Vocero
|
Transcripción
|
| Brendan Leary |
tienes razón. |
| Ryan Parker |
estás. |
| |
aquí. |
| |
Estoy bien. |
| |
Puedes oírme bien. |
| Brendan Leary |
Puedo oírte. Está bien, puedes oírme. |
| |
Sí, está bien, ya tienes el audio. Encantado de conocerte. |
| |
Obviamente, al hacer esto, trabajas para Chris o. |
| |
impresionante soy. |
| Ryan Parker |
El científico jefe de datos tiene razón, así que tengo ese derecho. |
| Brendan Leary |
ese es un gran título. |
| |
justo ahí. |
| |
sí. |
| Brendan Leary |
Y usted es un estadístico de investigación senior. Miro a mi alrededor y creo que he visto tu cara, pero no he tenido la oportunidad de conocerte. Es un placer conocerte. |
| Ryan Parker |
También Entonces, ¿dónde estás? |
| Brendan Leary |
Con base en Nueva Jersey, te llevaré al proyecto de Nueva York y Nueva Jersey. |
| |
impresionante. |
| Brendan Leary |
Me divierto en el campo y puedo mostrar todas las cosas buenas que ustedes construyen. |
| |
Creo que eres perfecto. |
| |
Entonces, mientras comenzamos aquí, solo un par de cosas cuando esté. |
| |
Veamos primero lo primero: su micrófono se ve bien si todas las notificaciones de la computadora de su teléfono celular, todo ese jazz, están apagadas. |
| Ryan Parker |
Gusta. |
| |
No molestar, sí, déjame revisar la computadora. |
| |
Sí, no molestes por todo. |
| Brendan Leary |
Vale, no escucho nada como si tienes un ventilador o algo así. |
| Ryan Parker |
Lo hago, pero no puedes oírlo bien. |
| |
No. |
| Brendan Leary |
Incluso tienes mascotas guardadas, así que no, no. |
| Ryan Parker |
eso es solo. |
| |
Sólo niños pequeños, pero no estarán por aquí. |
| Brendan Leary |
Tuve un incidente con un perro, el último que tuve, eso es todo lo que diré. |
| |
Muy bien, está bien, veamos tu pantalla. ¿Estás en Windows o MAC? |
| |
MAC, ¿sabes cuál es la configuración de tu pantalla? Probablemente esté bien si está en una MAC, por lo general piden 1920 por 10. |
| Ryan Parker |
El. |
| Brendan Leary |
Sólo para una resolución, pero imagino que está bien. |
| Ryan Parker |
Sí, debería estar bien, bien, yo. |
| Brendan Leary |
quieres mostrar lo que vas a usar solo en el diario JMP, o también es un PowerPoint. |
| Ryan Parker |
Así que compartiré el escritorio, esa es la mejor manera de hacerlo. |
| Brendan Leary |
sí. |
| Ryan Parker |
O te gusta compartir. |
| |
Uno a la vez, probablemente sea la forma más sencilla de ocultar el zoom. |
| |
Entonces, comencemos con esto y veamos cómo se ve. |
| Brendan Leary |
Excelente. |
| Ryan Parker |
Bien, esta película de diapositivas se hace muy rápido solo para asegurarnos de que no aparezca nada extraño. |
| Brendan Leary |
Ya sabes, la animación funky eres buena. |
| Ryan Parker |
Sí, no hay animaciones extrañas y luego iré a JMP y al estado de apertura de configuración. |
| |
Y un lanzamiento desde allí. |
| Brendan Leary |
Perfecto. Bueno, veo, creo que estamos bien, ¿he dicho? Lo único que me viene a la mente es que antes de que entres con JMP y comiences, vamos a grabarlo en detalle, ¿sabes? |
| |
Así que si cometes un error, o quieres hacerlo, tendrás que empezar de nuevo. |
| |
Pero solo dale un par de segundos antes de comenzar, tal vez una cuenta regresiva desde tres o cinco en tu cabeza. |
| |
Bien, un poco de espacio en blanco al principio y al final, para que puedas darle la vuelta. |
| Ryan Parker |
Claro, está bien. |
| Brendan Leary |
Y eso es todo lo que tengo, así que voy a seguir adelante y ponerme en silencio y, por último, trabajo para JMP. No creo que sea necesario, pero lo leeré solo para estar seguro. |
| |
Usted comprende que esta grabación es para uso de la conferencia de verano de descubrimiento de JMP y estará disponible públicamente en la comunidad de usuarios de JMP si nos da permiso para esta grabación. |
| Ryan Parker |
Por favor compártelo. |
| Brendan Leary |
Se informó ampliamente, en caso de que Perkinson no pueda enojarse conmigo, pregunté. |
| Ryan Parker |
Sí, conoces a alguien a quien le gusta oye, qué hiciste, qué. |
| Brendan Leary |
Sabes que lo sé, lo sé. |
| |
Genial, Ryan, gracias. Voy a seguir nuestro video con la cuenta regresiva en silencio en tu cabeza y cuando estés listo, continúa y comienza. |
| Ryan Parker |
Bien, y para que lo sepas, creo que ese tiempo para tener razón son unos 20 minutos. |
| |
Porque es porque creo que son un total de 30 derechos, y luego quisieron dar algunos. |
| |
tiempo extra. |
| Brendan Leary |
Entonces, sí, la brevedad es perfecta. Le diste tiempo para Q amp a, eso suena ideal. |
| Ryan Parker |
Bien, excelente. |
| |
suena genial. |
| |
Bueno, gracias por venir hoy. Mi nombre es Ryan Parker. soy un |
| |
PCA funcional directa. |
| |
Y es una nueva forma de analizar datos funcionales. Y solo quiero reconocer que nuestro científico jefe de datos, Chris Gotwalt, ha desempeñado un papel importante no solo en el desarrollo de FDE sino también en |
| |
también esta nueva herramienta, así como nuestro equipo de pruebas de Rajneesh, cuyo trabajo normalmente pasa desapercibido, pero es una gran parte de por qué estamos donde estamos hoy. |
| |
Por lo tanto, no voy a asumir que haya utilizado FDE o que tal vez ni siquiera sepa qué son los datos funcionales. |
| |
Así que comience desde el principio para asegurarse de que todos estemos en la misma página. Datos funcionales... realmente lo consideramos como cualquier cosa que tenga una entrada X, en este caso tenemos algunos datos de temperatura. Nuestro aporte es la semana, por eso estos se miden. |
| |
Cada semana del año. Y nuestra salida Y es esta temperatura. |
| |
Entonces, ya sabes, podrías probar para encontrar una solución, tal vez cada día o cada hora, pero la idea general es que no has probado completamente, ya sabes, |
| |
toda la función. Tienes alguna manera de trabajar con algunas muestras. Y realmente en todos los casos. |
| |
que nos importa, aunque puedes usar una función, también queremos pensar en tener múltiples funciones. Tenemos múltiples estaciones meteorológicas donde cada semana capturamos la temperatura. |
| |
Entonces, aunque hemos completado todas las semanas aquí, no necesariamente tenemos que tener esa característica de los FDE, ya que puedes tener, ya sabes, algunos puntos de muestra de meses o no... se pueden muestrear en diferentes ubicaciones horarias. |
| |
Pero tampoco tiene que ser, ya sabes... tu aporte no tiene que ser tiempo en el sentido tradicional. Tal vez sea la temperatura y usted tenga esta claridad de medición como resultado. |
| |
Ya sabes, entonces lo apoyamos. |
| |
en realidad es este mapeo en el que tienes una entrada, tienes una salida. O tal vez estás en una configuración espectral y toda tu entrada es la longitud de onda, y ahora tu salida es la intensidad. |
| |
En un ejemplo que mostraré para ilustrar el PCA funcional directo, tenemos múltiples flujos de datos, múltiples funciones, por lo que no solo tenemos, ya sabes, |
| |
una función diferente...diferente pero tenemos resultados diferentes. Tenemos, ya sabes, una carga, la fuerza del pistón, el voltaje y el vacío y queremos unirlos todos. |
| |
y analizarlos. |
| |
Y así, este tipo de datos ayudan a motivar el desarrollo de un explorador de datos funcional. |
| |
Y hay dos preguntas principales que nosotros... |
| |
normalmente lo usamos para responder. El primero es en un diseño funcional del entorno de experimentos. En este contexto, tenemos factores que queremos intentar y relacionar. |
| |
a nuestra función de respuesta. Entonces, en este caso, estamos realmente interesados en cómo lograr que esta función de respuesta tenga una forma determinada. |
| |
Entonces podemos vincular estos factores a la función y, en este caso, queríamos... nuestra función permanecer en el área de especificación verde durante el mayor tiempo posible, y con FDE, podemos... podemos ayudar. Haz eso. |
| |
El otro caso común es lo que llamamos aprendizaje automático funcional y, en este caso, queremos pensar más en nuestras funciones como si fueran |
| |
entradas a algo. Entonces, en nuestro proceso, tal vez tengamos los resultados finales o un rendimiento final, en el caso de los datos del proceso de fermentación. |
| |
Por eso queremos resumir las formas de estas funciones. Utilícelos como entradas para un modelo predictivo que me ayude a determinar qué me dará el mejor resultado. |
| |
Y entonces, realmente, el gran juego con esto, que intentas jugar, es su PCA funcional y lo que hace la PCA funcional es resumir nuestros datos. |
| |
Así que tengo aquí un ejemplo realmente simple en el que probablemente sea bastante fácil ver que todos tienen diferentes pendientes de emparejamiento. |
| |
Y puede que sea un poco más difícil ver que los medios son un poco diferentes para cada uno. Entonces, nuestro objetivo es motivar esto, intentar resumirlos, ya sabes. |
| |
Utilice un caso simple para explicar cómo podemos expandirlo a situaciones más complejas. |
| |
Y entonces, ¿cuándo lo hagamos? composición, obtendremos funciones propias ortogonales que explicarán la mayor cantidad posible de variación de función a función. |
| |
Y, una vez que los tengamos, podemos usarlos para extraer resúmenes de todas estas funciones que |
| |
puede utilizar en el modelado predictivo. Entonces tomamos, ya sabes, una forma realmente compleja, en este caso no es súper compleja, pero la vamos a resumir en un par de puntos de datos de, ya sabes, los 10 aproximadamente que tenemos aquí. |
| |
Así es... así es como se ve una función propia |
| |
para estos datos. Entonces sacamos dos. El primero explica alrededor del 77% de la variación y le da el mayor peso al principio y al final. Y |
| |
Esto es, como era de esperar, resumir eso, ya sabes, es cuantificar la pendiente de estos datos. Mientras que la segunda función propia da el mismo peso sobre... sobre toda la entrada y eso es cuantificar esa diferencia en la media. |
| |
Ahora queremos convertir estas funciones propias, usarlas con nuestros datos y obtener un resumen rápido que queremos usar para explicar las diferencias entre estas funciones. Entonces |
| |
Tomando la función 2 como ejemplo, multiplicamos esta función por esta primera función propia. Obtendremos una función que tiene muchos números negativos. |
| |
Entonces, si piensas, ya sabes, tomando la integral de esto, simplemente sumando todos esos números negativos, obtendrás un número negativo bastante grande. |
| |
Entonces podemos ver cómo este primer componente realmente captura las diferencias. Entonces, el número 10, cierto, era un número positivo grande, y entonces podemos... podemos ver en nuestros datos que también tenía ese tipo de pendiente positiva grande. |
| |
Y una idea similar para el segundo componente, donde tenemos promedios generales más altos versus más bajos. |
| |
Y, una vez que tengamos estas dos cosas, podremos volver a nuestra función original. |
| |
Agregando una media general, solo tomamos la puntuación del primer componente principal funcional, mirando aquí la Función 1. Lo multiplicamos por la primera función propia. |
| |
y luego sumamos la puntuación del segundo componente principal funcional, multiplicamos por la segunda función propia y |
| |
eso va a recrear este primero. En un proceso similar, usar las puntuaciones con la segunda función nos permite |
| |
reconstruir o aproximar esas funciones. Entonces puedes ver dónde, está bien, si somos capaces de construir modelos para estos puntajes FPC, |
| |
Podemos, ya sabes, entender cómo los factores DOE los cambian, en cuyo caso eso está cambiando la forma de nuestra función alfa y algo así como el primer escenario que analizamos. |
| |
Entonces, veamos por qué la PCA funcional directa. De nuevo, ¿qué fue lo que motivó a hacer esto? Entonces, si ha usado FDE antes, |
| |
Las opciones de modelado que tenemos se consideran modelos de funciones básicas. Y en estos casos, realmente... primero están suavizando los datos, así que vamos a ajustar el modelo, vamos a obtener una función fluida con la que podemos operar. Pero parte del problema es que es posible que tengamos muchos |
| |
Hay muchas cosas que tenemos que afinar. Entonces, en el caso de B spline, tenemos que elegir, ya sabes, qué es lo mejor. |
| |
ya sabes, ¿el grado del polinomio a usar en el spline, o cuántos nudos deberíamos tener? Y les damos algunos valores predeterminados para eso, pero también les permitimos cambiar las ubicaciones de esos nudos. Y esto es genial y funciona en muchos casos. |
| |
pero a medida que se obtienen tamaños de muestra más grandes o funciones más complejas, esto podría llevar mucho tiempo y es posible que esté en camino de ajustar realmente todas las ubicaciones de estos nudos. |
| |
Pero la forma en que funciona FDE ahora es que ajustamos el modelo, realizaremos FPCA en los coeficientes de esos modelos y existe una buena relación entre, |
| |
Ya sabes, ahora nuestras funciones propias tienen la misma forma que el modelo de nuestros datos. Así que hay muchas cosas buenas que vienen con esto, pero ya sea que se trate de computación costosa o simplemente que los modelos no funcionan bien, necesitábamos otro enfoque. |
| |
Y entonces |
| |
El enfoque anterior es suavizar los datos primero, y ahora estamos pensando, está bien, tomemos los datos tal como están. Operemos directamente sobre eso. |
| |
Y luego a partir de ahí suavicemos las funciones propias que obtenemos. Así que esta no es una comparación justa, ya sabes, de manzanas con manzanas, pero con B splines en comparación con FPCA directa,... tenderás a notar que el |
| |
Las funciones propias que se obtienen son un poco más fluidas con FPCA directa y eso se debe a la forma en que queríamos que fuera un poco más fluido. ¿Es este pequeño artefacto aquí realmente tan importante? |
| |
La FPCA dice que tal vez no lo sea. Creo que realmente está capturado en la última función propia, donde no explica gran parte de la variación. Estamos teniendo algunos baches extraños aquí. |
| |
Ya sabes, un experto tal vez debería analizar esto y decir, no, eso es realmente real, pero lo más probable es que tal vez no deberíamos darle mucha importancia a esta función propia. |
| |
Probablemente no lo use. |
| |
Entonces, el algoritmo que usamos para ajustar el modelo PCA funcional directo es similar en espíritu a este método de Rice y Silverman, principalmente porque es un proceso iterativo. Entonces lo que hacemos es, ya sabes... |
| |
Primero debo mencionar que los datos deben estar en una cuadrícula regular. Entonces, si no tiene sus datos en una cuadrícula regular, los interpolaremos directamente por usted. También tenemos algunas opciones... opciones de pasos de procesamiento de datos llamadas reducir que puedes |
| |
se aplican para controlar con precisión la red en la que operamos. |
| |
Pero en nuestro procedimiento tomaremos una función propia. |
| |
Podemos simplemente pedir el primer primer componente. |
| |
Coloque un modelo muy suavizado y luego solicite el siguiente. |
| |
Y una vez que hayamos suavizado el siguiente, debemos hacer algunos ajustes para que sepamos las propiedades de ortogonalidad que queremos. |
| |
Pero la idea aquí es que estamos... hemos tomado un problema en el que intentamos suavizar muchas funciones diferentes para primero hacer que los modelos funcionen, donde ahora vamos a |
| |
Realmente centramos nuestros esfuerzos en suavizar estas funciones propias una a la vez. Y tenemos una cantidad mucho menor de ellos, por lo que esto hace que esta técnica sea mucho más rápida para grandes conjuntos de datos que las soluciones existentes en JMP. |
| |
Entonces, el ejemplo que voy a repasar es un proceso de fabricación y solo para darles una idea de las aceleraciones, |
| |
Si, en el mejor de los casos, supiera el modelo P spline exacto que desea utilizar para estos datos, le tomaría tres veces más tiempo ajustar esos modelos que la solución FPCA directa lista para usar. |
| |
Donde está la diferencia, no necesariamente sabes cuáles serán esos modelos, por lo que tienes que tomarte tiempo para adaptar varios modelos y ahora realmente te has tomado mucho tiempo en relación con lo que hará la FPCA directa. . |
| |
Pero entonces este ejemplo |
| |
mira específicamente un paso en el que unimos vidrio a una oblea. |
| |
Y este proceso, ya sabes, hay como un vacío que lo rodea, hay algunas herramientas, todo está colocado en este mandril, y |
| |
este proceso se ejecuta y, desafortunadamente, alrededor del 10% de ellos se destruyen, pero esto se encuentra en la mitad del proceso y no lo sabes hasta semanas después. |
| |
que fueron destruidos. Entonces nuestro objetivo es... tenemos sensores que recopilan datos a través de este proceso, queremos intentar usarlos para identificar obleas de las que podemos deshacernos. |
| |
temprano. Tal vez haya un subconjunto del que podamos deshacernos, por lo que no podemos gastar más dinero en ellos, por lo que el objetivo es intentar identificarlo utilizando los datos de nuestro flujo de sensores. |
| |
Así que ahora iré a JMP. |
| |
Y tengo un diario, por lo que todas estas fuentes estarán disponibles en la página de la Comunidad, pero abriré este conjunto de datos. |
| |
Y lo lanzaré |
| |
Explorador de datos funcionales desde el menú de análisis de modelado especializado. |
| |
Así que repasemos cada una de estas columnas. Entonces tenemos la identificación de la oblea, así que esto es simplemente nuestro... |
| |
agrupa nuestras diferentes funciones. |
| |
La condición, entonces, ya sabes, ¿fue buena o mala? Entonces queremos |
| |
guárdelo, queremos usarlo más adelante, así que lo pondremos como una variable suplementaria y eso le dice a FDE, ya sabe, cuando guardemos cosas en el futuro, siga adelante y traiga eso con él. |
| |
carga, el flujo, la fuerza del pistón, el vacío y este voltaje |
| |
como parte de este proceso. |
| |
Para iniciar FDE, |
| |
simplemente nos desplazamos y vemos, ya sabes, los mostré antes, pero estos son todos los diferentes tipos de datos que tenemos y |
| |
necesariamente... puede ser posible que no todos los modelos encajen, ¿sabes? El mismo modelo que se ajusta a esto tal vez no se ajuste, ya sabes... el mismo modelo que se ajusta a la carga tal vez no se ajuste al flujo también. |
| |
Pero la FPCA directa los analiza individualmente y los maneja por nosotros. Antes de pasar a eso, quiero mostrar esta opción de reducción que mencioné. Así que por defecto... |
| |
Bueno, aquí hay tres pestañas. Puede colocarlo directamente en una cuadrícula espaciada uniformemente, puede agruparlo en observaciones o puede eliminar cada |
| |
enésima variable para completarla. Estos datos están en una cuadrícula. Realmente no tenemos que hacer nada, pero podríamos, ya sabes, decir "está bien, hagamos esto" y, de forma predeterminada, te dará la mitad del conjunto de datos original. |
| |
Ahora que lo has quitado y las formas siguen siendo prácticamente las mismas. En este caso no tenemos que hacerlo, sigue siendo rápido, pero si tus datos tampoco |
| |
Si aún no estás en una cuadrícula, o simplemente tienes muchos, al usar Reducir aún puedes capturar las características clave. Realmente es algo que vale la pena explorar. |
| |
Entonces, dado que tenemos varios ???, iré a esta opción de grupo FDE |
| |
y lanzar PCA funcional directo. |
| |
Y pues, esto ha tardado unos segundos, pero es para que cada uno ajuste un modelo. |
| |
cargar. Podemos adaptarnos, funciona razonablemente bien y tenemos diagnósticos disponibles. |
| |
Tenemos una opción de selección de modelo para informarle, cambiar la cantidad de puntajes FPC. Hemos identificado cuatro como los mejores para este caso particular y para la mayoría de los demás que en realidad eligen solo uno. |
| |
Pero si ha usado FDE antes, verá estos resúmenes funcionales familiares, pero no hay nada... no tenemos nada más. No existe ningún modelo anterior. Esto es algo así... |
| |
PCA funcional es el modelo y estamos enfocados completamente en eso, en lugar de otras cosas que necesariamente tuvimos que ajustar antes |
| |
en mis parcelas de puntuación y perfiladores. Entonces, al desplazarnos por estos, podemos ver que, como usted sabe, aparentemente encajan bastante bien. |
| |
Fuerza del pistón... y dije que, ya sabes, muchos de estos terminan eligiendo solo uno. Quiero decir que esto explica casi todas las variaciones en ese caso. |
| |
Bueno. |
| |
Bien. De nuevo, voltaje, así que el último. |
| |
Entonces, si volvemos a esta opción de grupo podremos guardar los resúmenes de todas estas funciones. Así que ahora hemos utilizado FDE de manera efectiva y bastante rápida para |
| |
cargue nuestros datos y tome todas esas funciones y resúmalas en solo unos pocos resúmenes para cada una. |
| |
Pero los principales que nosotros |
| |
son los que más les interesan, principalmente porque simplemente están resumiendo la variación en las formas, o estos puntajes FPC. |
| |
Pero todavía hay información sobre cosas que la gente, ya sabes, antes de la FDE, ¿qué harían? Tomas la media, o miras las desviaciones estándar u otros resúmenes, y estas cosas todavía tienen valor, así que creo que es bueno, ya sabes, nosotros, por defecto, los incluimos. |
| |
Tenemos algunos guiones. Entonces, todos los scripts que tenía en su tabla de datos original también se incluirán, pero también agregamos estos scripts de perfilador para que pueda iniciarlos y ver, está bien, ya que estoy cambiando mis puntajes de FPC, ¿qué significa eso? |
| |
Y ayude a desarrollar una idea de ello. |
| |
Entonces, lo que queremos hacer ahora es intentar predecir esa condición, buena o mala. Así que voy a utilizar la regresión generalizada sólo porque creo que es una muy buena opción. |
| |
método para no sólo ajustar estos modelos, sino también interpretarlos. |
| |
Pero realmente te vendría bien cualquier cosa. Podrías conseguir una red neuronal, podrías hacer cualquier otra cosa. Una vez que haya... una vez que haya guardado esta tabla, podrá utilizar el resto de JMP. |
| |
por cómo sientes que podrías modelarlo mejor. Así que tomaré todos estos resúmenes y haré simplemente un factorial de grado dos. |
| |
Entonces intentamos predecir la condición final y usaremos el conjunto de datos de validación. |
| |
Y nos centramos en si fue malo o no. |
| |
Y realmente esta es probablemente la sección de informática más larga de todo esto. Haremos un Lasso de forma predeterminada usando esta columna de validación. Quiero decir, se necesita, yo |
| |
Piensa, alrededor de 5 a 10 segundos. |
| |
Siempre puedes detenerlo temprano si lo deseas, pero sabes que le estamos brindando un conjunto bastante bueno de características y analizando las interacciones entre ellas para intentar descubrirlo. |
| |
ya sabes, la mejor manera de intentar predecir esta condición. |
| |
El... |
| |
casi termino. |
| |
Simplemente está creando el informe ahora y, una vez que obtenga este modelo, también verá cosas que parecía que no estaban mapeadas. |
| |
Así que, personalmente, soy partidario de observar los parámetros de forma centrada y escalada para, ya sabes, ayudar a comprender mejor las diferencias de magnitud. |
| |
Pero algunos de estos, ya sabes, como este puntaje FPC, pensé, ya sabes, en realidad no es informativo, mientras que FPC 2 y 3 para el cargo. |
| |
son más útiles, así que puedes ordenarlos y ver, ya sabes. Y algo así como lo describí, cosas como |
| |
Resúmenes simples de medias, mínimos o desviaciones estándar, dan información, pero también vemos que definitivamente hay mucha información en los resúmenes de... |
| |
de las formas de estas funciones utilizando estas puntuaciones FPC. Entonces iré al otro lado, mientras que la desviación estándar del flujo parece ser muy importante y creo, |
| |
Ya sabes, otra razón por la que me gusta esto es que si estás a cargo de este proceso y tienes control sobre la desviación estándar del flujo, |
| |
esto puede ayudarte, ya sabes, tal vez no necesites saber cuál es el primer paso, bueno, oye, tal vez tengamos una parte de esto y podamos |
| |
mejorar antes de construir un modelo, decir bien, ahora simplemente descartémoslos. Entonces digamos que hemos hecho eso, donde este es nuestro modelo, queremos intentar construir una heurística |
| |
bueno o malo. ¿En qué momento quiero seguir adelante y descartarlo? Entonces, guardemos las columnas para la fórmula de predicción, y esto se guardará nuevamente en esa tabla de resúmenes. Entonces GenReg nos dará la condición de probabilidad mala, probabilidad buena y más probable. |
| |
Y entonces podemos... podemos detenernos aquí y decir: "Está bien, si está por encima de 0,5, veámoslo más de cerca, o si está por encima, no sé, 0,75, eso se siente bien". Vamos...tal vez no valga la pena sólo por el |
| |
coste del resto del proceso. Ya sabes, tal vez elijas esa probabilidad en función de las implicaciones del mundo real. |
| |
O podríamos dejar que un modelo de partición nos ayude a resolverlo, así que lo que vamos a usar ahora es esta probabilidad como factor. Sólo estamos diciendo que está bien, |
| |
Podría mirar esto a mano y tener un modelo que me ayude a intentar descubrir, ya sabes, cómo se van a agrupar estas condiciones. Y entonces tomaremos esto, mantendremos nuestros conjuntos de datos de validación para que no estemos en una especie de doble inmersión. |
| |
Así que ahora todos nuestros azules son malos y los rojos son buenos, así que afortunadamente, en general, la mayoría de ellos son buenos. |
| |
Pero hagamos una división. Entonces, si esta probabilidad de ser malo es menor que 0,1, es muy probable que sea bueno. La mayoría de nuestros males están en esto mayores que .1. Que tiene sentido. Dividir de nuevo. Ahora realmente estamos viendo... muchos de ellos están realmente en esto |
| |
es la probabilidad superior a 0,25. Nos dividiremos una vez más y |
| |
Al menos para los datos de entrenamiento, encaja bastante bien que, oye, todos ellos con arriba de .6, todos son malos. Sabes, realmente no esperas que eso suceda. |
| |
en realidad, y este entrenamiento o esta validación R cuadrado resalta que, como la mayoría de los modelos, puedes hacerlo mejor en el conjunto de entrenamiento que en el conjunto de datos de validación. |
| |
Pero ahora nos está dando, ya sabes, sentí que .75 era bueno, pero en realidad esto dice que tal vez realmente necesitemos concentrarnos en aquellos que son .6 o más. |
| |
Y entonces, esto es, ya sabes, un poco... |
| |
Supongo que ahora hemos llegado al punto en el que ya sabes, estos eran datos simulados. En el caso del mundo real, esto fue muy útil, cosas como interpretar, ya sabes, ¿podemos... podemos mejorar nuestro proceso? También fue útil, no solo en esto, sino en otros conjuntos de datos de muestra que tenemos. |
| |
Volvamos a las diapositivas. |
| |
Bien, repasé y resumí qué es el PCA funcional, más o menos lo que motivó este nuevo enfoque directo de FPCA y les mostré cómo usarlo en un ejemplo en el que intentamos, ya saben, descartar cosas al principio de este proceso. proceso de manufactura. |
| |
Entonces, algunos consejos finales son, ya sabes,... la computación rápida lo hace ideal para grandes conjuntos de datos. De alguna manera, puedes empezar por ahí |
| |
y decir, está bien, ¿qué piensa la FPCA directa? Es tan rápido que no tengo que saber manipular los controles del modelo. En cierto modo, si tiene una gran cantidad de datos, es un excelente lugar para comenzar. |
| |
Pero no es perfecto, ¿sabes? Mostré algunos diagnósticos y puedes ver si no encaja bien y como cualquier modelo, solo porque fue rápido no significa que fuera bueno. Así que asegúrate de estar |
| |
identificando posibles problemas y tal vez necesite un enfoque diferente. Quiero decir que tenemos otros modelos de funciones de base par que estamos |
| |
trabajando para tipos de datos muy particulares que, ya sabes, incluso este enfoque no necesariamente funciona tan bien como, ya sabes, estos modelos muy específicos. |
| |
Y eso es, ya sabes... parte de esto es que los datos deben estar en una cuadrícula y tratar de usar reducir para ayudarte a controlar esa cuadrícula, si parece que las cosas son demasiado lentas o en realidad no lo hacen. En cierto sentido, tal vez lo que estamos haciendo de forma predeterminada no es lo que es bueno para sus datos como |
| |
como lo que puedes hacer tú mismo. |
| |
Muchas gracias por venir y responderé cualquier pregunta si alguien tiene algo. |
