questo processo, sai, è come un vuoto che lo circonda, ci sono alcuni strumenti, è tutto appoggiato su questo mandrino, e |
| |
questo processo viene eseguito e, sfortunatamente, circa il 10% di essi viene distrutto, ma questo è solo nel mezzo del processo e non lo saprai fino a settimane dopo |
| |
che furono distrutti. Quindi il nostro obiettivo è... abbiamo sensori che raccolgono dati attraverso questo processo, vogliamo provare a usarlo per identificare i wafer di cui possiamo sbarazzarci |
| |
Presto. Forse c'è un sottoinsieme di cui possiamo sbarazzarci, quindi non possiamo spendere altri soldi per loro, e quindi l'obiettivo è provare a identificarlo utilizzando i dati del flusso dei sensori. |
| |
Quindi ora andrò a JMP. |
| |
E ho un diario, quindi tutte queste fonti saranno disponibili nella pagina Community ma aprirò questo set di dati |
| |
E mi lancerò |
| |
esploratore di dati funzionali dal menu di modellazione specializzata analizza. |
| |
Esaminiamo quindi ciascuna di queste colonne. Quindi abbiamo l'ID del wafer, quindi questo è semplicemente il nostro... |
| |
raggruppa le nostre diverse funzioni. |
| |
La condizione, quindi questa è, sai, era buona o cattiva? Quindi lo vogliamo |
| |
mantienilo, vogliamo usarlo in seguito, quindi lo inseriremo semplicemente come variabile supplementare e questo dice a FDE, sai, quando salveremo le cose in futuro, vai avanti e portalo con sé. |
| |
carica, flusso, forza del pistone, vuoto e questa tensione |
| |
come parte di questo processo. |
| |
Per avviare FDE, |
| |
semplicemente scorriamo e vediamo, sai che li ho mostrati prima, ma questi sono tutti i diversi tipi di dati che abbiamo e |
| |
necessariamente... potrebbe essere possibile che non tutti i modelli siano adatti, sai. Lo stesso modello che si adatta a questo forse non si adatta, sai... lo stesso modello che si adatta alla carica forse non si adatta anche al flusso. |
| |
Ma l'FPCA diretto li sta esaminando individualmente ed è in un certo senso gestirlo per noi. Prima di procedere, voglio mostrare questa opzione di riduzione di cui ho parlato. Quindi per impostazione predefinita... |
| |
beh, qui ci sono tre schede. Puoi inserirlo direttamente su una griglia equidistante, puoi inserirlo nelle osservazioni o rimuoverle tutte |
| |
l'ennesima variabile per compilarlo. Questi dati sono su una griglia. In realtà non dobbiamo fare nulla, ma potremmo, sai, dire va bene, facciamolo e, per impostazione predefinita, ti dà metà del set di dati originale. |
| |
Quindi ora l'hai smontato e le forme sono ancora più o meno le stesse. In questo caso non dobbiamo farlo, è comunque veloce, ma se i tuoi dati lo sono neanche |
| |
non già su una griglia, o semplicemente ne hai molta, utilizzando la riduzione sei ancora in grado di catturare le funzionalità principali. È davvero qualcosa che vale la pena esplorare. |
| |
Quindi, poiché abbiamo più ???, andrò a questa opzione di gruppo FDE |
| |
e avviare PCA funzionale diretta. |
| |
E così, ci sono voluti alcuni secondi, ma è per ognuno che si adatta a un modello. |
| |
carica. Quindi siamo in grado di adattarlo, funziona abbastanza bene, abbiamo la diagnostica disponibile. |
| |
Abbiamo un'opzione di selezione del modello per farti sapere, modificare il numero di punteggi FPC. Ne abbiamo identificati quattro come i migliori per questo caso particolare e per la maggior parte degli altri che in realtà ne scelgono solo uno. |
| |
Ma se hai già utilizzato FDE, vedrai questi riepiloghi funzionali familiari ma non c'è niente... non abbiamo nient'altro. Non esiste un modello precedente, giusto. Questo è un po' questo... |
| |
Il PCA funzionale è il modello e ci concentriamo interamente su quello, invece che su altre cose che dovevamo necessariamente mettere a punto prima |
| |
sulle mie trame e profiler dei tuoi punteggi. Quindi, scorrendoli, possiamo vedere che apparentemente li stiamo adattando abbastanza bene. |
| |
Forza del pistone... e ho detto che, sai, molti di questi finiscono per sceglierne solo uno. Voglio dire, sta dicendo che questo spiega quasi tutta la variazione in quel caso. |
| |
Va bene. |
| |
Bene. Ancora una volta, tensione, quindi l'ultima. |
| |
Quindi, se torniamo a questa opzione di gruppo, possiamo salvare i riepiloghi per tutte queste funzioni. Quindi ora abbiamo utilizzato FDE in modo efficace e abbastanza rapido |
| |
carica i nostri dati, prendi tutte quelle funzioni e riassumile in pochi riepiloghi per ciascuna di esse. |
| |
Ma i principali siamo noi |
| |
sono più interessati, principalmente perché stanno semplicemente riassumendo la variazione nelle forme o questi punteggi FPC. |
| |
Ma ci sono ancora informazioni nelle cose che le persone, sai, prima della FDE, cosa farebbero? Prendi la media, o guardi le deviazioni standard o altri riepiloghi, e queste cose hanno ancora valore, quindi penso che sia positivo, sai, noi, per impostazione predefinita, li portiamo con noi. |
| |
Abbiamo alcuni script. Quindi verranno portati con sé anche tutti gli script che avevi nella tabella dati originale, ma aggiungiamo anche questi script del profiler in modo che tu possa avviarli e vedere, okay, sto modificando i miei punteggi FPC, cosa significa? |
| |
E aiuta a costruire alcune informazioni al riguardo. |
| |
E quindi quello che vogliamo fare ora è cercare di prevedere quella condizione, buona o cattiva. Quindi userò la regressione generalizzata solo perché penso che sia, sai, davvero una buona soluzione |
| |
metodo non solo per adattare questi modelli, ma anche per interpretarli. |
| |
Ma potresti davvero usare qualsiasi cosa. Potresti ottenere una rete neurale, potresti fare qualsiasi altra cosa. Una volta...una volta salvata questa tabella, sarai libero di utilizzare il resto di JMP |
| |
per come ritieni di poterlo modellare al meglio. Quindi prenderò tutti questi riassunti e farò semplicemente un fattoriale di grado due. |
| |
Quindi stiamo cercando di prevedere la condizione finale e utilizzeremo il set di dati di convalida. |
| |
E stiamo prendendo di mira così com'è, è stato brutto o no? |
| |
E quindi, davvero, questa è probabilmente la sezione informatica più lunga di questa. Faremo un Lazo per impostazione predefinita utilizzando questa colonna di convalida. Voglio dire, ci vuole, io |
| |
pensa, intorno a te conosci 5-10 secondi. |
| |
Puoi sempre interromperlo prima se lo desideri, ma sai che gli stiamo fornendo un buon set di funzionalità e stiamo esaminando le interazioni tra loro per cercare di capire, |
| |
sai, il modo migliore per provare a prevedere questa condizione. |
| |
IL... |
| |
quasi fatto. |
| |
Ora è in corso la creazione del report e, una volta ottenuto questo modello, vedrai anche le cose che sembrava non fossero state mappate. |
| |
Quindi personalmente sono un sostenitore dell'osservazione dei parametri su base centrata e in scala, per aiutare a comprendere meglio le differenze di magnitudo. |
| |
Ma alcuni di questi, sai, come questo punteggio FPC, ho pensato, sai, non è davvero informativo mentre FPC 2 e 3 per la carica |
| |
sono più utili, quindi puoi ordinarli e vedere, sai. E un po' come ho descritto, cose del genere |
| |
semplici riassunti di medie o minimi o deviazioni standard, danno informazioni ma, ma vediamo anche che ci sono sicuramente molte informazioni nei riassunti dei... |
| |
delle forme di queste funzioni utilizzando questi punteggi FPC. Quindi andrò dall'altra parte, mentre questa deviazione standard del flusso sembra essere molto importante e penso, |
| |
sai, un altro motivo per cui mi piace è che se sei responsabile di questo processo e hai il controllo sulla deviazione standard del flusso, |
| |
questo può aiutarti, sai, forse non hai bisogno di sapere qual è il primo passo, beh, ehi, forse abbiamo una parte di questo che possiamo effettivamente |
| |
migliorare prima di costruire un modello, per dire okay, ora scartiamoli e basta. Quindi diciamo di averlo fatto, dove questo è il nostro modello, vogliamo provare a costruire semplicemente un'euristica |
| |
bene o male. A che punto voglio semplicemente andare avanti e scartarlo? Quindi salviamo le colonne per la formula di previsione e questa verrà salvata nella tabella di riepilogo. Quindi GenReg ci darà probabilità cattiva, probabilità buona, condizione molto probabile. |
| |
E quindi possiamo... possiamo semplicemente fermarci qui e dire okay, se è superiore a 0,5, guardiamolo più da vicino, o se è superiore, non so, 0,75, ci si sente bene. Facciamo... forse non ne vale la pena solo a causa del |
| |
costo del resto del processo. Sai, forse scegli quella probabilità in base alle implicazioni del mondo reale. |
| |
Oppure potremmo lasciare che un modello di partizione ci aiuti a capirlo, quindi quello che useremo ora è questa probabilità come fattore. Stiamo semplicemente dicendo che va bene, |
| |
Potrei guardarlo manualmente e chiedere a un modello di aiutarmi a cercare di capire, sai, come raggrupperà queste condizioni. E quindi lo prenderemo, manterremo i nostri set di dati di convalida in modo da non fare una doppia immersione. |
| |
Quindi ora tutti i nostri blu sono i cattivi e i rossi sono i buoni, quindi per fortuna, in generale, la maggior parte di loro è buona. |
| |
Ma facciamo uno spaccato. Quindi, se questa probabilità di essere cattivi è inferiore a 0,1, molto probabilmente va bene. La maggior parte dei nostri danni sono superiori a 0,1. Ha senso. Diviso di nuovo. Ora stiamo davvero guardando... molti di loro sono davvero coinvolti in questo |
| |
è la probabilità superiore a 0,25. Ci divideremo ancora una volta e |
| |
almeno per i dati di addestramento, si adatta abbastanza bene il fatto che, ehi, tutti con sopra .6, sono tutti pessimi. Sai, davvero non ti aspetti che ciò accada |
| |
in realtà, e questo addestramento o questa convalida R al quadrato evidenzia che, sai, come la maggior parte dei modelli, puoi fare meglio sul set di addestramento che sul set di dati di convalida. |
| |
Ma ora ci sta dando, sai, mi sentivo come se .75 fosse buono, ma in realtà questo sta dicendo che forse dobbiamo davvero concentrarci su quelli che sono .6 o superiori. |
| |
E quindi, questo è, sai, un po'... |
| |
Immagino che ora siamo arrivati al punto in cui sai, questi erano dati simulati. Nel caso del mondo reale, questo è stato molto utile, cose come l'interpretazione, sai, possiamo... possiamo migliorare il nostro processo, anch'esso utile, non solo in questo, ma in altri set di dati campione di cui disponiamo. |
| |
Torniamo alle diapositive. |
| |
Ok, quindi ho esaminato e riassunto cos'è la PCA funzionale, in un certo senso, cosa ha motivato questo nuovo approccio FPCA diretto e ti ho mostrato come usarlo in un esempio in cui stiamo cercando di, sai, scartare le cose all'inizio di questo processo di fabbricazione. |
| |
Quindi, in realtà, solo alcuni suggerimenti finali sono, sai,... il calcolo veloce lo rende ottimo per set di dati di grandi dimensioni. In un certo senso, puoi semplicemente iniziare da lì |
| |
e dì, okay, cosa pensa l'FPCA diretta? È così veloce che non devi sapere giocherellare con i controlli del modello. In un certo senso, se disponi di dati di grandi dimensioni, è un ottimo punto di partenza. |
| |
Ma non è perfetto, lo sai. Ho mostrato un po' di diagnostica e puoi vedere se non si adatta bene e come qualsiasi modello, solo perché è stato veloce non significa che fosse buono. Quindi assicurati solo di esserlo |
| |
identificare possibili problemi e forse è necessario un approccio diverso. Voglio dire, abbiamo, sai, altri modelli di funzioni di base pari che siamo |
| |
lavorando per tipi di dati molto particolari su cui, sai, anche questo approccio non è necessariamente efficace quanto, sai, questi modelli molto specifici. |
| |
E questo è, sai... parte di questo è che i dati devono essere su una griglia e provare a utilizzare la riduzione per aiutarti a controllare quella griglia, se sembra che le cose siano troppo lente o che in realtà non lo facciano senso, forse quello che stiamo facendo per impostazione predefinita non è ciò che è buono per i tuoi dati come a |
| |
come quello che puoi fare da solo. |
| |
Grazie mille per essere venuto e risponderò a qualsiasi domanda se qualcuno ha qualcosa. |
