Conférencier
|
Transcription
|
| Brendan Leary |
tu as raison. |
| Ryan Parker, JMP |
tu es. |
| |
ici. |
| |
Je vais bien. |
| |
Vous m'entendez bien. |
| Brendan Leary |
Je t'entends bien, tu m'entends bien. |
| |
ouais, très bien, vous avez bien l'audio, ravi de vous rencontrer. |
| |
Évidemment, en faisant ça, vous travaillez pour Chris ou. |
| |
génial je suis. |
| Ryan Parker, JMP |
Le scientifique en chef des données a raison, donc j'ai ce droit. |
| Brendan Leary |
c'est un gros titre. |
| |
juste là. |
| |
Ouais. |
| Brendan Leary |
Et vous êtes un statisticien de recherche principal. Je regarde autour de moi et je pense avoir vu votre visage, mais je n'ai pas eu la chance de vous rencontrer, c'est donc un plaisir de vous rencontrer. |
| Ryan Parker, JMP |
Alors, où es-tu. |
| Brendan Leary |
Basé dans le New Jersey, je vais vous emmener pour un projet à New York et au New Jersey. |
| |
génial. |
| Brendan Leary |
Je m'amuse sur le terrain et je peux montrer toutes les bonnes choses que vous construisez ainsi. |
| |
Je pense que tu es parfait. |
| |
Donc, alors que nous commençons ici, juste quelques choses quand je le suis. |
| |
Voyons d'abord que votre microphone a l'air bien si toutes les notifications de votre ordinateur de téléphone portable, tout ce jazz est éteint. |
| Ryan Parker, JMP |
J'aime bien. |
| |
Ne dérangez pas, ouais, laissez-moi vérifier l'ordinateur. |
| |
ouais, ne dérange pas sur tout. |
| Brendan Leary |
D'accord, je n'entends rien du genre si vous avez un ventilateur en marche ou quoi que ce soit. |
| Ryan Parker, JMP |
Oui, mais vous ne pouvez pas l'entendre, d'accord. |
| |
Non. |
| Brendan Leary |
Vous avez même des animaux domestiques, donc non, non. |
| Ryan Parker, JMP |
c'est juste. |
| |
Juste des petits enfants, mais ils ne seront pas là. |
| Brendan Leary |
J'ai eu un incident avec un chien, le dernier que j'ai fait, c'est tout ce que je vais dire. |
| |
Très bien, très bien, voyons votre affichage, êtes-vous sous Windows ou MAC. |
| |
MAC, savez-vous quels sont vos paramètres d'affichage, c'est probablement bien si c'est sur un MAC, habituellement, ils demandent 1920 par 10 heures. |
| Ryan Parker, JMP |
Le. |
| Brendan Leary |
Juste pour une résolution, mais j'imagine que ça va. |
| Ryan Parker, JMP |
ouais, ça devrait aller, OK, je. |
| Brendan Leary |
Je veux montrer ce que vous allez utiliser uniquement dans le journal JMP, ou s'agit-il également d'un PowerPoint. |
| Ryan Parker, JMP |
Je vais donc simplement partager le bureau, c'est la meilleure façon de le faire. |
| Brendan Leary |
Ouais. |
| Ryan Parker, JMP |
Ou aimez-vous partager. |
| |
Un à la fois, c'est probablement le moyen le plus simple de masquer le zoom. |
| |
Alors commençons par voir à quoi cela ressemble. |
| Brendan Leary |
Super. |
| Ryan Parker, JMP |
D'accord, ce film diapo est très rapide juste pour être sûr que rien de bizarre n'apparaisse. |
| Brendan Leary |
Vous connaissez l'animation géniale, vous êtes bon. |
| Ryan Parker, JMP |
ouais, pas d'animations bizarres, puis je vais simplement accéder à JMP et à l'état d'ouverture de la configuration et. |
| |
Et un lancement à partir de là. |
| Brendan Leary |
Parfait D'accord, je pense que nous sommes bons, dis-je, la seule autre chose que je soulève, c'est avant que vous n'entriez en JMP et que vous commenciez, nous allons l'enregistrer en détail, vous savez. |
| |
Donc, si vous faites une erreur, ou si vous le souhaitez, vous devrez recommencer. |
| |
Mais donnez juste quelques secondes avant de commencer, peut-être comptez à rebours de trois ou cinq dans votre tête. |
| |
D'accord, un peu d'espace blanc au début, à la fin, pour que vous puissiez le retourner. |
| Ryan Parker, JMP |
Bien sûr, d'accord. |
| Brendan Leary |
Et c'est tout ce que j'ai, donc je vais continuer et me mettre en sourdine et, enfin, je travaille pour JMP. Je ne pense pas que je sois obligé de le faire, mais je vais le lire juste pour être sûr. |
| |
Vous comprenez que cet enregistrement est destiné à être utilisé par la conférence d'été de découverte JMP et qu'il sera accessible au public dans la communauté des utilisateurs de JMP si vous nous autorisez à réaliser cet enregistrement. |
| Ryan Parker, JMP |
Je vous en prie, partagez-le. |
| Brendan Leary |
largement rapporté, juste au cas où Perkinson ne pourrait pas se fâcher contre moi, ai-je demandé. |
| Ryan Parker, JMP |
ouais, tu connais quelqu'un qui aime les conjoints, hé, qu'est-ce que tu as fait quoi. |
| Brendan Leary |
Tu sais, je sais, je sais. |
| |
cool Ryan, merci, je vais continuer notre vidéo, hop, le compte à rebours est muet dans ta tête et quand tu es prêt, vas-y et commence. |
| Ryan Parker, JMP |
D'accord, et juste pour que vous le sachiez, je pense que je dois avoir raison d'environ 20 minutes. |
| |
Parce que c'est parce que je pense que c'est un total de 30, et puis ils ont voulu en donner. |
| |
du temps en plus. |
| Brendan Leary |
Alors oui, la brièveté est parfaite, euh, vous avez donné du temps pour l'ampli Q et cela semble idéal. |
| Ryan Parker, JMP |
D'accord génial. |
| |
super. |
| |
Eh bien, merci d'être venu aujourd'hui. Je m'appelle Ryan Parker. je suis un |
| |
PCA fonctionnelle directe. |
| |
Et c'est une nouvelle façon d'analyser les données fonctionnelles. Et je veux juste reconnaître que notre scientifique en chef des données, Chris Gotwalt, a joué un rôle majeur non seulement dans le développement de FDE, mais aussi dans |
| |
également ce nouvel outil, ainsi que notre équipe de test de Rajneesh, dont, vous le savez, le travail passe généralement inaperçu, mais qui explique en grande partie pourquoi nous en sommes là aujourd'hui. |
| |
Et donc je ne vais pas supposer que vous avez même utilisé FDE ou que vous ne savez peut-être même pas ce que sont les données fonctionnelles. |
| |
Alors commencez simplement par le début pour vous assurer que nous sommes tous sur la même longueur d’onde. Données fonctionnelles... en réalité, nous les considérons comme tout ce qui a une entrée X, dans ce cas, nous avons des données de température. Notre entrée est la semaine, donc celles-ci sont mesurées |
| |
Chaque semaine de l'année. Et notre sortie Y est cette température. |
| |
Et donc, vous savez, vous pourriez échantillonner pour trouver une solution, peut-être tous les jours ou toutes les heures, mais l'idée générale est que vous n'avez pas complètement échantillonné, vous savez, |
| |
toute la fonction. Vous avez un moyen de travailler avec un échantillon de celui-ci. Et vraiment dans tous les cas |
| |
ce qui nous tient à cœur, même si vous pouvez utiliser une seule fonction, nous voulons également penser à avoir plusieurs fonctions. Nous disposons donc de plusieurs stations météorologiques où, chaque semaine, nous capturons la température. |
| |
Donc, même si nous avons rempli chaque semaine ici, nous n'avons pas nécessairement besoin de cette fonctionnalité des FDE, car vous pouvez avoir, vous savez, des points d'échantillonnage pour certains mois ou non... ils peuvent être échantillonnés à différents moments. lieux horaires. |
| |
Mais il n'est pas nécessaire que ce soit non plus, vous savez... votre contribution ne doit pas nécessairement être du temps au sens traditionnel du terme. Peut-être que c'est la température et que vous avez cette clarté de mesure comme résultat. |
| |
Vous savez, donc nous soutenons cela. |
| |
c'est vraiment cette cartographie de vous avez une entrée, vous avez une sortie. Ou peut-être que vous êtes dans un environnement spectral et que toute votre entrée est la longueur d'onde, et maintenant votre sortie est l'intensité. |
| |
Dans un exemple que je vais montrer pour illustrer l'ACP fonctionnelle directe, nous avons plusieurs flux de données, plusieurs fonctions, donc non seulement nous avons, vous savez, |
| |
une fonction différente... différente mais nous avons des sorties différentes. Nous avons, vous savez, une charge, une force de piston, une tension et un vide et nous voulons rassembler tout cela. |
| |
et les analyser. |
| |
Ainsi, ce type de données contribue à motiver le développement d’un explorateur de données fonctionnel. |
| |
Et il y a deux questions principales que nous... |
| |
nous l'utilisons habituellement pour répondre. Le premier concerne un cadre de conception fonctionnelle d’expériences. Dans ce contexte, nous avons des facteurs que nous voulons essayer de relier |
| |
à notre fonction de réponse. Donc, ici, dans ce cas, nous nous intéressons vraiment à la façon dont nous pouvons façonner cette fonction de réponse d'une certaine manière. |
| |
Nous pouvons donc relier ces facteurs à la fonction et, dans ce cas, nous voulions... que notre fonction reste dans la zone de spécification verte aussi longtemps que possible, et avec FDE, nous pouvons... nous pouvons aider fais ça. |
| |
L'autre cas courant concerne ce que nous appelons l'apprentissage automatique fonctionnel et, dans ce cas, nous voulons considérer davantage nos fonctions comme étant |
| |
entrées dans quelque chose. Ainsi, dans notre processus, nous avons peut-être les résultats finaux ou un rendement final, dans le cas de ces données sur le processus de fermentation. |
| |
Nous voulons donc résumer les formes de ces fonctions. Utilisez-les comme entrées dans un modèle prédictif pour m'aider à déterminer ce qui va me donner le meilleur résultat. |
| |
Et donc, vraiment, le grand jeu auquel vous essayez de jouer, c'est que c'est une PCA fonctionnelle et ce que fait la PCA fonctionnelle, c'est qu'elle va résumer nos données. |
| |
J'ai donc ici un exemple très simple où il est probablement assez facile de voir qu'ils ont tous des pentes d'appariement différentes. |
| |
Et il peut être un peu plus difficile de voir que les moyens sont un peu différents pour chacun. Notre objectif est donc de motiver cela, c'est d'essayer de résumer tout cela, vous savez. |
| |
Utilisez un cas simple pour expliquer comment étendre cela à des situations plus complexes. |
| |
Et alors, quand on le fait ??? composition, nous obtiendrons des fonctions propres orthogonales qui expliqueront autant que possible la variation de fonction à fonction. |
| |
Et, une fois que nous les aurons, nous pourrons les utiliser pour extraire des résumés de toutes ces fonctions que nous |
| |
peut être utilisé dans la modélisation prédictive. Nous prenons donc, vous savez, une forme vraiment complexe, dans ce cas, ce n'est pas très complexe mais nous allons la résumer à quelques points de données, vous savez, la dizaine que nous avons ici. |
| |
Voilà... voici à quoi ressemble une fonction propre |
| |
pour ces données. Nous en avons donc retiré deux. La première explique environ 77 % de la variation et donne le plus de poids au tout début et à la toute fin. Et |
| |
ceci, comme on peut s'y attendre, résume que, vous savez, il s'agit de quantifier la pente de ces données. Alors que la deuxième fonction propre donne un poids égal sur... sur l'ensemble de l'entrée et c'est cela qui quantifie cette différence dans la moyenne. |
| |
Nous voulons maintenant transformer ces fonctions propres, les utiliser avec nos données et obtenir un résumé rapide que nous souhaitons utiliser pour expliquer les différences entre ces fonctions. Donc |
| |
en prenant la fonction 2 comme exemple, on multiplie cette fonction par cette première fonction propre. Nous allons obtenir une fonction qui a beaucoup de nombres négatifs. |
| |
Donc, si vous réfléchissez, vous savez, en prenant l'intégrale de cela, en additionnant simplement tous ces nombres négatifs, vous obtiendrez un nombre négatif assez important. |
| |
Nous pouvons donc voir comment ce premier composant capture réellement les différences. Donc le nombre 10, c'est vrai, était un grand nombre positif, et donc nous pouvons... nous pouvons en quelque sorte voir dans nos données qu'il avait également ce genre de grande pente positive. |
| |
Et une idée similaire pour la deuxième composante, où nous avons, vous savez, des moyennes globales plus élevées que plus faibles. |
| |
Et, une fois que nous avons ces deux choses, nous pouvons revenir à notre fonction d’origine. |
| |
En ajoutant une moyenne globale, nous prenons simplement le premier score des composants principaux fonctionnels, en regardant ici la fonction 1. On le multiplie par la première fonction propre |
| |
puis nous ajoutons le score du deuxième composant principal fonctionnel, multiplions par la deuxième fonction propre, et |
| |
cela va recréer ce premier. Dans une démarche similaire, utiliser les scores avec la deuxième fonction permet de |
| |
reconstruire ou approximer ces fonctions. Donc vous pouvez en quelque sorte voir où, d'accord, si nous sommes capables de construire des modèles pour ces scores FPC, |
| |
nous pouvons, vous savez, comprendre comment les facteurs du DOE les modifient, auquel cas cela change la forme de notre fonction alpha et en quelque sorte le premier scénario que nous avons examiné. |
| |
Voyons donc en quelque sorte pourquoi une PCA fonctionnelle directe ? Encore une fois, qu'est-ce qui a motivé à faire cela ? Donc, si vous avez déjà utilisé FDE, |
| |
les options de modélisation dont nous disposons sont considérées comme des modèles de fonctions de base. Et dans ces cas-là, ils sont vraiment... ils lissent d'abord les données, donc nous allons adapter le modèle, nous allons obtenir une fonction fluide avec laquelle nous pouvons fonctionner. Mais une partie du problème est que nous avons peut-être beaucoup de |
| |
beaucoup de choses que nous devons en quelque sorte ajuster. Donc, dans le cas d'une spline B, nous devons choisir, vous savez, ce qui est le mieux, |
| |
vous savez, degré du polynôme à utiliser dans la spline, ou combien de nœuds devrions-nous avoir ? Et nous vous donnons en quelque sorte quelques valeurs par défaut pour cela, mais, vous savez, nous vous permettons également de modifier l'emplacement de ces nœuds. Et c'est génial et ça marche dans beaucoup de cas, |
| |
mais à mesure que vous obtenez des échantillons plus grands ou des fonctions plus complexes, cela peut prendre beaucoup de temps et il est peut-être en bonne voie de vraiment régler tous les emplacements de ces nœuds. |
| |
Mais la façon dont FDE fonctionne maintenant est que nous ajustons le modèle, nous effectuerons la FPCA sur les coefficients de ces modèles et il y a cette belle relation entre, |
| |
vous savez, maintenant nos fonctions propres ont la même forme que le modèle de nos données. Il y a donc beaucoup de choses intéressantes qui vont avec, mais qu'il s'agisse d'informatique coûteuse ou simplement que les modèles ne le font pas bien, nous avions besoin d'une autre approche. |
| |
Et ainsi |
| |
l'approche précédente consistait d'abord à lisser les données, et maintenant nous pensons, d'accord, prenons simplement les données telles qu'elles sont. Agissons directement là-dessus. |
| |
Et puis à partir de là, lissons les fonctions propres que nous obtenons. Ce n'est donc pas une comparaison juste, vous savez, des pommes avec des pommes, mais avec les splines B par rapport au FPCA direct, vous aurez... vous aurez tendance à remarquer que le |
| |
Les fonctions propres que vous obtenez sont un peu plus fluides avec le FPCA direct et c'est par nature la raison pour laquelle nous voulions que ce soit un peu plus fluide, vous savez. Ce petit artefact ici est-il vraiment si important ? |
| |
La FPCA dit que ce n'est peut-être pas le cas. Je pense que cela est vraiment reflété dans la dernière fonction propre, où cela n'explique pas une grande partie de la variation. Nous avons en quelque sorte des bosses étranges ici. |
| |
Vous savez, un expert devrait peut-être analyser cela et dire, non, c'est réellement réel, mais très probablement, nous ne devrions peut-être pas vraiment accorder beaucoup de poids à cette fonction propre. |
| |
Je ne l'utilise probablement pas. |
| |
Ainsi, l'algorithme que nous utilisons pour ajuster le modèle PCA fonctionnel direct est similaire dans son esprit à cette méthode de Rice et Silverman, principalement parce qu'il s'agit d'un processus itératif. Donc ce que nous faisons, vous savez... |
| |
je dois d’abord mentionner que les données doivent être sur une grille régulière. Ainsi si vous n’avez pas vos données sur une grille régulière, nous les interpolerons directement pour vous. Nous avons également quelques options... options d'étape de traitement des données appelées réduire que vous pouvez |
| |
appliquer pour contrôler finement le réseau sur lequel nous opérons. |
| |
Mais dans notre procédure, nous prendrons une fonction propre. |
| |
Nous pouvons simplement demander le premier premier élément. |
| |
Ajustez un très, vous savez, adaptez un modèle de lissage à cela, puis demandez le suivant. |
| |
Et une fois que nous avons lissé le suivant, nous devons faire quelques ajustements afin que vous connaissiez les propriétés d'orthogonalité que nous souhaitons. |
| |
Mais l'idée ici est que nous sommes... nous avons pris un problème dans lequel nous essayons de lisser un grand nombre de fonctions différentes pour d'abord faire fonctionner les modèles, où maintenant nous allons |
| |
concentrer vraiment nos efforts sur le lissage de ces fonctions propres une par une. Et nous en avons un nombre beaucoup plus réduit, ce qui rend cette technique beaucoup plus rapide pour les grands ensembles de données que les solutions existantes dans JMP. |
| |
Donc, l'exemple que je vais prendre en compte est celui d'un processus de fabrication et juste pour vous donner une idée des accélérations, |
| |
si, dans le meilleur des cas, vous connaissiez le modèle exact de spline P que vous souhaitiez utiliser pour ces données, il vous faudrait trois fois plus de temps pour adapter ces modèles que la solution FPCA directe prête à l'emploi. |
| |
Là où se situe la différence, vous ne savez pas nécessairement quels seront ces modèles, vous devez donc prendre du temps pour adapter plusieurs modèles et maintenant vous avez vraiment pris beaucoup de temps par rapport à ce que le FPCA direct va faire. . |
| |
Mais donc cet exemple |
| |
regarde spécifiquement une étape où nous lions du verre à une plaquette. |
| |
Et ce processus, vous savez, il y a comme un vide qui l'entoure, il y a des outils, tout repose sur ce mandrin, et |
| |
ce processus se déroule et, malheureusement, environ 10 % d'entre eux sont détruits, mais c'est juste en quelque sorte au milieu du processus et vous ne le saurez que des semaines plus tard. |
| |
qu'ils ont été détruits. Notre objectif est donc... nous avons des capteurs qui collectent des données à travers ce processus, nous voulons essayer de les utiliser pour identifier les plaquettes dont nous pouvons en quelque sorte nous débarrasser. |
| |
tôt. Peut-être qu'il y a un sous-ensemble dont nous pouvons nous débarrasser, afin que nous ne puissions plus dépenser d'argent pour eux, et donc l'objectif est d'essayer de l'identifier à l'aide de nos données de flux de capteurs. |
| |
Alors maintenant, je vais passer à JMP. |
| |
Et j'ai un journal, donc toutes ces sources seront disponibles sur la page Communauté mais je vais ouvrir cet ensemble de données |
| |
Et je vais lancer |
| |
Explorateur de données fonctionnelles depuis le menu Analyser la modélisation spécialisée. |
| |
Passons donc en revue chacune de ces colonnes. Nous avons donc l'ID de la plaquette, donc c'est juste en quelque sorte notre... |
| |
regroupe nos différentes fonctions. |
| |
L'état, donc c'est, vous savez, était-ce bon ou mauvais ? Nous voulons donc |
| |
gardez cela, nous voulons l'utiliser plus tard, donc nous le mettrons simplement comme variable supplémentaire et cela dit à FDE, vous savez, lorsque nous sauvegarderons des choses à l'avenir, allez-y et apportez-le avec vous. |
| |
la charge, le débit, la force du piston, le vide et cette tension |
| |
dans le cadre de ce processus. |
| |
Pour lancer FDE, |
| |
nous faisons simplement défiler et vous voyez, vous savez, je les ai montrés plus tôt, mais ce sont tous les différents types de données dont nous disposons et |
| |
nécessairement... il est possible que tous les modèles ne conviennent pas, vous savez. Le même modèle qui convient à cela peut ne pas convenir, vous savez... le même modèle qui convient à la charge ne convient peut-être pas également au débit. |
| |
Mais le FPCA direct consiste en quelque sorte à les examiner individuellement et à gérer cela pour nous. Avant d'y aller, je veux montrer cette option de réduction que j'ai mentionnée. Donc par défaut... |
| |
eh bien, il y a trois onglets ici. Vous pouvez le placer directement sur une grille régulièrement espacée, vous pouvez les regrouper en observations ou vous pouvez supprimer chaque |
| |
nième variable pour la remplir en quelque sorte. Ces données sont sur une grille. Nous n'avons pas vraiment besoin de faire quoi que ce soit, mais nous pourrions, vous savez, dire d'accord, faisons ceci et, par défaut, cela vous donne la moitié de l'ensemble de données d'origine. |
| |
Alors maintenant, vous l’avez démonté et les formes sont toujours à peu près les mêmes. Dans ce cas, nous n'avons pas à le faire, c'est quand même rapide, mais si vos données sont soit |
| |
pas déjà sur une grille, ou vous en avez juste beaucoup, en utilisant la réduction, vous êtes toujours en mesure de capturer les fonctionnalités clés. C'est vraiment quelque chose qui mérite d'être exploré. |
| |
Alors, comme on en a plusieurs ???, je vais me diriger vers cette option du groupe FDE |
| |
et lancer une PCA fonctionnelle directe. |
| |
Et donc, cela a pris quelques secondes, mais c'est à chacun d'essayer un modèle. |
| |
charge. Nous sommes donc capables de nous adapter, cela fonctionne raisonnablement bien, nous disposons de diagnostics. |
| |
Nous avons une option de sélection de modèle pour vous faire savoir, modifier le nombre de scores FPC. Nous en avons identifié quatre comme étant les meilleurs pour ce cas particulier et la plupart des autres n’en choisissent qu’un. |
| |
Mais si vous avez déjà utilisé FDE, vous savez, vous verrez ces résumés fonctionnels familiers mais il n'y a rien... nous n'avons rien d'autre. Il n’y a pas de modèle antérieur, n’est-ce pas. C'est un peu ça... |
| |
La PCA fonctionnelle est le modèle et nous nous concentrons entièrement sur cela, au lieu d'autres choses que nous devions nécessairement régler auparavant. |
| |
sur mes tracés de score et profileurs. Donc, en les faisant défiler, nous pouvons voir que nous sommes, vous le savez, apparemment assez bien adaptés à ces derniers. |
| |
La force du piston... et j'ai dit que, vous savez, beaucoup d'entre eux finissent par n'en choisir qu'un. Je veux dire, cela veut dire que cela explique presque toutes les variations dans ce cas. |
| |
D'accord. |
| |
Bien. Encore une fois, la tension, donc la dernière. |
| |
Donc si nous revenons à cette option de groupe, nous pouvons sauvegarder les résumés de toutes ces fonctions. Nous avons donc maintenant utilisé efficacement et assez rapidement FDE pour |
| |
chargez nos données, prenez toutes ces fonctions et résumez-les en quelques résumés pour chacune. |
| |
Mais les principaux que nous |
| |
sont les plus intéressés, principalement parce qu'ils résument simplement la variation des formes ou ces scores FPC. |
| |
Mais il y a encore des informations dans les choses que les gens, vous savez, avant le FDE, que feraient-ils ? Vous prenez la moyenne, ou vous regardez les écarts types ou d'autres résumés, et ces choses ont toujours de la valeur, donc je pense que c'est bien, vous savez, nous les intégrons par défaut. |
| |
Nous avons quelques scripts. Ainsi, tous les scripts que vous aviez dans votre table de données d'origine seront également intégrés, mais nous ajoutons également ces scripts de profileur afin que vous puissiez les lancer et voir, d'accord, alors que je modifie mes scores FPC, qu'est-ce que cela signifie ? |
| |
Et aidez-nous à mieux comprendre cela. |
| |
Et donc ce que nous voulons faire maintenant, c'est essayer de prédire cette condition, bonne ou mauvaise. Je vais donc utiliser la régression généralisée simplement parce que je pense que c'est, vous savez, c'est une très bonne méthode. |
| |
méthode permettant non seulement d’ajuster ces modèles, mais également de les interpréter. |
| |
Mais vous pourriez vraiment utiliser n'importe quoi. Vous pourriez avoir un réseau neuronal, vous pourriez faire autre chose. Une fois que vous avez... une fois que vous avez enregistré ce tableau, vous êtes libre d'utiliser le reste de JMP. |
| |
pour savoir comment vous pensez pouvoir le modéliser au mieux. Je vais donc prendre tous ces résumés et je vais juste faire une factorielle tp degré deux. |
| |
Nous essayons donc de prédire la condition finale et nous utiliserons l'ensemble de données de validation. |
| |
Et nous ciblons la question suivante : était-ce mauvais ou pas ? |
| |
Et donc, vraiment, c’est probablement la section informatique la plus longue de tout cela. Nous ferons un Lasso par défaut en utilisant cette colonne de validation. Je veux dire, ça prend, je |
| |
réfléchissez, autour de vous savez 5 à 10 secondes. |
| |
Vous pouvez toujours l'arrêter plus tôt si vous le souhaitez, mais vous savez que nous lui donnons un assez bon ensemble de fonctionnalités et examinons les interactions entre elles pour essayer de comprendre, |
| |
vous savez, la meilleure façon d'essayer de prédire cette condition. |
| |
Le... |
| |
presque fini. |
| |
Il s'agit simplement de créer le rapport maintenant, et une fois que vous aurez obtenu ce modèle, vous verrez également des éléments qui semblaient ne pas être cartographiés. |
| |
Je suis donc personnellement partisan de l'examen des paramètres sur une base centrée et échelonnée pour, vous savez, aider à mieux comprendre les différences d'ampleur. |
| |
Mais certains d'entre eux, vous savez, comme ce score FPC, j'ai pensé, vous savez, que ce n'est vraiment pas informatif alors que les FPC 2 et 3 pour la charge |
| |
sont plus utiles, vous pouvez donc les trier et voir, vous savez. Et un peu comme je l'ai décrit, des choses comme |
| |
de simples résumés de moyennes ou de minimums ou d'écarts types, ils donnent des informations mais, mais on voit aussi qu'il y a certainement beaucoup d'informations dans les résumés de... |
| |
des formes de ces fonctions à l'aide de ces scores FPC. Donc je vais passer de l'autre côté, alors que vous savez, cet écart type de débit semble être très important et je pense, |
| |
vous savez, une autre raison pour laquelle j'aime ça est que si vous êtes en charge de ce processus et que vous contrôlez l'écart type du débit, |
| |
cela peut vous aider, vous savez, peut-être que vous n'avez pas besoin de savoir quelle est la première étape, eh bien, hé, peut-être que nous avons une partie de cela que nous pouvons réellement |
| |
améliorer avant de construire un modèle, pour dire d'accord, maintenant écartons-les. Alors disons que nous avons fait cela, où tel est notre modèle, nous voulons essayer de construire une heuristique |
| |
Bon ou Mauvais. À quel moment est-ce que je veux simplement aller de l’avant et l’abandonner ? Sauvons donc les colonnes pour la formule de prédiction, et celles-ci seront enregistrées dans ce tableau de résumé. GenReg va donc nous donner une probabilité mauvaise, une probabilité bonne et la condition la plus probable. |
| |
Et donc nous pouvons... nous pouvons simplement nous arrêter ici et dire d'accord, si c'est supérieur à 0,5, regardons-le de plus près, ou s'il est supérieur, je ne sais pas, 0,75, ça fait du bien. Disons... peut-être que ça n'en vaut pas la peine juste à cause du |
| |
coût du reste du processus. Vous savez, vous choisissez peut-être cette probabilité en fonction des implications du monde réel. |
| |
Ou nous pourrions laisser un modèle de partition nous aider à comprendre cela, donc ce que nous allons utiliser maintenant, c'est cette probabilité comme facteur. Nous disons simplement d'accord, |
| |
Je pourrais en quelque sorte regarder cela à la main et avoir un modèle pour m'aider à essayer de comprendre, vous savez, comment cela va regrouper ces conditions. Nous allons donc prendre cela en compte et maintenir nos ensembles de données de validation afin de ne pas faire de double déduction. |
| |
Alors maintenant, tous nos bleus sont les mauvais et les rouges sont les bons, donc heureusement, en général, la plupart d’entre eux sont bons. |
| |
Mais faisons une séparation. Donc, si cette probabilité d’être mauvais est inférieure à 0,1, il est très probable que ce soit bon. La plupart de nos défauts sont supérieurs à 0,1. Ca a du sens. Séparez-vous à nouveau. Maintenant, nous regardons vraiment... beaucoup d'entre eux sont vraiment impliqués dans cette affaire. |
| |
est la probabilité supérieure à 0,25. Nous nous séparerons encore une fois, et |
| |
au moins pour les données d'entraînement, cela correspond assez bien au fait que, hé, tous avec plus de 0,6, ils sont tous mauvais. Tu sais, tu ne t'attends vraiment pas à ce que ça arrive |
| |
en réalité, et cette formation ou cette validation R au carré souligne que, vous savez, comme la plupart des modèles, vous pouvez faire mieux sur l'ensemble de formation que sur l'ensemble de données de validation. |
| |
Mais cela nous donne maintenant, vous savez, j'avais en quelque sorte l'impression que 0,75 était une bonne chose, mais en réalité, cela veut dire que nous devons peut-être vraiment nous concentrer sur ceux qui sont de 0,6 ou plus. |
| |
Et voilà, vous savez, un peu... |
| |
Je suppose que maintenant, nous sommes arrivés au point où, vous savez, il s'agissait de données simulées. Dans le cas du monde réel, cela a été très utile, des choses comme l'interprétation, vous savez, sommes-nous... pouvons-nous améliorer notre processus, également utile, non seulement dans ce domaine, mais dans d'autres exemples d'ensembles de données dont nous disposons. |
| |
Revenons aux diapositives. |
| |
D'accord, j'ai donc en quelque sorte parcouru et résumé ce qu'est la PCA fonctionnelle, en quelque sorte, ce qui a motivé cette nouvelle approche FPCA directe et je vous ai montré comment l'utiliser dans un exemple où nous essayons, vous savez, d'abandonner les choses au début de cette histoire. processus de fabrication. |
| |
Donc, juste quelques derniers conseils, vous savez, c'est... le calcul rapide rend cela idéal pour les grands ensembles de données. D'une certaine manière, vous pouvez simplement commencer par là |
| |
et dites, d'accord, qu'est-ce que pense le FPCA direct ? C'est si rapide que je n'ai pas besoin de jouer avec les commandes du modèle. D’une certaine manière, si vous disposez de données volumineuses, c’est un excellent point de départ. |
| |
Mais ce n'est pas parfait, tu sais. J'ai montré quelques diagnostics et vous pouvez voir si ça ne s'adapte pas bien et comme n'importe quel modèle, ce n'est pas parce que c'était rapide que c'était bon. Alors assurez-vous simplement que vous êtes |
| |
identifier les problèmes possibles et peut-être avez-vous besoin d’une approche différente. Je veux dire, nous avons, vous savez, d'autres modèles de fonctions à base égale que nous |
| |
travailler sur des types de données très particuliers sur lesquels, vous savez, même cette approche n'est pas nécessairement aussi efficace que, vous savez, ces modèles très spécifiques. |
| |
Et c'est, vous savez... une partie de cela est que les données doivent être sur une grille et essayer d'utiliser la réduction pour vous aider à contrôler cette grille, s'il semble que les choses sont trop lentes ou ne font pas vraiment, en quelque sorte, sens, peut-être que ce que nous faisons par défaut n'est pas ce qui est bon pour vos données en tant que |
| |
comme ce que vous pouvez faire vous-même. |
| |
Merci beaucoup d'être venu et je répondrai à toutes vos questions si quelqu'un a quelque chose. |
