揚聲器
|
成績單
|
| 布倫丹·利裡 |
你說得對。 |
| 瑞安·帕克，JMP |
你是。 |
| |
這裡。 |
| |
我很好。 |
| |
你能聽到我說話，好吧。 |
| 布倫丹·利裡 |
我能聽到你的聲音 好吧，你也能聽到我的聲音 好吧。 |
| |
是的，好吧，你收到音頻了，很高興見到你。 |
| |
顯然，這樣做，你是在為克里斯工作，或者。 |
| |
太棒了我 |
| 瑞安·帕克，JMP |
首席數據科學家是對的，所以我有這個權利。 |
| 布倫丹·利裡 |
這是一個很大的標題。 |
| |
在那裡。 |
| |
是的。 |
| 布倫丹·利裡 |
你是一名高級研究統計學家，我環顧四周，我想我見過你的臉，但我還沒有機會見到你，很高興見到你。 |
| 瑞安·帕克，JMP |
太那麼你在哪裡。 |
| 布倫丹·利裡 |
我住在新澤西州，我將帶您參加紐約和新澤西州的項目。 |
| |
驚人的。 |
| 布倫丹·利裡 |
我在這個領域很開心，我可以展示你們創造的所有好東西。 |
| |
我認為你很完美。 |
| |
因此，當我們開始這裡時，我只講幾件事。 |
| |
讓我們首先看看，如果您的所有手機計算機通知所有爵士樂都關閉，您的麥克風看起來不錯。 |
| 瑞安·帕克，JMP |
喜歡。 |
| |
請勿打擾，讓我仔細檢查一下計算機。 |
| |
是的，不要打擾一切。 |
| 布倫丹·利裡 |
好吧，我沒有聽到任何類似“是否有風扇轉動”之類的聲音。 |
| 瑞安·帕克，JMP |
我知道，但是你聽不到。 |
| |
不。 |
| 布倫丹·利裡 |
你有任何寵物甚至收起來所以不不。 |
| 瑞安·帕克，JMP |
就是這樣。 |
| |
只是小孩子，但他們不會在身邊。 |
| 布倫丹·利裡 |
發生了一起狗事件，這是我最後一次發生的事情，這就是我要說的。 |
| |
好吧，好吧，讓我們看看你的顯示器，你是在 Windows 還是 MAC 上。 |
| |
MAC 你知道你的顯示設置是什麼嗎？如果是在 MAC 上可能沒問題，通常他們要求 1920 年 10 點。 |
| 瑞安·帕克，JMP |
這。 |
| 布倫丹·利裡 |
只是為了一個解決方案，但我想這很好。 |
| 瑞安·帕克，JMP |
是的，應該沒問題，好的，我。 |
| 布倫丹·利裡 |
想要向 JMP 期刊展示您將要使用的內容，或者它也是 PowerPoint。 |
| 瑞安·帕克，JMP |
所以我只分享桌面，這是最好的方法。 |
| 布倫丹·利裡 |
是的。 |
| 瑞安·帕克，JMP |
或者你喜歡分享。 |
| |
一次一個，這可能是隱藏縮放的最簡單方法。 |
| |
那麼讓我們從這個開始看看它是什麼樣子的。 |
| 布倫丹·利裡 |
偉大的。 |
| 瑞安·帕克，JMP |
好吧，這張幻燈片拍攝得非常快，只是為了確保不會出現任何奇怪的東西。 |
| 布倫丹·利裡 |
你知道時髦的動畫，你很棒。 |
| 瑞安·帕克，JMP |
是的，沒有奇怪的動畫，然後我將進入 JMP 和設置的開放狀態。 |
| |
並從那裡發射。 |
| 布倫丹·利裡 |
完美 好吧，我看起來我認為我們很好，我說的是，我給我帶來的唯一另一件事是，在你 JMP 進入並開始之前，我們將詳細記錄它，你知道。 |
| |
因此，如果您犯了錯誤，或者您想犯錯誤，則必須重新開始。 |
| |
但在開始之前請花幾秒鐘，也許可以在頭腦中從三到五倒數。 |
| |
好的，開頭和結尾都有一點空白，這樣你就可以翻轉它。 |
| 瑞安·帕克，JMP |
沒錯當然沒問題。 |
| 布倫丹·利裡 |
這就是我所得到的一切，所以我要繼續並跳到靜音，最後，我為 JMP 工作，我認為我沒有必要這樣做，但為了安全起見，我會閱讀它。 |
| |
您了解此錄製內容供 JMP Discovery 夏季會議使用，並將在 JMP 用戶社區中公開發布（如果您授予我們此錄製內容的許可）。 |
| 瑞安·帕克，JMP |
我確實請分享它。 |
| 布倫丹·利裡 |
我問，廣泛報導，以防萬一帕金森不會生我的氣。 |
| 瑞安·帕克，JMP |
是的，你知道有人配偶喜歡嘿你做了什麼。 |
| 布倫丹·利裡 |
你知道我知道我知道。 |
| |
酷瑞恩，謝謝你，我將在你的腦海中以靜音倒計時的方式播放我們的視頻，當你準備好時就開始吧。 |
| 瑞安·帕克，JMP |
好的，讓你知道，我認為 20 分鐘左右的時間是正確的。 |
| |
因為我覺得總共30個是對的，然後他們想給一些。 |
| |
額外的時間。 |
| 布倫丹·利裡 |
所以是的，簡潔是完美的，你給了 Q amp 的時間，這聽起來很理想。 |
| 瑞安·帕克，JMP |
好的，太好了。 |
| |
聽起來很棒。 |
| |
嗯，謝謝你今天來。 我叫瑞安·帕克。 我是一個 |
| |
直接函數PCA。 |
| |
這是一種分析功能數據的新方法。 我只想承認我們的首席數據科學家 Chris Gotwalt 不僅在 FDE 的發展中發揮了重要作用，而且在 |
| |
還有這個新工具，以及我們的 Rajneesh 測試團隊，你知道，他們的工作通常會被忽視，但卻是我們取得今天成就的一個重要原因。 |
| |
因此，我不會假設您甚至使用過 FDE，或者您甚至不知道功能數據是什麼。 |
| |
因此，從頭開始，確保我們都在同一頁面上。 功能數據……實際上，我們將其視為具有輸入 X 的任何數據，在本例中我們有一些溫度數據。 我們的輸入是周，所以這些是測量的 |
| |
一年中的每一個星期。 我們的輸出 Y 就是這個溫度。 |
| |
所以，你知道，你可以採樣來找到解決方案，也許每天或每小時，但總體思路是你還沒有完全採樣，你知道， |
| |
整個功能。 你有一些方法來處理它的一些樣本。 確實在所有情況下 |
| |
我們關心的是，雖然你可以使用一種功能，但我們也想考慮擁有多種功能。 因此，我們有多個氣象站，每週我們都會捕獲溫度。 |
| |
因此，雖然我們每週都會在這裡填寫，但我們不一定必須具有FDE 的這一功能，因為您可以擁有，您知道，某些月份的樣本點，或者它們沒有......它們可以在不同的時間點進行採樣時間地點。 |
| |
但它也不一定是，你知道......你的輸入不一定是傳統意義上的時間。 也許是溫度，並且您已經得到了這種清晰度的測量結果作為輸出。 |
| |
你知道，所以我們支持這一點。 |
| |
這實際上是你有一個輸入，你有一個輸出的映射。 或者也許您處於光譜設置中，所有輸入都是波長，現在您的輸出是強度。 |
| |
在一個例子中，我將展示直接函數式 PCA，我們有多個數據流、多個函數，所以我們不僅有，你知道， |
| |
不同的...不同的功能，但我們有不同的輸出。 你知道，我們有電荷、活塞力、電壓和真空，我們希望將所有這些結合在一起 |
| |
並分析它們。 |
| |
因此，這些類型的數據有助於推動功能數據瀏覽器的開發。 |
| |
我們有兩個主要問題... |
| |
我們通常用它來回答。 第一個是實驗設置的功能設計。 在這種情況下，我們有一些我們想要嘗試並聯繫起來的因素 |
| |
到我們的響應函數。 因此，在這種情況下，我們真正感興趣的是如何以某種方式塑造這個響應函數。 |
| |
因此，我們可以將這些因素與函數聯繫起來，在這種情況下，我們希望...我們的函數盡可能長時間地保留在綠色規範區域中，並且通過FDE，我們可以...我們可以提供幫助去做。 |
| |
另一個常見的情況是我們所說的函數式機器學習，在這種情況下，我們希望更多地將我們的函數視為 |
| |
對某事物的輸入。 因此，在我們的過程中，也許我們有最終的結果或最終的產量，就這個發酵過程數據而言。 |
| |
所以我們要總結一下這些函數的形狀。 使用它們作為預測模型的輸入，以幫助找出什麼會給我最好的結果。 |
| |
所以，實際上，你嘗試玩的一個大遊戲是函數式 PCA，函數式 PCA 正在做的是總結我們的數據。 |
| |
所以我這裡有一個非常簡單的例子，很容易看出它們都有不同的配對斜率。 |
| |
而且可能有點難以看出每個人的手段都略有不同。 所以我們的目標是激勵這一點，嘗試總結這些，你知道。 |
| |
使用一個簡單的案例來說明如何將其擴展到更複雜的情況。 |
| |
所以，當我們這樣做的時候？？？組合，我們將得到正交特徵函數，它將盡可能多地解釋函數與函數的變化。 |
| |
而且，一旦我們有了這些，我們就可以使用它們從我們所使用的所有這些函數中提取摘要。 |
| |
可用於預測建模。 所以我們採用一些非常複雜的形狀，在本例中它不是超級複雜，但我們將把它總結為幾個數據點，你知道，我們這裡有 10 個左右的數據點。 |
| |
這...這就是特徵函數的樣子 |
| |
對於這些數據。 所以我們拿出了兩個。 第一個解釋了大約 77% 的變化，它對開頭和結尾給予了最大的權重。 和 |
| |
正如您可能期望的那樣，這是總結，您知道，它正在量化這些數據的斜率。 而第二個特徵函數對整個輸入給予相同的權重，這就是量化平均值的差異。 |
| |
因此，現在我們想要轉換這些特徵函數，將它們與我們的數據一起使用，並獲得一個快速摘要，我們希望用它來解釋這些函數之間的差異。 所以 |
| |
以函數 2 為例，我們將該函數乘以第一個特徵函數。 我們將得到一個有很多負數的函數。 |
| |
因此，如果你想一想，你知道，將其積分，將所有這些負數相加，你將得到一個相當大的負數。 |
| |
所以我們可以看到第一個組件如何真正捕獲差異。 所以數字 10，對，是一個很大的正數，所以我們可以......我們可以在我們的數據中看到它也有那種很大的正斜率。 |
| |
對於第二個組成部分也有類似的想法，你知道，我們有較高的總體平均值與較低的總體平均值。 |
| |
而且，一旦我們有了這兩件事，我們就可以回到原來的功能。 |
| |
添加總體均值後，我們只取第一個函數主成分分數，請參見函數 1。 我們將它乘以第一個特徵函數 |
| |
然後我們添加第二個函數主成分分數，乘以第二個特徵函數，然後 |
| |
這將重新創建第一個。 在類似的過程中，使用第二個函數的分數使我們能夠 |
| |
重建或近似這些函數。 所以你可以看到，好吧，如果我們能夠為這些 FPC 分數構建模型， |
| |
你知道，我們可以了解 DOE 因素如何改變它們，在這種情況下，這會改變我們的 alpha 函數的形狀以及我們看到的第一個場景。 |
| |
那麼讓我們來看看為什麼要使用直接函數 PCA？ 又是什麼動機這樣做呢？ 所以如果你以前使用過FDE， |
| |
我們擁有的建模選項被視為基函數模型。 在這些情況下，他們真的......他們首先平滑數據，所以我們將擬合模型，我們將得到一個可以操作的平滑函數。 但部分問題是我們可能有很多 |
| |
很多事情我們必須進行調整。 所以在 B 樣條的情況下，我們必須選擇最好的， |
| |
你知道，樣條曲線中使用的多項式的次數，或者我們應該有多少個結？ 我們為您提供了一些默認設置，但是，您知道，我們也允許您更改這些結的位置。 這很棒並且適用於很多情況， |
| |
但是當您獲得更大的樣本量或更複雜的函數時，這可能需要花費大量時間，並且可能會真正調整這些結的所有位置。 |
| |
但 FDE 現在的工作方式是我們擬合模型，我們將對這些模型的係數執行 FPCA，並且之間存在良好的關係， |
| |
你知道，現在我們的特徵函數與我們的數據模型具有相同的形式。 因此，它帶來了很多好處，但無論是計算成本高昂還是模型做得不夠好，我們都需要另一種方法。 |
| |
所以 |
| |
之前的做法是先對數據進行平滑處理，現在我們在想，好吧，我們就按原樣獲取數據吧。 讓我們直接對其進行操作。 |
| |
然後從那裡我們平滑我們得到的特徵函數。 因此，這不是公平的，您知道同類比較，但是使用 B 樣條與直接 FPCA 相比，您會...您會傾向於注意到 |
| |
使用直接 FPCA 獲得的特徵函數會更平滑，這就是我們希望它更平滑的方式，你知道。 這裡的這個小神器真的那麼重要嗎？ |
| |
FPCA 表示，也許事實並非如此。 我認為它確實在最後一個特徵函數中被捕獲，它並沒有解釋很多變化。 我們這裡遇到了一些奇怪的顛簸。 |
| |
你知道，專家也許應該分析這個並說，不，這實際上是真實的，但最有可能的是，也許我們不應該給這個特徵函數太多的權重。 |
| |
可能不會使用它。 |
| |
因此，我們用來擬合直接函數 PCA 模型的算法在本質上與 Rice 和 Silverman 方法類似，主要是它是一個迭代過程。 所以我們要做的是，你知道... |
| |
首先我應該提到數據需要位於常規網格上。 因此，如果您的數據沒有在常規網格上，我們將直接為您進行插值。 我們還有一些選項...稱為“減少”的數據處理步驟選項，您可以 |
| |
適用於對我們所操作的網格進行精細控制。 |
| |
但在我們的過程中，我們將採用一個特徵函數。 |
| |
我們可以只要求第一個組件。 |
| |
擬合一個非常，你知道的，擬合一個平滑模型，然後要求下一個。 |
| |
一旦我們平滑了下一個，我們需要進行一些調整，以便我們讓您知道我們想要的正交性屬性。 |
| |
但這裡的想法是，我們……我們遇到了一個問題，我們試圖平滑許多不同的函數，以便首先讓模型可以使用，現在我們要 |
| |
我們真正集中精力一次平滑這些本徵函數。 而且我們的數量要少得多，因此對於大型數據集而言，該技術比 JMP 中的現有解決方案要快得多。 |
| |
所以我要講的例子是在製造過程中，只是為了讓您了解加速的想法， |
| |
如果您（在某種最佳情況下）知道要用於這些數據的確切 P 樣條模型，那麼擬合這些模型所需的時間是開箱即用的直接 FPCA 解決方案的三倍。 |
| |
不同之處在於，您不一定知道這些模型將會是什麼，因此您必須花時間來擬合多個模型，因此相對於直接 FPCA 要做的事情，現在您確實花費了很多時間。 |
| |
但是，所以這個例子 |
| |
特別關注我們將玻璃粘合到晶圓上的步驟。 |
| |
這個過程，你知道，周圍有一個真空，有一些工具，所有的東西都放在這個卡盤上， |
| |
這個過程正在運行，不幸的是，其中大約 10% 被銷毀，但這只是過程的中間，直到幾週後你才會知道 |
| |
他們被摧毀了。 所以我們的目標是......我們有傳感器通過這個過程收集數據，我們想嘗試用它來識別我們可以擺脫的晶圓 |
| |
早期的。也許有一個子集我們可以擺脫，所以我們不能在它們上花更多的錢，所以目標是嘗試使用我們的傳感器流數據來識別它。 |
| |
所以現在我會去JMP。 |
| |
我有一本日記，所以所有這些來源都可以在社區頁面上找到，但我將打開這個數據集 |
| |
我將啟動 |
| |
分析專業建模菜單中的功能數據瀏覽器。 |
| |
讓我們逐一瀏覽一下這些列。 所以我們有晶圓 ID，所以這只是我們的...... |
| |
將我們的不同職能分組。 |
| |
條件，所以這就是，你知道，這是好是壞？ 所以我們想要 |
| |
保留它，我們想稍後使用它，所以我們將它作為補充變量，這告訴 FDE，你知道，當我們將來保存東西時，繼續將其隨身攜帶。 |
| |
電荷、流量、活塞力、真空度和電壓 |
| |
作為此過程的一部分。 |
| |
要啟動 FDE， |
| |
我們只是滾動瀏覽一下，你知道我之前展示過這些，但這些都是我們擁有的不同類型的數據， |
| |
必然...可能不是每個模型都適合，你知道。 適合這個的同一型號可能不適合，你知道...適合充電的同一型號可能也不適合流量。 |
| |
但直接 FPCA 是單獨查看它們，並為我們處理這個問題。 在我開始之前，我想展示我提到的這個減少選項。 所以默認情況下... |
| |
這裡有三個選項卡。 您可以直接將其放在均勻間隔的網格上，可以將其分箱到觀察中，也可以刪除每個 |
| |
第 n 個變量來填寫它。 這些數據位於網格上。 我們實際上不需要做任何事情，但是我們可以，你知道，說好吧，讓我們這樣做，默認情況下，它會為你提供原始數據集的一半。 |
| |
現在你已經把它取下來了，形狀仍然相當相同。 在這種情況下，我們不必這樣做，它仍然很快，但如果您的數據是 |
| |
還沒有在網格上，或者你只是有很多，通過使用reduce，你仍然能夠捕獲關鍵特徵。 這確實是一件值得探索的事情。 |
| |
所以，由於我們有多個 ???，我將轉到此 FDE 組選項 |
| |
並推出直接函數PCA。 |
| |
因此，這花了幾秒鐘，但這是針對每個模型擬合的。 |
| |
收費。所以我們能夠適應，工作得相當好，我們有可用的診斷。 |
| |
我們有一個型號選擇選項可以讓您知道更改 FPC 分數的數量。 我們確定了四種最適合這種特殊情況的方法，而其他大多數人實際上只選擇了一種。 |
| |
但是，如果您以前使用過 FDE，您就會知道，您會看到這種熟悉的功能摘要，但什麼也沒有……我們沒有其他任何東西。 沒有先前的模型是正確的。 這是這樣的... |
| |
函數式 PCA 是模型，我們完全專注於此，而不是我們之前必須調整的其他內容 |
| |
在我的分數圖和分析器上。 因此，滾動瀏覽這些內容，我們可以看到，您所知道的我們似乎非常適合這些內容。 |
| |
活塞力……我說過，你知道，很多人最終都只是選擇了一個。 我的意思是，這可以解釋該案例中幾乎所有的變化。 |
| |
好的。 |
| |
好的。 再說一次，電壓，最後一個。 |
| |
因此，如果我們返回到該組選項，我們可以保存所有這些函數的摘要。 現在我們已經有效、相當快地使用了 FDE |
| |
加載我們的數據並獲取所有這些函數，並將它們總結為每個函數的幾個摘要。 |
| |
但我們主要的 |
| |
最感興趣的，主要是因為他們只是總結形狀的變化，或者這些 FPC 分數。 |
| |
但仍然存在一些信息，人們在 FDE 之前，他們會做什麼？ 你取平均值，或者查看標準差或其他摘要，這些東西仍然有價值，所以我認為這很好，你知道，我們默認情況下會帶上這些東西。 |
| |
我們有一些腳本。 因此，您原始數據表中的每個腳本也將被帶來，但我們還添加了這些分析器腳本，以便您可以啟動這些腳本並查看，好吧，我正在更改我的FPC 分數，這意味著什麼？ |
| |
並幫助建立對此的一些見解。 |
| |
所以我們現在要做的就是嘗試預測這種情況，無論好壞。 所以我將使用廣義回歸只是因為我認為它非常好 |
| |
方法不僅可以擬合這些模型，還可以解釋它們。 |
| |
但你真的可以使用任何東西。 你可以得到一個神經網絡，你可以做任何其他事情。 保存此表格後，您就可以隨意使用 JMP 的其餘部分 |
| |
看看你覺得你能最好地建模它。 因此，我將採用所有這些摘要，然後進行階乘二級運算。 |
| |
因此，我們嘗試預測最終條件，並將使用驗證數據集。 |
| |
我們的目標就是這樣，這到底是好是壞？ |
| |
所以，實際上，這可能是其中最長的計算部分。 默認情況下，我們將使用此驗證列執行套索。 我的意思是需要，我 |
| |
想一想，大約5-10秒就知道了。 |
| |
如果你願意的話，你總是可以儘早停止它，但你知道我們正在給它提供一組很好的功能，並觀察它們之間的交互來嘗試找出答案， |
| |
你知道，嘗試預測這種情況的最佳方法。 |
| |
這... |
| |
快完成了。 |
| |
現在只是在構建報告，一旦獲得此模型，您還會看到感覺上未繪製的內容。 |
| |
因此，我個人喜歡在中心和縮放的基礎上查看參數，以幫助更好地理解幅度差異。 |
| |
但其中一些，你知道，比如這個 FPC 分數，我想，你知道，它確實沒有提供任何信息，而 FPC 2 和 3 則用於充電 |
| |
更有幫助，所以你可以對它們進行排序並查看，你知道。 有點像我描述的那樣 |
| |
平均值或最小值或標準差的簡單總結，它們提供了信息，但是，我們也看到在總結中肯定有很多信息...... |
| |
使用這些 FPC 分數來繪製這些函數的形狀。 所以我會轉到另一邊，而你知道這個流量標準差似乎非常重要，我認為， |
| |
你知道，我喜歡這個的另一個原因是，如果你負責這個過程，並且你可以控制流量標準偏差， |
| |
這可以幫助你，你知道，也許你不需要知道第一步是什麼，好吧，嘿，也許我們實際上可以做到這一點的一部分 |
| |
在我們構建模型之前進行改進，好吧，現在讓我們放棄這些。 假設我們已經做到了，這是我們的模型，我們想嘗試構建一個啟發式模型 |
| |
是好是壞。 什麼時候我只想繼續並放棄它？ 因此，讓我們保存預測公式的列，這將被保存回摘要表中。 所以 GenReg 將為我們提供壞的概率、好的概率、最可能的條件。 |
| |
所以我們可以...我們可以在這裡停下來說好吧，如果它高於 0.5，讓我們仔細看看它，或者如果它高於，我不知道，0.75，感覺很好。 讓我們...也許僅僅因為 |
| |
其餘過程的成本。 你知道，你可能會根據現實世界的影響來選擇這個概率。 |
| |
或者我們可以讓分區模型幫助我們解決這個問題，所以我們現在要使用的就是這個概率作為一個因素。 我們只是說好吧 |
| |
我可以用手看看這個，讓我們有一個模型來幫助我嘗試弄清楚，你知道，它將如何將這些條件分組。 因此，我們將採取這一點，維護我們的驗證數據集，這樣我們就不會出現雙重浸入的情況。 |
| |
所以現在我們所有的藍色都是壞的，紅色是好的，所以值得慶幸的是，總的來說，大多數都是好的。 |
| |
但讓我們分開吧。 因此，如果壞的概率小於 0.1，則很可能是好。 我們大部分的壞處都在這個大於0.1的地方。 這說得通。 再次分裂。 現在我們真正關注的是……他們中的很多人都在其中 |
| |
是超過 0.25 的概率。 我們再分開一次，然後 |
| |
至少對於訓練數據來說，它非常適合，嘿，所有這些都在 0.6 以上，它們都很糟糕。 你知道，你真的沒想到會發生這種事 |
| |
實際上，這種訓練或驗證 R 平方確實強調了這一點，您知道，像大多數模型一樣，您可以在訓練集上做得比在驗證數據集上做得更好。 |
| |
但它現在給了我們，你知道，我覺得 0.75 很好，但實際上這意味著，也許我們真的需要關注那些 0.6 或更高的。 |
| |
所以，這就是，你知道有點...... |
| |
我想現在，我們已經到了你知道的地步，這些都是模擬數據。 在現實世界中，這非常有幫助，比如解釋，你知道，我們……我們可以改進我們的流程嗎？不僅在這方面，而且在我們擁有的其他樣本數據集中也很有幫助。 |
| |
讓我們回到幻燈片。 |
| |
好的，所以我大致回顧並總結了功能性PCA 是什麼，是什麼激發了這種新的直接FPCA 方法，並向您展示瞭如何在一個示例中使用它，您知道，在這個示例中我們試圖儘早丟棄一些東西製造過程。 |
| |
所以，最後的一些技巧實際上是，你知道，它......快速計算使其非常適合大型數據集。 在某些方面，你可以從這裡開始 |
| |
然後說，好吧，FPCA 的直接想法是什麼？ 它是如此之快，我不需要你知道擺弄模型控件。 在某些方面，如果您擁有大量數據，那麼這是一個很好的起點。 |
| |
但它並不完美，你知道。 我展示了一些診斷程序，您可以看到它是否不太合適，就像任何模型一樣，僅僅因為它很快並不意味著它很好。 所以只要確保你是 |
| |
確定可能的問題，也許您需要不同的方法。 我的意思是，我們還有其他基本函數模型 |
| |
針對非常特殊類型的數據進行研究，您知道，即使這種方法也不一定像這些非常具體的模型那樣有效。 |
| |
那就是，你知道......其中一部分是數據必須位於網格上，並嘗試使用reduce來幫助你控制該網格，如果看起來事情要么太慢，要么真的不，有點，使得從某種意義上說，也許我們默認所做的事情對您的數據沒有好處 |
| |
就像你自己可以做的那樣。 |
| |
非常感謝您的到來，如果有人有任何問題，我會回答。 |
