Lautsprecher
|
Transkript
|
| Brendan Leary |
sie haben Recht. |
| Ryan Parker, JMP |
du bist. |
| |
Hier. |
| |
Mir geht es gut. |
| |
Du kannst mich gut hören. |
| Brendan Leary |
Ich kann dich hören, okay, du kannst mich hören, okay. |
| |
Ja, alles klar, gut, du hast den Ton. Schön, dich kennenzulernen. |
| |
Offensichtlich arbeiten Sie dabei für Chris oder. |
| |
großartig, ich bin. |
| Ryan Parker, JMP |
Chefdatenwissenschaftler hat Recht, also habe ich dieses Recht. |
| Brendan Leary |
Das ist ein großer Titel. |
| |
genau da. |
| |
Ja. |
| Brendan Leary |
Und Sie sind ein leitender Forschungsstatistiker. Ich schaue mich um, und ich glaube, ich habe Ihr Gesicht gesehen, aber ich hatte keine Gelegenheit, Sie kennenzulernen. Es ist schön, Sie kennenzulernen. |
| Ryan Parker, JMP |
Also, wo bist du? |
| Brendan Leary |
Von New Jersey aus begleite ich Sie zu Projekten in New York und New Jersey. |
| |
Eindrucksvoll. |
| Brendan Leary |
Ich habe Spaß auf dem Feld und kann all die guten Dinge zeigen, die ihr so baut. |
| |
Ich denke, du bist perfekt. |
| |
Also, wenn wir hier anfangen, nur ein paar Dinge, wenn ich bin. |
| |
Sehen wir uns zuerst die wichtigsten Dinge an: Ihr Mikrofon sieht gut aus, wenn alle Benachrichtigungen Ihres Mobiltelefons, Ihres Computers und dieser Jazz ausgeschaltet sind. |
| Ryan Parker, JMP |
Würde gerne. |
| |
Bitte nicht stören. Lassen Sie mich den Computer noch einmal überprüfen. |
| |
Ja, störe nicht bei allem. |
| Brendan Leary |
Okay, ich höre nichts davon, ob ein Ventilator läuft oder so. |
| Ryan Parker, JMP |
Das tue ich, aber du kannst es nicht hören, okay. |
| |
NEIN. |
| Brendan Leary |
Sie haben alle Haustiere sogar weggeräumt, also nein, nein. |
| Ryan Parker, JMP |
das ist einfach. |
| |
Nur kleine Kinder, aber sie werden nicht da sein. |
| Brendan Leary |
Ich hatte einen Vorfall mit einem Hund, der letzte, den ich gemacht habe, das ist alles, was ich sagen kann. |
| |
In Ordnung, in Ordnung, sehen wir uns mal Ihr Display an, ob Sie Windows oder MAC verwenden. |
| |
MAC, wissen Sie, welche Anzeigeeinstellungen Sie haben? Es ist wahrscheinlich in Ordnung, wenn es sich um einen MAC handelt. Normalerweise wird nach 1920 mal 10 Uhr gefragt. |
| Ryan Parker, JMP |
Der. |
| Brendan Leary |
Nur zur Lösung, aber ich stelle mir vor, dass es in Ordnung ist. |
| Ryan Parker, JMP |
Ja, sollte in Ordnung sein. OK, ich. |
| Brendan Leary |
Wenn Sie zeigen möchten, wofür Sie es verwenden möchten, verwenden Sie es nur im JMP-Journal, oder handelt es sich auch um eine PowerPoint-Präsentation. |
| Ryan Parker, JMP |
Deshalb gebe ich einfach den Desktop frei. Das ist der beste Weg, das zu tun. |
| Brendan Leary |
Ja. |
| Ryan Parker, JMP |
Oder teilen Sie gerne. |
| |
Dies ist wahrscheinlich die einfachste Möglichkeit, den Zoom nacheinander auszublenden. |
| |
Beginnen wir also damit und sehen, wie das aussieht. |
| Brendan Leary |
Großartig. |
| Ryan Parker, JMP |
Okay, dieser Diafilm geht ganz schnell, nur um sicherzustellen, dass nichts Seltsames auftaucht. |
| Brendan Leary |
Du kennst ausgefallene Animationen, du bist gut. |
| Ryan Parker, JMP |
Ja, keine seltsamen Animationen und dann gehe ich einfach zu JMP und öffne den Setup-Status und. |
| |
Und ein Start von dort. |
| Brendan Leary |
Perfekt. Okay, ich sehe aus, ich denke, wir sind gut, oder? Das Einzige, was ich sonst noch sagen kann, ist, dass wir es bis ins Detail aufzeichnen, bevor Sie JMP reinbringen und anfangen. |
| |
Wenn Sie also einen Fehler machen oder möchten, müssen Sie von vorne beginnen. |
| |
Aber nehmen Sie sich einfach ein paar Sekunden Zeit, bevor Sie beginnen, und zählen Sie vielleicht im Kopf von drei oder fünf herunter. |
| |
Okay, ein bisschen Leerraum am Anfang und am Ende, damit Sie es umdrehen können. |
| Ryan Parker, JMP |
Stimmt, klar, okay. |
| Brendan Leary |
Und das ist alles, was ich habe, also schalte ich einfach die Stummschaltung ein und schließlich arbeite ich für JMPs. Ich glaube nicht, dass ich das muss, aber ich werde es sicherheitshalber lesen. |
| |
Sie verstehen, dass diese Aufzeichnung für die JMP Discovery Summer Conference bestimmt ist und in der JMP-Benutzergemeinschaft öffentlich verfügbar sein wird, sofern Sie uns die Erlaubnis für diese Aufzeichnung erteilen. |
| Ryan Parker, JMP |
Ich teile es bitte. |
| Brendan Leary |
Viel berichtet, nur für den Fall, dass Perkinson nicht sauer auf mich sein kann, fragte ich. |
| Ryan Parker, JMP |
Ja, du kennst jemanden, der als Ehepartner sagt: „Hey, was hast du getan?“ |
| Brendan Leary |
Du weißt, ich weiß, ich weiß. |
| |
Cooler Ryan, danke. Ich zähle in deinem Kopf unseren Video-Hop-On-Mute-Countdown ab und wenn du bereit bist, fang an. |
| Ryan Parker, JMP |
Okay, und nur damit Sie es wissen: Ich glaube, dass die Zeit, die ich mir dafür genommen habe, etwa 20 Minuten beträgt. |
| |
Weil es meiner Meinung nach insgesamt 30 ist, und dann wollten sie etwas abgeben. |
| |
Extra Zeit. |
| Brendan Leary |
Also ja, die Kürze ist perfekt, also haben Sie sich Zeit für einen Q-Verstärker gegeben, der ideal klingt. |
| Ryan Parker, JMP |
OK großartig. |
| |
klingt gut. |
| |
Vielen Dank, dass Sie heute gekommen sind. Mein Name ist Ryan Parker. Ich bin ein |
| |
direkte funktionale PCA. |
| |
Und es ist eine neue Art der Analyse funktionaler Daten. Und ich möchte nur unseren Chef-Datenwissenschaftler Chris Gotwalt anerkennen, der nicht nur bei der Entwicklung von FDE eine wichtige Rolle gespielt hat, sondern auch bei der Entwicklung von FDE |
| |
auch dieses neue Tool, sowie unser Testteam von Rajneesh, dessen Arbeit, wie Sie wissen, normalerweise unbemerkt bleibt, aber einen großen Teil davon ausmacht, warum wir heute dort sind, wo wir sind. |
| |
Deshalb gehe ich nicht davon aus, dass Sie FDE überhaupt verwendet haben oder dass Sie vielleicht nicht einmal wissen, was funktionale Daten sind. |
| |
Fangen Sie also einfach am Anfang an, um sicherzustellen, dass wir alle auf dem gleichen Stand sind. Funktionsdaten...wir stellen uns darunter eigentlich alles vor, was einen Eingang X hat, in diesem Fall haben wir einige Temperaturdaten. Unser Input ist die Woche, also werden diese gemessen |
| |
jede Woche im Jahr. Und unsere Ausgabe Y ist diese Temperatur. |
| |
Sie könnten also Proben nehmen, um eine Lösung zu finden, vielleicht jeden Tag oder jede Stunde, aber die Grundidee ist, dass Sie noch nicht vollständig getestet haben, wissen Sie, |
| |
die ganze Funktion. Sie haben eine Möglichkeit, mit einigen Stichproben davon zu arbeiten. Und zwar wirklich in allen Fällen |
| |
Das ist uns wichtig. Obwohl Sie eine Funktion verwenden können, möchten wir auch darüber nachdenken, mehrere Funktionen zu haben. Deshalb haben wir mehrere Wetterstationen, an denen wir jede Woche die Temperatur erfassen. |
| |
Obwohl wir hier also jede Woche ausgefüllt haben, müssen wir nicht unbedingt über diese Funktion von FDEs verfügen, da Sie einige Monate Stichprobenpunkte haben können oder auch nicht ... sie können an unterschiedlichen Stellen abgetastet werden Zeitorte. |
| |
Aber es muss auch nicht so sein, wissen Sie ... Ihr Beitrag muss nicht Zeit im herkömmlichen Sinne sein. Vielleicht ist es die Temperatur und Sie haben diese Klarheit der Messung als Ergebnis. |
| |
Wissen Sie, also unterstützen wir das. |
| |
Es ist wirklich diese Zuordnung, dass man einen Input und einen Output hat. Oder vielleicht befinden Sie sich in einer spektralen Umgebung und haben nur die Wellenlänge als Eingabe und jetzt als Ausgabe die Intensität. |
| |
In einem Beispiel, das ich zur Veranschaulichung der direkten funktionalen PCA zeigen werde, haben wir mehrere Datenströme, mehrere Funktionen, also haben wir nicht nur, wissen Sie, |
| |
eine andere...andere Funktion, aber wir haben unterschiedliche Ausgänge. Wir haben, wissen Sie, eine Ladung, eine Kolbenkraft, eine Spannung und ein Vakuum, und wir wollen all das zusammenbringen |
| |
und analysieren sie. |
| |
Und so tragen diese Art von Daten dazu bei, die Entwicklung eines funktionalen Daten-Explorers zu motivieren. |
| |
Und es gibt zwei Hauptfragen, die wir... |
| |
Wir verwenden es normalerweise, um zu antworten. Die erste ist eine funktionale Versuchsplanung. In diesem Umfeld gibt es Faktoren, die wir versuchen und in Beziehung setzen möchten |
| |
zu unserer Antwortfunktion. In diesem Fall interessiert uns also wirklich, wie wir diese Antwortfunktion auf eine bestimmte Weise gestalten können. |
| |
Wir können diese Faktoren also mit der Funktion verknüpfen und in diesem Fall wollten wir ... unsere Funktion so lange wie möglich im grünen Spezifikationsbereich bleiben, und mit FDE können wir ... wir können helfen TU das. |
| |
Der andere häufige Fall ist das, was wir funktionales maschinelles Lernen nennen, und in diesem Fall möchten wir uns unsere Funktionen mehr als etwas vorstellen |
| |
Eingaben zu etwas. In unserem Prozess haben wir also möglicherweise die Endergebnisse oder einen Endertrag, im Fall dieser Fermentationsprozessdaten. |
| |
Deshalb wollen wir die Formen dieser Funktionen zusammenfassen. Verwenden Sie sie als Eingaben für ein Vorhersagemodell, um herauszufinden, was mir das beste Ergebnis liefert. |
| |
Das große Spiel dabei, das Sie zu spielen versuchen, ist also die funktionale PCA, und die funktionale PCA fasst unsere Daten zusammen. |
| |
Ich habe hier ein wirklich einfaches Beispiel, bei dem es wahrscheinlich ziemlich leicht zu erkennen ist, dass sie alle unterschiedliche Paarungssteigungen haben. |
| |
Und es ist möglicherweise etwas schwieriger zu erkennen, dass die Mittel bei jedem etwas anders sind. Unser Ziel ist es also, dies zu motivieren, indem wir versuchen, diese zusammenzufassen. |
| |
Verwenden Sie einen einfachen Fall, um zu erfahren, wie wir dies auf komplexere Situationen erweitern können. |
| |
Und wenn wir das tun ??? Zusammensetzung erhalten wir orthogonale Eigenfunktionen, die so viel wie möglich von der Funktion-zu-Funktion-Variation erklären. |
| |
Und sobald wir diese haben, können wir sie verwenden, um Zusammenfassungen aus all diesen Funktionen zu extrahieren, die wir nutzen |
| |
Kann in der Vorhersagemodellierung verwendet werden. Wir nehmen also, wissen Sie, eine wirklich komplexe Form an, in diesem Fall ist sie nicht besonders komplex, aber wir werden sie auf ein paar Datenpunkte aus, wissen Sie, den etwa 10 Datenpunkten, die wir hier haben, zusammenfassen. |
| |
So sieht eine Eigenfunktion aus |
| |
für diese Daten. Also haben wir zwei herausgezogen. Der erste erklärt etwa 77 % der Variation und gibt dem Anfang und dem Ende das größte Gewicht. Und |
| |
Dies ist, wie Sie vielleicht erwarten, eine Zusammenfassung, Sie wissen, es geht darum, die Steigung dieser Daten zu quantifizieren. Wohingegen die zweite Eigenfunktion dem gesamten Input das gleiche Gewicht verleiht und so den Unterschied im Mittelwert quantifiziert. |
| |
Jetzt wollen wir diese Eigenfunktionen umwandeln, sie mit unseren Daten verwenden und eine kurze Zusammenfassung erhalten, mit der wir die Unterschiede zwischen diesen Funktionen erklären möchten. Also |
| |
Am Beispiel von Funktion 2 multiplizieren wir diese Funktion mit dieser ersten Eigenfunktion. Wir werden eine Funktion erhalten, die viele negative Zahlen hat. |
| |
Wenn Sie also darüber nachdenken, das Integral davon zu bilden und einfach alle diese negativen Zahlen zu addieren, erhalten Sie eine ziemlich große negative Zahl. |
| |
So können wir sehen, wie diese erste Komponente die Unterschiede wirklich erfasst. Die Zahl 10, richtig, war also eine große positive Zahl, und so können wir ... wir können in unseren Daten irgendwie erkennen, dass sie auch eine so große positive Steigung hatte. |
| |
Und eine ähnliche Idee für die zweite Komponente, wo wir, wie Sie wissen, höhere und niedrigere Gesamtdurchschnitte haben. |
| |
Und sobald wir diese beiden Dinge haben, können wir zu unserer ursprünglichen Funktion zurückkehren. |
| |
Wenn wir einen Gesamtmittelwert addieren, nehmen wir einfach die erste funktionale Hauptkomponentenbewertung und betrachten hier Funktion 1. Wir multiplizieren es mit der ersten Eigenfunktion |
| |
Und dann addieren wir die zweite funktionale Hauptkomponentenbewertung, multiplizieren sie mit der zweiten Eigenfunktion und |
| |
das wird dieses erste neu erstellen. In einem ähnlichen Prozess können wir die Ergebnisse mit der zweiten Funktion verwenden |
| |
diese Funktionen rekonstruieren oder annähern. Sie können also irgendwie sehen, wo, okay, wenn wir in der Lage sind, Modelle für diese FPC-Scores zu erstellen, |
| |
Wir können verstehen, wie DOE-Faktoren sie verändern. In diesem Fall ändert sich dadurch die Form unserer Alpha-Funktion und sozusagen das erste Szenario, das wir uns angesehen haben. |
| |
Lassen Sie uns also näher darauf eingehen, warum direkte funktionale PCA? Noch einmal: Was war die Motivation, dies zu tun? Wenn Sie also schon einmal FDE verwendet haben, |
| |
Die uns zur Verfügung stehenden Modellierungsoptionen werden als Basisfunktionsmodelle bezeichnet. Und in diesen Fällen glätten sie wirklich zuerst die Daten, sodass wir das Modell anpassen und eine Glättungsfunktion erhalten, mit der wir arbeiten können. Aber ein Teil des Problems besteht darin, dass wir möglicherweise viele davon haben |
| |
Es gibt viele Dinge, die wir irgendwie abstimmen müssen. Im Fall von B-Spline müssen wir also auswählen, was das Beste ist. |
| |
Wissen Sie, den Grad des Polynoms, das im Spline verwendet werden soll, oder wie viele Knoten sollten wir haben? Und wir geben Ihnen dafür einige Standardvorgaben, aber wir erlauben Ihnen auch, die Positionen dieser Knoten zu ändern. Und das ist großartig und funktioniert in vielen Fällen, |
| |
Wenn Sie jedoch größere Stichprobengrößen oder komplexere Funktionen erhalten, kann dies viel Zeit in Anspruch nehmen und es ist möglicherweise auf dem richtigen Weg, wirklich alle Positionen dieser Knoten abzustimmen. |
| |
Aber die Art und Weise, wie FDE jetzt funktioniert, besteht darin, dass wir das Modell anpassen, eine FPCA für die Koeffizienten dieser Modelle durchführen und es gibt diese schöne Beziehung zwischen: |
| |
Wissen Sie, jetzt haben unsere Eigenfunktionen die gleiche Form wie das Modell unserer Daten. Es bringt also viele schöne Dinge mit sich, aber egal, ob es sich um kostspielige Berechnungen handelt oder ob die Modelle es einfach nicht gut machen, wir brauchten einen anderen Ansatz. |
| |
Und so |
| |
Der vorherige Ansatz besteht darin, die Daten zuerst zu glätten, und jetzt denken wir darüber nach: Okay, nehmen wir die Daten einfach so, wie sie sind. Lassen Sie uns direkt darauf eingehen. |
| |
Und dann glätten wir von dort aus die Eigenfunktionen, die wir erhalten. Das ist also kein fairer Vergleich von Äpfeln zu Äpfeln, aber bei B-Splines im Vergleich zu direktem FPCA werden Sie ... Sie werden feststellen, dass die |
| |
Die Eigenfunktionen, die Sie erhalten, sind mit der direkten FPCA etwas glatter, und das liegt naturgemäß an der Art und Weise, wie wir wollten, dass es etwas glatter wird, wissen Sie. Ist dieses kleine Artefakt hier wirklich so wichtig? |
| |
Die FPCA sagt, vielleicht ist es das nicht. Ich denke, es ist wirklich in der letzten Eigenfunktion erfasst, wo es nicht viel von der Variation erklärt. Wir bekommen hier ein paar seltsame Beulen. |
| |
Wissen Sie, ein Experte sollte das vielleicht analysieren und sagen: Nein, das ist tatsächlich real, aber höchstwahrscheinlich sollten wir dieser Eigenfunktion vielleicht nicht wirklich viel Gewicht beimessen. |
| |
Benutze es wahrscheinlich nicht. |
| |
Daher ähnelt der Algorithmus, den wir zur Anpassung des direkten funktionalen PCA-Modells verwenden, im Geiste dieser Methode von Rice und Silverman, vor allem, weil es sich um einen iterativen Prozess handelt. Was wir also tun, ist, wissen Sie... |
| |
Zunächst sollte ich erwähnen, dass die Daten in einem regelmäßigen Raster vorliegen müssen. Wenn Ihre Daten also nicht in einem regulären Raster vorliegen, interpolieren wir sie direkt für Sie. Wir haben auch einige Optionen ... Datenverarbeitungsschrittoptionen namens „Reduzieren“, die Sie durchführen können |
| |
Sie dienen dazu, das Netz, in dem wir arbeiten, genau zu steuern. |
| |
Aber in unserem Verfahren nehmen wir eine Eigenfunktion. |
| |
Wir können einfach nach der ersten Komponente fragen. |
| |
Passen Sie ein sehr gutes Glättungsmodell an und fragen Sie dann nach dem nächsten. |
| |
Und sobald wir das nächste geglättet haben, müssen wir einige Anpassungen vornehmen, damit Sie die gewünschten Orthogonalitätseigenschaften kennen. |
| |
Aber die Idee hier ist, dass wir ... wir haben ein Problem angenommen, bei dem wir versuchen, viele verschiedene Funktionen zu glätten, um zunächst Modelle zum Arbeiten zu bringen, und das werden wir jetzt tun |
| |
Wir konzentrieren unsere Bemühungen wirklich darauf, diese Eigenfunktionen einzeln zu glätten. Und wir haben eine viel geringere Anzahl davon, sodass diese Technik für große Datenmengen viel schneller ist als bestehende Lösungen in JMP. |
| |
Das Beispiel, das ich durchgehen werde, ist ein Herstellungsprozess, und nur um Ihnen eine Vorstellung von den Beschleunigungen zu geben, |
| |
Wenn Sie im besten Fall das genaue P-Spline-Modell kennen würden, das Sie für diese Daten verwenden möchten, würde die Anpassung dieser Modelle dreimal so lange dauern wie bei der sofort einsatzbereiten direkten FPCA-Lösung. |
| |
Der Unterschied besteht darin, dass Sie nicht unbedingt wissen, um welche Modelle es sich handelt, sodass Sie sich Zeit nehmen müssen, um mehrere Modelle anzupassen, und jetzt haben Sie im Vergleich zu dem, was direkte FPCA tun wird, wirklich viel Zeit in Anspruch genommen . |
| |
Aber so ist dieses Beispiel |
| |
befasst sich speziell mit einem Schritt, bei dem wir Glas auf einen Wafer kleben. |
| |
Und dieser Prozess ist wie ein Vakuum umgeben, es gibt einige Werkzeuge, alles sitzt auf diesem Spannfutter und |
| |
Dieser Prozess läuft und leider werden etwa 10 % davon zerstört, aber das ist erst mitten im Prozess und man erfährt es erst Wochen später |
| |
dass sie zerstört wurden. Unser Ziel ist also, dass wir über Sensoren verfügen, die über diesen Prozess Daten sammeln. Wir wollen versuchen, damit Wafer zu identifizieren, die wir irgendwie loswerden können |
| |
früh. Vielleicht gibt es eine Teilmenge, die wir loswerden können, sodass wir kein Geld mehr dafür ausgeben können. Das Ziel besteht also darin, dies mithilfe unserer Sensorstromdaten zu identifizieren. |
| |
Jetzt gehe ich also zu JMP. |
| |
Und ich habe ein Tagebuch, daher werden alle diese Quellen auf der Community-Seite verfügbar sein, aber ich werde diesen Datensatz öffnen |
| |
Und ich werde starten |
| |
Funktionsdaten-Explorer aus dem Analyse-Spezialmodellierungsmenü. |
| |
Gehen wir also jede dieser Spalten durch. Wir haben also die Wafer-ID, das ist also sozusagen unsere... |
| |
gruppiert unsere verschiedenen Funktionen. |
| |
War der Zustand also gut oder schlecht? Also wollen wir |
| |
Behalten Sie das bei, wir wollen es später verwenden, also fügen wir es einfach als zusätzliche Variable ein und das sagt FDE, wissen Sie, wenn wir in Zukunft Dinge speichern, bringen wir das mit. |
| |
Ladung, der Durchfluss, die Kolbenkraft, das Vakuum und diese Spannung |
| |
als Teil dieses Prozesses. |
| |
Um FDE zu starten, |
| |
Wir scrollen einfach durch und sehen, wie Sie wissen, dass ich diese vorhin gezeigt habe, aber das sind all die verschiedenen Arten von Daten, die wir haben und |
| |
unbedingt...es kann sein, dass nicht jedes Modell passt, wissen Sie? Das gleiche Modell, das hier passt, passt vielleicht nicht, wissen Sie ... das gleiche Modell, das zum Laden passt, passt vielleicht auch nicht zum Durchfluss. |
| |
Bei der direkten FPCA geht es jedoch darum, sie einzeln zu betrachten und das für uns zu erledigen. Bevor ich dazu eingehe, möchte ich die von mir erwähnte Reduzierungsoption zeigen. Also standardmäßig... |
| |
Nun, es gibt hier drei Registerkarten. Sie können es direkt in ein gleichmäßig verteiltes Raster einfügen, Beobachtungen einteilen oder alle entfernen |
| |
n-te Variable, um es irgendwie auszufüllen. Diese Daten werden in einem Raster angezeigt. Wir müssen eigentlich nichts tun, aber wir könnten, wissen Sie, sagen: Okay, machen wir das, und standardmäßig erhalten Sie die Hälfte des ursprünglichen Datensatzes. |
| |
Jetzt haben Sie es also abgenommen und die Formen sind immer noch ziemlich gleich. In diesem Fall müssen wir es nicht tun, es ist immer noch schnell, aber wenn Ihre Daten es auch sind |
| |
Wenn Sie sich noch nicht in einem Raster befinden oder einfach nur viel davon haben, können Sie durch die Verwendung von Reduce immer noch die wichtigsten Funktionen erfassen. Es ist wirklich etwas, das es wert ist, erkundet zu werden. |
| |
Da wir also mehrere ??? haben, gehe ich zu dieser FDE-Gruppenoption |
| |
und direkte funktionale PCA starten. |
| |
Das hat also ein paar Sekunden gedauert, aber für jeden passt ein Modell. |
| |
Aufladung. Wir sind also in der Lage, uns anzupassen, es funktioniert einigermaßen gut und wir verfügen über Diagnosemöglichkeiten. |
| |
Wir verfügen über eine Modellauswahloption, mit der Sie die Anzahl der FPC-Ergebnisse ändern können. Wir haben festgestellt, dass für diesen speziellen Fall vier am besten geeignet sind, und für die meisten anderen Fälle wird tatsächlich nur einer ausgewählt. |
| |
Aber wenn Sie FDE schon einmal verwendet haben, sehen Sie diese vertrauten Funktionszusammenfassungen, aber es gibt nichts ... wir haben nichts anderes. Es gibt kein Vorgängermodell, das richtig ist. Das ist so etwas... |
| |
Die funktionale PCA ist das Modell und wir konzentrieren uns ausschließlich darauf und nicht auf andere Dinge, die wir vorher unbedingt optimieren mussten |
| |
auf meinen Score-Plots und Profilern. Wenn wir also durch diese scrollen, können wir sehen, dass wir, wie Sie wissen, scheinbar ziemlich gut dazu passen. |
| |
Kolbenkraft ... und ich sagte, viele von ihnen entscheiden sich am Ende einfach für einen. Ich meine damit, dass dies fast alle Variationen in diesem Fall erklärt. |
| |
Okay. |
| |
Gut. Wieder Spannung, also das Letzte. |
| |
Wenn wir also zu dieser Gruppenoption zurückkehren, können wir die Zusammenfassungen für alle diese Funktionen speichern. Jetzt haben wir FDE effektiv und ziemlich schnell genutzt |
| |
Laden Sie unsere Daten, nehmen Sie alle diese Funktionen und fassen Sie sie in nur wenigen Zusammenfassungen für jede einzelne zusammen. |
| |
Aber die wichtigsten sind wir |
| |
sind am meisten interessiert, vor allem weil sie lediglich die Variation in den Formen oder diese FPC-Werte zusammenfassen. |
| |
Aber es gibt immer noch Informationen in Dingen, die Menschen, wissen Sie, vor FDE, was würden sie tun? Man nimmt den Mittelwert, oder man schaut sich Standardabweichungen oder andere Zusammenfassungen an, und diese Dinge haben immer noch einen Wert, also denke ich, dass es gut ist, wissen Sie, dass wir diese standardmäßig mitbringen. |
| |
Wir haben einige Skripte. Jedes Skript, das Sie in Ihrer ursprünglichen Datentabelle hatten, wird also ebenfalls mitgebracht, aber wir fügen auch diese Profiler-Skripte hinzu, damit Sie diese starten und sehen können, okay, wenn ich meine FPC-Scores ändere, was bedeutet das? |
| |
Und helfen Sie dabei, einen Einblick in dieses Thema zu gewinnen. |
| |
Was wir jetzt tun wollen, ist, diesen Zustand, ob gut oder schlecht, vorherzusagen. Deshalb werde ich die generalisierte Regression verwenden, nur weil ich denke, dass sie, wissen Sie, wirklich gut ist |
| |
Methode, um diese Modelle nicht nur anzupassen, sondern auch zu interpretieren. |
| |
Aber man könnte wirklich alles gebrauchen. Sie könnten ein neuronales Netzwerk bekommen, Sie könnten alles andere tun. Sobald Sie ... sobald Sie diese Tabelle gespeichert haben, können Sie den Rest von JMP verwenden |
| |
dafür, wie Sie das Gefühl haben, dass Sie es am besten modellieren könnten. Also nehme ich alle diese Zusammenfassungen und mache einfach eine faktorielle Prüfung bis zum zweiten Grad. |
| |
Wir versuchen also, den Endzustand vorherzusagen und verwenden den Validierungsdatensatz. |
| |
Und wir zielen darauf ab: War es schlimm oder nicht? |
| |
Und das ist wahrscheinlich tatsächlich der längste Rechenabschnitt hiervon. Mit dieser Validierungsspalte führen wir standardmäßig ein Lasso aus. Ich meine, es dauert, ich |
| |
Denken Sie, um Sie wissen 5-10 Sekunden. |
| |
Sie können es jederzeit vorzeitig beenden, wenn Sie möchten, aber Sie wissen, dass wir ihm eine ganze Reihe guter Funktionen zur Verfügung stellen und uns die Interaktionen zwischen ihnen ansehen, um herauszufinden, |
| |
Sie wissen schon, der beste Weg, diesen Zustand vorherzusagen. |
| |
Der... |
| |
fast fertig. |
| |
Jetzt wird nur der Bericht erstellt, und sobald Sie dieses Modell erhalten, werden Sie auch Dinge sehen, die gefühlt nicht abgebildet wurden. |
| |
Daher bin ich persönlich ein Fan davon, die Parameter auf einer zentrierten und skalierten Basis zu betrachten, um Größenunterschiede besser zu verstehen. |
| |
Aber einige davon, wissen Sie, wie dieser FPC-Score, dachte ich, wissen Sie, er ist wirklich nicht informativ, während FPC 2 und 3 für die Anklage stehen |
| |
sind hilfreicher, sodass Sie sie irgendwie sortieren und sehen können. Und so ähnlich wie ich es beschrieben habe, Dinge wie |
| |
Einfache Zusammenfassungen von Mittelwerten, Minima oder Standardabweichungen geben zwar Informationen, aber wir sehen auch, dass in den Zusammenfassungen der ... auf jeden Fall viele Informationen enthalten sind. |
| |
der Formen dieser Funktionen mithilfe dieser FPC-Scores. Also gehe ich auf die andere Seite, während diese Flussstandardabweichung, wie Sie wissen, sehr wichtig zu sein scheint und ich denke, |
| |
Wissen Sie, ein weiterer Grund, warum mir das gefällt, ist, wenn Sie für diesen Prozess verantwortlich sind und die Kontrolle über die Flussstandardabweichung haben, |
| |
Das kann Ihnen helfen, wissen Sie, vielleicht müssen Sie nicht wissen, was der erste Schritt ist, nun ja, vielleicht haben wir einen Teil davon, den wir tatsächlich können |
| |
Bevor wir ein Modell erstellen, verbessern wir es. Okay, jetzt verwerfen wir es einfach. Nehmen wir also an, wir haben das getan, und wenn dies unser Modell ist, möchten wir versuchen, einfach eine Heuristik zu erstellen |
| |
gut oder schlecht. An welchem Punkt möchte ich einfach weitermachen und es verwerfen? Speichern wir also die Spalten für die Vorhersageformel, und diese wird wieder in der Zusammenfassungstabelle gespeichert. GenReg gibt uns also eine schlechte Wahrscheinlichkeit, eine gute Wahrscheinlichkeit und einen höchstwahrscheinlichen Zustand. |
| |
Und so können wir ... wir können hier einfach aufhören und sagen: Okay, wenn es über 0,5 liegt, schauen wir es uns genauer an, oder wenn es über, ich weiß nicht, 0,75 liegt, fühlt sich das gut an. Lasst uns ... vielleicht lohnt es sich nicht, nur weil |
| |
Kosten für den Rest des Prozesses. Wissen Sie, vielleicht wählen Sie diese Wahrscheinlichkeit basierend auf den Auswirkungen auf die reale Welt. |
| |
Oder wir könnten ein Partitionsmodell verwenden, um das herauszufinden. Was wir jetzt verwenden werden, ist diese Wahrscheinlichkeit als Faktor. Wir sagen nur sozusagen okay, |
| |
Ich könnte mir das irgendwie von Hand ansehen und ein Modell verwenden, das mir hilft, herauszufinden, wie es diese Bedingungen gruppieren wird. Und so gehen wir davon aus, dass wir unsere Validierungsdatensätze pflegen, damit es nicht zu einer Art Double Dipping kommt. |
| |
Jetzt sind also alle unsere Blautöne die Schlechten und die Rottöne die Guten, also sind die meisten von ihnen zum Glück im Allgemeinen gut. |
| |
Aber lasst uns einen Split machen. Wenn also die Wahrscheinlichkeit, schlecht zu sein, weniger als 0,1 beträgt, ist es sehr wahrscheinlich, dass es gut ist. Die meisten unserer Fehler liegen hier bei mehr als 0,1. Es ergibt Sinn. Wieder geteilt. Jetzt schauen wir uns wirklich an ... viele von ihnen stecken wirklich darin |
| |
ist die Wahrscheinlichkeit über .25. Wir werden uns noch einmal trennen, und |
| |
Zumindest für die Trainingsdaten passt es ziemlich gut, dass alle mit einem Wert über 0,6 schlecht sind. Wissen Sie, Sie erwarten wirklich nicht, dass das passiert |
| |
In der Realität, und dieses Training oder dieses Validierungs-R-Quadrat verdeutlicht, dass Sie, wie Sie wissen, wie die meisten Modelle, mit dem Trainingssatz bessere Ergebnisse erzielen können als mit dem Validierungsdatensatz. |
| |
Aber es gibt uns jetzt, wissen Sie, ich hatte irgendwie das Gefühl, dass 0,75 gut ist, aber eigentlich heißt das, dass wir uns vielleicht wirklich auf diejenigen konzentrieren müssen, die 0,6 oder höher sind. |
| |
Und das ist, wissen Sie, irgendwie... |
| |
Ich denke, jetzt sind wir an dem Punkt angelangt, an dem es sich um simulierte Daten handelte. Im realen Fall war das sehr hilfreich, Dinge wie Dolmetschen, wissen Sie, sind wir ... können wir unseren Prozess verbessern, auch hilfreich, nicht nur in diesem Fall, sondern auch in anderen Beispieldatensätzen, die wir haben. |
| |
Kommen wir zurück zu den Folien. |
| |
Okay, also habe ich die funktionale PCA durchgesehen und zusammengefasst, was diesen neuen direkten FPCA-Ansatz motiviert hat, und Ihnen gezeigt, wie man ihn an einem Beispiel verwendet, bei dem wir versuchen, Dinge zu Beginn zu verwerfen Herstellungsprozess. |
| |
Also eigentlich nur ein paar abschließende Tipps: Die schnelle Rechenleistung macht es großartig für große Datenmengen. In mancher Hinsicht kann man einfach dort anfangen |
| |
und sagen Sie, okay, was denkt die direkte FPCA? Es ist so schnell, dass ich mich nicht mit der Modellsteuerung herumschlagen muss. Wenn Sie über große Datenmengen verfügen, ist dies in gewisser Weise ein guter Ausgangspunkt. |
| |
Aber es ist nicht perfekt, wissen Sie. Ich habe einige Diagnosen gezeigt und Sie können sehen, ob es nicht gut passt und wie jedes andere Modell aussieht. Nur weil es schnell war, heißt das nicht, dass es gut war. Stellen Sie also einfach sicher, dass Sie es sind |
| |
Identifizieren Sie mögliche Probleme und benötigen Sie möglicherweise einen anderen Ansatz. Ich meine, wir haben, wissen Sie, andere gerade Basisfunktionsmodelle, die wir sind |
| |
Wir arbeiten an ganz bestimmten Arten von Daten, bei denen, wie Sie wissen, selbst dieser Ansatz nicht unbedingt so gut funktioniert wie bei diesen sehr spezifischen Modellen. |
| |
Und das ist, wissen Sie ... ein Teil davon ist, dass sich die Daten in einem Raster befinden müssen, und versuchen Sie, Reduzieren zu verwenden, um Ihnen bei der Kontrolle dieses Rasters zu helfen, wenn es den Anschein hat, dass die Dinge entweder zu langsam sind oder nicht wirklich funktionieren Vielleicht ist das, was wir standardmäßig tun, nicht gut für Ihre Daten |
| |
als das, was Sie selbst tun können. |
| |
Vielen Dank für Ihr Kommen und ich beantworte alle Fragen, falls jemand etwas hat. |
