nav[aria-label="Primary Navigation"] { padding: 0; & ul { list-style: none; width: 100%; display: flex; flex-direction: row; justify-content: start; align-items: start; gap: 30px; padding: 0; & li { margin: 0; } & ul li { list-style: none; } } }

398753_ko-KR

liliconcom

Functional Data Explorer에서 Direct Functional PCA를 사용한 기능 데이터 분석(2021-US-30MP-913)

레벨: 고급

Ryan Parker, JMP 수석 연구 통계 개발자

JMP Pro 16에서는 DFPCA(Direct Functional PCA) 모델링 옵션이 FDE(Functional Data Explorer)에 추가되어 기초 함수 모델을 먼저 맞추지 않고도 기능적 PCA를 수행할 수 있는 방법을 제공합니다. 이 접근 방식은 더 큰 기능 데이터를 보다 쉽게 처리할 수 있을 뿐만 아니라 기능 데이터 분석에 대한 보다 손쉬운 접근 방식을 제공합니다.이 프레젠테이션에서는 DFPCA의 작동 방식을 자세히 설명하고 DFPCA를 사용하여 기능 데이터를 분석하는 방법과 시기를 강조하는 예를 제시합니다.

자동 생성된 성적표...

스피커	성적 증명서
브렌든 리어리	네가 옳아.
라이언 파커, JMP	당신은.
	여기.
	난 괜찮아.
	내 말을들을 수 있습니다.
브렌든 리어리	네 말이 들려 알았어, 내 말이 들려 알았어.
	응 알았어 좋아 오디오 잘 들렸어 만나서 반가웠어
	분명히 이렇게 하면 당신은 Chris를 위해 일하게 됩니다.
	굉장해요.
라이언 파커, JMP	수석 데이터 과학자가 맞습니다. 그래서 저는 그럴 권리가 있습니다.
브렌든 리어리	정말 큰 제목이군요.
	바로 거기.
	응.
브렌든 리어리	그리고 당신은 선임 연구통계학자이시군요. 주위를 둘러보니 당신 얼굴을 본 것 같은데 만날 기회가 없었는데 만나서 너무 반가웠어요.
라이언 파커, JMP	너무 그럼 당신은 어디에 있나요?
브렌든 리어리	뉴저지에 거주하며 뉴욕과 뉴저지 프로젝트에 여러분을 초대하겠습니다.
	엄청난.
브렌든 리어리	저는 현장에서 즐거운 시간을 보내고 여러분이 만든 좋은 제품을 모두 자랑하게 됩니다.
	내 생각엔 당신이 완벽하다고 생각해요.
	그래서 우리가 여기서 시작하면서 제가 할 때 몇 가지 일이 있습니다.
	먼저 모든 휴대 전화 컴퓨터 알림이 모두 꺼지면 마이크가 좋아 보이는지 먼저 살펴보겠습니다.
라이언 파커, JMP	하고 싶다.
	방해하지 마세요. 컴퓨터를 다시 확인해 보겠습니다.
	응, 뭐든지 방해하지 마.
브렌든 리어리	좋아요, 팬이 돌아가는지 같은 소리는 들리지 않습니다.
라이언 파커, JMP	그렇긴 한데, 당신은 그걸 듣지 못해요.
	아니요.
브렌든 리어리	애완동물을 치워두는 경우도 있으니 안 됩니다.
라이언 파커, JMP	그건 그냥.
	단지 어린 아이들일 뿐이지만 그들은 주변에 없을 것입니다.
브렌든 리어리	개 사고가 있었는데, 제가 마지막으로 했던 사건은 그게 전부입니다.
	좋아, 좋아, 디스플레이를 보자. 음, 당신은 Windows를 사용하고 계시나요, 아니면 MAC을 사용하고 계시나요?
	MAC 디스플레이 설정이 무엇인지 아시나요? MAC에 있다면 괜찮을 것입니다. 일반적으로 그들은 1920 x 10 at을 요구했습니다.
라이언 파커, JMP	그만큼.
브렌든 리어리	단지 해결을 위한 것이지만 괜찮을 것 같습니다.
라이언 파커, JMP	응 괜찮을 거야 알았어, 나.
브렌든 리어리	JMP 저널에만 사용할 내용을 보여주고 싶나요, 아니면 PowerPoint에도 사용할 수 있나요?
라이언 파커, JMP	그래서 데스크탑을 공유하는 것이 가장 좋은 방법이라는 것을 알려드리겠습니다.
브렌든 리어리	응.
라이언 파커, JMP	아니면 공유하고 싶나요?
	한 번에 하나씩 확대/축소를 숨기는 가장 쉬운 방법일 것입니다.
	그럼 이것이 어떻게 보이는지부터 살펴보겠습니다.
브렌든 리어리	엄청난.
라이언 파커, JMP	좋아요, 이 슬라이드 필름은 이상한 내용이 나오지 않는지 확인하기 위해 매우 빠르게 촬영됩니다.
브렌든 리어리	당신은 펑키 애니메이션을 잘 알고 있습니다.
라이언 파커, JMP	네, 이상한 애니메이션은 없습니다. 그런 다음 JMP 및 개방형 설정 상태로 이동하겠습니다.
	그리고 거기에서 발사.
브렌든 리어리	완벽해요 좋아요, 제 생각에는 우리가 좋은 것 같아요. 제가 유일하게 언급한 것은 JMP를 시작하기 전에 세부사항까지 녹음할 것이라는 점입니다.
	따라서 실수를 하거나 실수를 하고 싶다면 다시 시작해야 합니다.
	하지만 시작하기 전에 몇 초만 시간을 내어 머릿속으로 3~5초부터 카운트다운하세요.
	좋습니다. 시작 부분과 끝 부분에 약간의 공백이 있으므로 뒤집을 수 있습니다.
라이언 파커, JMP	그렇죠, 그렇죠.
브렌든 리어리	그게 제가 가진 전부이므로 계속해서 음소거를 설정하고 마지막으로 JMP에서 일합니다. 꼭 그럴 필요는 없을 것 같지만 안전을 위해 읽어보겠습니다.
	귀하는 이 녹음이 JMP Discovery Summer Conference에서 사용하기 위한 것이며 JMP 사용자 커뮤니티에서 공개적으로 이용 가능하다는 점을 이해합니다. 이 녹음에 대한 권한을 부여하시겠습니까?
라이언 파커, JMP	그렇군요 공유 부탁드립니다.
브렌든 리어리	퍼킨슨이 나에게 화를 낼 수 없을 경우를 대비해서 나는 널리 보도되었다.
라이언 파커, JMP	그래, 배우자 중에 '야, 무슨 짓을 했는지' 같은 사람이 있잖아.
브렌든 리어리	당신은 내가 알고 있다는 것을 알고 있습니다.
	멋지다 라이언, 고마워요. 머릿속에서 음소거 카운트다운을 하면서 비디오 홉을 시작하고 준비가 되면 시작하세요.
라이언 파커, JMP	좋아요, 그리고 아시다시피 제 생각에는 대략 20분 정도 시간이 맞는 것 같아요.
	왜냐면 총 30개가 맞는 것 같은데, 좀 주고 싶어 했기 때문이죠.
	추가 시간.
브렌든 리어리	네, 간결함이 완벽합니다. 음 이상적으로 들리는 Q 앰프에 시간을 주셨네요.
라이언 파커, JMP	알았어, 좋아.
	좋은 것 같아요.
	음, 오늘 와주셔서 감사합니다. 내 이름은 라이언 파커입니다. 나는
	직접 기능적 PCA.
	이는 기능적 데이터를 분석하는 새로운 방법입니다. 그리고 저는 우리의 최고 데이터 과학자인 Chris Gotwalt가 FDE 개발뿐만 아니라
	또한 이 새로운 도구와 Rajneesh의 테스트 팀도 있습니다. 그들의 작업은 일반적으로 눈에 띄지 않지만 오늘날 우리가 있는 이유의 큰 부분을 차지합니다.
	따라서 저는 여러분이 FDE를 사용했거나 기능적 데이터가 무엇인지조차 모른다고 가정하지 않을 것입니다.
	그러니 처음부터 시작하여 우리 모두가 같은 페이지에 있는지 확인하십시오. 기능적 데이터...실제로 우리는 그것을 입력 X가 있는 모든 것으로 생각합니다. 이 경우에는 온도 데이터가 있습니다. 우리의 입력은 주이므로 측정됩니다.
	연중 매주. 그리고 출력 Y는 이 온도입니다.
	따라서 해결 방법을 찾기 위해 샘플링을 할 수도 있고 매일 또는 매 시간마다 샘플링할 수도 있지만 일반적인 생각은 완전히 샘플링하지 않았다는 것입니다.
	전체 기능. 샘플링을 통해 작업할 수 있는 방법이 있습니다. 그리고 실제로 모든 경우에
	우리가 신경쓰는 점은 하나의 기능을 사용할 수도 있지만, 여러 가지 기능을 갖는 것도 생각해 보고 싶다는 것입니다. 그래서 우리는 매주 기온을 포착하는 여러 기상 관측소를 가지고 있습니다.
	따라서 여기에 매주 채워져 있지만 반드시 FDE의 기능을 가질 필요는 없습니다. 몇 달 동안 샘플 포인트가 있을 수도 있고 그렇지 않을 수도 있습니다. 다른 곳에서 샘플링할 수 있습니다. 시간 위치.
	하지만 꼭 그럴 필요도 없습니다... 여러분의 입력이 전통적인 의미의 시간일 필요는 없습니다. 어쩌면 온도일 수도 있고 출력으로 측정의 명확성을 얻었을 수도 있습니다.
	아시다시피 우리는 그것을 지지합니다.
	이것은 실제로 입력이 있고 출력이 있다는 매핑입니다. 아니면 스펙트럼 설정에 있고 모든 입력이 파장이고 이제 출력이 강도일 수도 있습니다.
	직접적인 기능을 하는 PCA를 설명하기 위해 보여드릴 예에서는 여러 데이터 스트림과 여러 기능이 있습니다.
	다른...다른 기능이지만 다른 출력이 있습니다. 우리는 전하, 피스톤 힘, 전압 및 진공을 갖고 있으며 이 모든 것을 하나로 모으고 싶습니다.
	분석해 보세요.
	따라서 이러한 종류의 데이터는 기능적 데이터 탐색기 개발에 동기를 부여하는 데 도움이 됩니다.
	그리고 우리가 궁금해하는 두 가지 주요 질문이 있습니다.
	우리는 보통 대답할 때 이 단어를 사용합니다. 첫 번째는 실험 설정의 기능적 설계입니다. 이 설정에는 우리가 시도하고 관련시키고 싶은 요소가 있습니다.
	우리의 응답 기능에. 따라서 이 경우에 우리는 이 응답 기능을 특정 방식으로 형성하는 방법에 정말로 관심이 있습니다.
	따라서 이러한 요소를 기능에 연결할 수 있으며, 이 경우 우리는...우리 기능이 가능한 한 오랫동안 녹색 사양 영역에 유지되기를 원했고 FDE를 사용하면...도울 수 있습니다. 그렇게.
	또 다른 일반적인 경우는 우리가 기능적 기계 학습이라고 부르는 것인데, 이 경우 우리는 우리의 기능을 더 많은 것으로 생각하고 싶습니다.
	무언가에 대한 입력. 따라서 우리 프로세스에서 이 발효 프로세스 데이터의 경우 최종 결과나 최종 생산량을 얻을 수 있습니다.
	그래서 우리는 이러한 기능의 형태를 요약하고 싶습니다. 이를 예측 모델의 입력으로 사용하면 무엇이 최선의 결과를 가져올지 파악하는 데 도움이 됩니다.
	그래서 실제로 여러분이 플레이하려는 큰 게임은 기능적 PCA이고 기능적 PCA가 수행하는 작업은 데이터를 요약하는 것입니다.
	그래서 저는 여기에 그들이 모두 서로 다른 페어링 기울기를 가지고 있다는 것을 쉽게 알 수 있는 아주 간단한 예를 가지고 있습니다.
	그리고 그 수단이 각각 조금씩 다르다는 것을 알기가 조금 더 어려울 수도 있습니다. 그래서 우리의 목표는 이것이 동기를 부여하는 것입니다. 이것은 이것을 시도하고 요약하는 것입니다.
	간단한 사례를 사용하여 이를 어떻게 더 복잡한 상황으로 확장할 수 있는지 알아보세요.
	그래서 우리가 할 때 ??? 합성, 우리는 가능한 한 많은 함수 대 함수 변이를 설명할 직교 고유 함수를 얻을 것입니다.
	그리고 일단 이를 확보하면 이를 사용하여 우리가 수행하는 모든 기능에서 요약을 추출할 수 있습니다.
	예측 모델링에 사용할 수 있습니다. 그래서 우리는 매우 복잡한 모양을 취합니다. 이 경우에는 매우 복잡하지는 않지만 여기에 있는 10개 정도의 데이터 포인트 몇 개로 요약하겠습니다.
	이것은...고유함수는 다음과 같습니다.
	이 데이터를 위해. 그래서 우리는 두 개를 꺼냈습니다. 첫 번째는 변형의 약 77%를 설명하고 맨 처음과 맨 끝 부분에 가장 큰 비중을 둡니다. 그리고
	이것은 여러분이 예상할 수 있듯이 이러한 데이터의 기울기를 정량화한다는 것을 요약한 것입니다. 두 번째 고유 함수는 전체 입력에 대해 동일한 가중치를 부여하는 반면, 이는 평균의 차이를 정량화하는 것입니다.
	이제 우리는 이러한 고유 함수를 변환하여 데이터와 함께 사용하고 이러한 함수 간의 차이점을 설명하는 데 사용하려는 빠른 요약을 얻으려고 합니다. 그래서
	예를 들어 함수 2를 사용하여 이 함수에 이 첫 번째 고유 함수를 곱합니다. 우리는 음수가 많은 함수를 얻게 될 것입니다.
	그래서 만약 여러분이 이것의 적분을 생각하고, 모든 음수를 더하는 것에 대해 생각한다면, 여러분은 상당히 큰 음수를 얻게 될 것입니다.
	따라서 우리는 이 첫 번째 구성 요소가 실제로 차이점을 어떻게 포착하는지 확인할 수 있습니다. 그래서 숫자 10은, 그렇죠, 큰 양수였습니다. 그래서 우리는...우리 데이터에서 이 숫자도 그런 종류의 큰 양의 기울기를 가지고 있다는 것을 다시 볼 수 있습니다.
	그리고 두 번째 구성요소에 대한 비슷한 아이디어가 있습니다. 여기서는 전체 평균이 더 높고 더 낮습니다.
	그리고 이 두 가지가 있으면 원래 기능으로 돌아갈 수 있습니다.
	전체 평균을 추가하면 여기서 함수 1을 보고 첫 번째 기능적 주성분 점수를 얻습니다. 여기에 첫 번째 고유 함수를 곱합니다.
	그런 다음 두 번째 기능적 주성분 점수를 추가하고 두 번째 고유 함수를 곱합니다.
	이 첫 번째 것을 다시 만들 것입니다. 유사한 과정에서 두 번째 함수와 함께 점수를 사용하면 다음을 수행할 수 있습니다.
	해당 기능을 재구성하거나 근사화합니다. 따라서 이러한 FPC 점수에 대한 모델을 구축할 수 있는 위치를 확인할 수 있습니다.
	우리는 DOE 요인이 어떻게 변화하는지 이해할 수 있습니다. 이 경우 알파 함수의 모양과 우리가 살펴본 첫 번째 시나리오가 변경됩니다.
	그렇다면 왜 직접 기능적 PCA인지 살펴보겠습니다. 또, 이 일을 하게 된 동기는 무엇입니까? 따라서 이전에 FDE를 사용해 본 적이 있다면
	우리가 가지고 있는 모델링 옵션은 기본 기능 모델로 간주됩니다. 그리고 이러한 경우에는 실제로... 먼저 데이터를 평활화하여 모델을 적합하게 하고, 작동할 수 있는 평활 함수를 얻게 됩니다. 하지만 문제의 일부는 우리가
	우리가 조정해야 할 많은 것들이 있습니다. 따라서 B 스플라인의 경우 무엇이 가장 좋은지 선택해야 합니다.
	스플라인에 사용할 다항식의 정도, 또는 얼마나 많은 매듭을 가져야 합니까? 이에 대한 몇 가지 기본값을 제공하지만 매듭 위치를 변경할 수도 있습니다. 이는 훌륭하고 많은 경우에 효과적입니다.
	그러나 샘플 크기가 커지거나 기능이 더 복잡해지면 시간이 많이 걸릴 수 있으며 이러한 매듭의 모든 위치를 실제로 조정하는 것이 순조롭게 진행될 수 있습니다.
	하지만 이제 FDE가 작동하는 방식은 모델을 피팅하는 것입니다. 해당 모델의 계수에 대해 FPCA를 수행하면 다음과 같은 좋은 관계가 있습니다.
	아시다시피 이제 고유 함수는 데이터 모델과 동일한 형식입니다. 그래서 여기에는 좋은 것들이 많이 있지만 비용이 많이 드는 컴퓨팅이든 모델이 제대로 작동하지 않든 간에 우리는 또 다른 접근 방식이 필요했습니다.
	그래서
	이전 접근 방식은 먼저 데이터를 평활화하는 것이었습니다. 이제 우리는 데이터를 있는 그대로 가져가자고 생각하고 있습니다. 그것에 대해 직접 작업해 봅시다.
	그리고 거기에서 우리가 얻는 고유 함수를 평활화해 봅시다. 따라서 이것은 공평하지 않습니다. 사과 대 사과 비교를 알지만 직접 FPCA와 비교한 B 스플라인을 사용하면...
	여러분이 얻는 고유 함수는 직접 FPCA를 사용하면 좀 더 부드러워지며 이는 우리가 좀 더 매끄럽게 되기를 바라는 방식의 본질입니다. 여기 있는 이 작은 유물이 정말 그렇게 중요한가요?
	FPCA는 그렇지 않을 수도 있다고 말합니다. 나는 그것이 많은 변화를 설명하지 않는 마지막 고유 함수에서 실제로 포착되었다고 생각합니다. 여기서 이상한 충돌이 발생합니다.
	아시다시피, 전문가는 이것을 분석하고 그것이 실제로는 사실이 아니라고 말해야 할 것입니다. 그러나 아마도 우리는 이 고유 함수에 많은 비중을 두어서는 안 될 것입니다.
	아마 사용하지 않을 것 같습니다.
	따라서 직접 기능적 PCA 모델을 맞추기 위해 사용하는 알고리즘은 주로 반복 프로세스라는 점에서 Rice 및 Silverman 방법과 정신적으로 유사합니다. 그래서 우리가 하는 일은...
	먼저 데이터가 일반 그리드에 있어야 한다는 점을 언급하고 싶습니다. 따라서 일반 그리드에 데이터가 없는 경우에는 직접 보간해 드립니다. 또한 몇 가지 옵션도 있습니다...Reduce라는 데이터 처리 단계 옵션을 통해 다음을 수행할 수 있습니다.
	우리가 운영하는 그리드를 미세하게 제어하는 데 적용됩니다.
	하지만 우리 절차에서는 하나의 고유 함수를 사용하겠습니다.
	우리는 첫 번째 첫 번째 구성 요소를 요청할 수 있습니다.
	매우 적합하고 거기에 스무딩 모델을 맞춘 다음 다음 모델을 요청하세요.
	그리고 다음 항목을 평활화한 후에는 우리가 원하는 직교성 속성을 알 수 있도록 몇 가지 조정을 해야 합니다.
	하지만 여기서의 아이디어는...우리는 먼저 작업할 모델을 얻기 위해 다양한 기능을 원활하게 하려고 노력하는 문제를 해결했다는 것입니다.
	이러한 고유 함수를 한 번에 하나씩 부드럽게 만드는 데 노력을 집중하세요. 그리고 그 수가 훨씬 적기 때문에 JMP의 기존 솔루션보다 대규모 데이터 세트에 대해 이 기술이 훨씬 더 빠릅니다.
	제가 다루려는 예는 제조 공정에 대한 것으로 속도 향상에 대한 아이디어를 제공하기 위한 것입니다.
	일종의 최선의 시나리오에서 이러한 데이터에 사용하려는 정확한 P 스플라인 모델을 알고 있다면 해당 모델을 맞추는 데 기본 제공되는 직접 FPCA 솔루션보다 3배의 시간이 더 걸릴 것입니다.
	차이점은 해당 모델이 무엇인지 반드시 알 수 없기 때문에 여러 모델을 맞추는 데 시간이 걸리므로 이제는 직접 FPCA가 수행할 작업에 비해 시간이 많이 걸립니다. .
	하지만 이 예는
	유리를 웨이퍼에 접착하는 단계를 구체적으로 살펴보겠습니다.
	그리고 이 과정은 주변에 진공이 있고 몇 가지 도구가 있으며 모두 이 척에 있습니다.
	이 프로세스는 실행되고 불행하게도 그 중 약 10%가 파괴됩니다. 그러나 이는 프로세스의 중간에 불과하며 몇 주가 지나야 알 수 있습니다.
	그들이 멸망했다는 것입니다. 따라서 우리의 목표는... 이 과정을 통해 데이터를 수집하는 센서를 보유하고 있으며 이를 사용하여 제거할 수 있는 웨이퍼를 식별하는 것입니다.
	일찍. 어쩌면 우리가 제거할 수 있는 하위 집합이 있을 수 있으므로 더 이상 비용을 지출할 수 없으므로 목표는 센서 스트림 데이터를 사용하여 이를 식별하는 것입니다.
	이제 JMP로 가보겠습니다.
	그리고 저널이 있으므로 이러한 모든 소스는 커뮤니티 페이지에서 사용할 수 있지만 이 데이터 세트를 열겠습니다.
	그리고 나는 발사할 것이다
	분석 전문 모델링 메뉴의 기능 데이터 탐색기.
	이제 각 열을 살펴보겠습니다. 우리는 웨이퍼 ID를 가지고 있습니다. 이것은 우리의 일종의...
	우리의 다양한 기능을 그룹화합니다.
	상태는 그러니까 이게 좋은 건가요, 나쁜 건가요? 그래서 우리는
	그대로 두세요. 나중에 사용하고 싶기 때문에 보조 변수로 넣기만 하면 FDE가 나중에 항목을 저장할 때 계속해서 가져오도록 지시합니다.
	전하, 흐름, 피스톤 힘, 진공 및 이 전압
	이 과정의 일부로.
	FDE를 시작하려면,
	스크롤을 해보면 앞서 보여드린 내용을 알 수 있습니다. 하지만 이것들은 우리가 가지고 있는 다양한 유형의 데이터입니다.
	필연적으로...모든 모델이 적합하지는 않을 수도 있습니다. 이것에 맞는 동일한 모델이 맞지 않을 수도 있고...충전에 맞는 동일한 모델이 흐름에도 맞지 않을 수도 있습니다.
	그러나 직접적인 FPCA는 그것들을 개별적으로 살펴보고 우리를 위해 처리하는 것입니다. 그 전에 말씀드린 축소 옵션을 먼저 보여드리고 싶습니다. 그래서 기본적으로...
	여기에는 세 개의 탭이 있습니다. 균일한 간격의 그리드에 직접 놓을 수도 있고, 관측값으로 분류할 수도 있고, 모든 항목을 제거할 수도 있습니다.
	n번째 변수를 채워야 합니다. 이 데이터는 그리드에 있습니다. 실제로 아무것도 할 필요는 없지만 이렇게 하면 기본적으로 원래 데이터 세트의 절반이 제공됩니다.
	이제 그것을 내려놓았지만 모양은 여전히 상당히 동일합니다. 이 경우에는 그렇게 할 필요가 없으며 여전히 빠르지만 데이터가 다음 중 하나인 경우
	아직 그리드에 있지 않거나 그리드가 많이 있는 경우에도 Reduce를 사용하면 여전히 핵심 기능을 캡처할 수 있습니다. 정말 탐구해 볼 가치가 있는 일입니다.
	???가 여러 개 있으므로 이 FDE 그룹 옵션으로 이동하겠습니다.
	직접 기능적 PCA를 시작합니다.
	그래서 이것은 몇 초가 걸렸지만 각각의 모델에 적합합니다.
	요금. 그래서 우리는 적합할 수 있고 합리적으로 잘 작동하며 진단이 가능합니다.
	FPC 점수 수를 변경하여 알려주는 모델 선택 옵션이 있습니다. 우리는 이 특정 사례에 가장 적합한 것으로 4개를 식별했으며 실제로 하나만 선택하는 대부분의 다른 경우도 있습니다.
	하지만 이전에 FDE를 사용해 본 적이 있다면 익숙한 기능 요약을 볼 수 있지만 아무것도 없습니다...다른 것이 없습니다. 이전 모델이 없군요. 이런 종류인데...
	기능적 PCA는 모델이고 우리는 이전에 반드시 조정해야 했던 다른 것 대신에 전적으로 그것에 초점을 맞추고 있습니다.
	내 점수 플롯과 프로파일러에. 따라서 이를 스크롤해 보면 우리는 이것이 상당히 잘 맞는 것 같다는 것을 알고 있음을 알 수 있습니다.
	피스톤의 힘...그리고 저는 이들 중 많은 것이 결국 하나만 선택하게 된다고 말했습니다. 내 말은 이것이 그 경우의 거의 모든 변형을 설명한다는 뜻입니다.
	좋아요.
	좋은. 다시 말하지만, 전압이 마지막입니다.
	따라서 이 그룹 옵션으로 돌아가면 이러한 모든 기능에 대한 요약을 저장할 수 있습니다. 이제 우리는 FDE를 효과적이고 상당히 신속하게 사용하여
	데이터를 로드하고 해당 기능을 모두 가져와 각 기능에 대한 몇 가지 요약으로 요약합니다.
	하지만 우리가 주요한 것들은
	주로 모양의 변화나 FPC 점수를 요약하는 것이기 때문에 가장 관심이 많습니다.
	하지만 FDE 이전에 사람들이 무엇을 했을지에 대한 정보는 여전히 남아 있습니다. 평균을 취하거나 표준 편차 또는 기타 요약을 보면 이러한 것들은 여전히 가치가 있으므로 기본적으로 이를 가져오는 것이 좋다고 생각합니다.
	몇 가지 스크립트가 있습니다. 따라서 원래 데이터 테이블에 있던 모든 스크립트도 함께 가져오지만 이러한 프로파일러 스크립트도 추가하여 이를 실행하고 볼 수 있습니다. FPC 점수를 변경하는 중인데 그게 무슨 뜻인가요?
	그리고 이에 대한 통찰력을 구축하는 데 도움을 주세요.
	그래서 우리가 지금 하고 싶은 것은 그 상태가 좋든 나쁘든 예측하려고 하는 것입니다. 그래서 저는 그것이 정말 좋다고 생각하기 때문에 일반화된 회귀를 사용할 것입니다.
	이러한 모델을 피팅하는 것뿐만 아니라 해석하는 방법도 있습니다.
	하지만 실제로는 무엇이든 사용할 수 있습니다. 신경망을 얻을 수도 있고 다른 일을 할 수도 있습니다. 일단...이 테이블을 저장하고 나면 JMP의 나머지 기능을 자유롭게 사용할 수 있습니다.
	자신이 가장 잘 모델이 될 수 있을 것 같은 느낌이 들거든요. 그래서 나는 이 모든 요약을 취하고 팩토리얼 tp 2차 계산을 하려고 합니다.
	그래서 우리는 최종 조건을 예측하려고 노력하고 검증 데이터 세트를 사용할 것입니다.
	그리고 우리는 그것이 나빴는지 아닌지를 목표로 삼고 있습니다.
	그리고 실제로 이것은 아마도 이것 중 가장 긴 컴퓨팅 섹션일 것입니다. 기본적으로 이 유효성 검사 열을 사용하여 Lasso를 수행합니다. 내 말은, 시간이 걸린다는 거야, 난
	대략 5~10초 정도라고 생각하세요.
	원한다면 언제든지 일찍 중지할 수 있지만, 우리는 꽤 좋은 기능 세트를 제공하고 있으며 그 기능 간의 상호 작용을 살펴보고 파악하려고 노력하고 있습니다.
	이 상태를 예측하고 시도하는 가장 좋은 방법입니다.
	그만큼...
	거의 완료되었습니다.
	지금은 단지 보고서를 작성하는 중이며 일단 이 모델을 얻으면 매핑되지 않은 것처럼 느껴지던 항목도 볼 수 있습니다.
	그래서 저는 개인적으로 크기 차이를 더 잘 이해하는 데 도움이 되도록 중심 및 크기 기준으로 매개변수를 살펴보는 것을 좋아합니다.
	하지만 FPC 점수와 같은 이들 중 일부는 실제로 유익하지 않은 반면 FPC 2와 3은 요금에 대해
	더 도움이 되므로 정렬해서 볼 수 있습니다. 제가 설명한 것처럼 다음과 같은 것들이 있습니다.
	평균, 최소값 또는 표준 편차에 대한 간단한 요약은 정보를 제공하지만, 요약에는 확실히 많은 정보가 있다는 것도 알 수 있습니다.
	이러한 FPC 점수를 사용하여 이러한 기능의 모양을 파악합니다. 그래서 저는 반대쪽으로 가보겠습니다. 반면에 이 흐름 표준 편차는 매우 중요해 보입니다. 제 생각에는,
	제가 이것을 좋아하는 또 다른 이유는 여러분이 이 프로세스를 담당하고 흐름 표준 편차를 제어할 수 있다면
	이것이 도움이 될 수 있습니다. 어쩌면 첫 번째 단계가 무엇인지 알 필요는 없을 수도 있습니다. 음, 어쩌면 우리가 실제로 할 수 있는 부분이 있을 수도 있습니다.
	모델을 만들기 전에 개선하세요. 이제 이것들을 버리겠습니다. 이것이 우리의 모델인 곳에서 우리가 그렇게 했다고 가정해 봅시다. 우리는 경험적 방법을 구축하려고 합니다.
	좋거나 나쁘거나. 어느 시점에서 계속해서 폐기하고 싶습니까? 따라서 예측 수식에 대한 열을 저장해 보겠습니다. 그러면 해당 열이 해당 요약 테이블에 다시 저장됩니다. 따라서 GenReg는 우리에게 나쁜 확률, 좋은 확률, 가장 가능성이 높은 조건을 제공할 것입니다.
	그래서 우리는...여기서 멈추고 괜찮다고 말할 수 있습니다. .5 이상이면 좀 더 자세히 살펴보겠습니다. 아니면 .75 이상이면 잘 모르겠습니다. 기분이 좋습니다. 하자...아마도 그 이유 때문에 그럴 가치가 없을 수도 있습니다.
	나머지 프로세스의 비용. 아시다시피, 실제 영향을 기반으로 확률을 선택할 수도 있습니다.
	또는 파티션 모델을 통해 이를 알아낼 수 있으므로 이제 이 확률을 요소로 사용하겠습니다. 우리는 그냥 괜찮다고 말하고 있어요.
	저는 이것을 손으로 볼 수 있고 모델을 통해 이러한 조건을 어떻게 그룹화할 것인지 알아내려고 노력할 수 있습니다. 그래서 우리는 이것을 받아들이고 검증 데이터 세트를 유지하여 일종의 이중 담그기를 방지할 것입니다.
	이제 파란색은 모두 나쁜 것이고 빨간색은 좋은 것입니다. 다행히도 일반적으로 대부분은 좋은 것입니다.
	하지만 분할을 해보자. 따라서 나쁠 확률이 0.1보다 작다면 좋은 것입니다. 우리의 나쁜 점은 대부분 0.1보다 큽니다. 말된다. 다시 분할합니다. 이제 우리가 실제로 보고 있는 것은...그들 중 많은 수가 실제로 여기에 있습니다.
	.25 이상의 확률입니다. 우리는 한 번 더 헤어지고,
	적어도 훈련 데이터에 대해서는 꽤 잘 들어맞습니다. .6 이상의 데이터는 모두 나쁩니다. 알다시피, 그런 일이 일어날 거라고는 정말 기대하지 않잖아요
	실제로 이 학습 또는 검증 R 제곱은 대부분의 모델과 마찬가지로 검증 데이터 세트에서 수행할 수 있는 것보다 학습 세트에서 더 나은 결과를 얻을 수 있다는 점을 강조합니다.
	하지만 지금은 .75가 좋다고 느꼈지만 실제로는 .6 이상에 집중해야 할 수도 있다는 뜻입니다.
	그리고 이건, 아시다시피...
	이제 우리는 이것이 시뮬레이션된 데이터라는 점을 알게 되었습니다. 실제 사례에서 이는 매우 도움이 되었습니다. 해석과 같은 것들은...프로세스를 개선할 수 있습니까? 이뿐만 아니라 우리가 가지고 있는 다른 샘플 데이터 세트에서도 도움이 됩니다.
	슬라이드로 돌아가 보겠습니다.
	좋아요, 그래서 저는 기능적인 PCA가 무엇인지, 이 새로운 직접 FPCA 접근 방식에 동기를 부여한 것이 무엇인지 살펴보고 요약했으며, 이 초기에 항목을 폐기하려는 예에서 이를 사용하는 방법을 보여주었습니다. 제조 공정.
	따라서 몇 가지 마지막 팁은 아시다시피 빠른 컴퓨팅 덕분에 대규모 데이터 세트에 적합하다는 것입니다. 어떤 면에서는 그냥 거기서 시작할 수도 있습니다.
	좋아요, 직접적인 FPCA의 생각은 어떻습니까? 너무 빠르기 때문에 모델 컨트롤을 다루는 방법을 알 필요가 없습니다. 어떤 면에서는 대용량 데이터가 있는 경우 시작하기에 좋은 곳입니다.
	하지만 완벽하지는 않습니다. 몇 가지 진단을 보여 드렸더니 잘 맞지 않고 다른 모델과 마찬가지로 잘 맞지 않는지 알 수 있습니다. 단지 빠르다고 해서 좋은 것은 아닙니다. 그러니 당신이
	가능한 문제를 식별하고 다른 접근 방식이 필요할 수도 있습니다. 내 말은, 우리가 알고 있는 다른 기본 함수 모델이 있다는 뜻입니다.
	아주 특별한 유형의 데이터를 작업하는 중인데, 이 접근 방식도 아주 구체적인 모델만큼 좋은 결과를 내지는 못합니다.
	그리고 그것은, 아시다시피...이것의 일부는 데이터가 그리드에 있어야 하고 상황이 너무 느리거나 실제로는 그렇지 않은 것처럼 보이면 해당 그리드를 제어하는 데 도움이 되도록 축소를 사용하려고 시도한다는 것입니다. 어쩌면 우리가 기본적으로 수행하는 작업이 데이터에 좋지 않을 수도 있습니다.
	스스로 할 수 있는 만큼.
	와주셔서 정말 감사드리며 혹시 궁금한 점이 있으시면 답변해 드리겠습니다.

브레이크아웃

암사슴

통계 및 모델링