Grazie Voi per guardando Questo presentazione per IL Europa Scoperta Vertice Conferenza in linea. Mio nome È Damiano Perret. I sono un Ricerca e sviluppo scienziato A IL In Francia. I Sono con Francesco Bergeret IL statistico E IL fondatore Di Ippon Innovazione In Francia. Con Francesco, Noi Sono molto Contento A Essere Qui Oggi E Noi volevo Piace A Grazie IL sterzo comitato Chi ha dato noi IL opportunità A parlare Di Questo lavoro Quale È Di innovativo approcci usando JMP.
Noi Volere Dare Voi due caso studi. Francesco Volere presente IL Primo caso E I Volere presente IL secondo caso. Appena inizio con a pochi parole Di IL. IL È a francese governo organizzazione per ricerca, sviluppo, E innovazione In quattro aree; Basso carbonio energie, tecnologico ricerca, fondamentale ricerca, E difesa E sicurezza. IL IL conteggi Di 20.000 persone E Noi Sono situato SU nove diverso siti In Francia. Noi Avere forte relazioni con IL accademico mondo E molti collaborazioni con università E soci, Entrambi In Francia E Tutto in giro IL mondo.
Alcuni parole Di Ippon Innovazione. Di corso, Noi Sono a più piccolo azienda confrontato A IL IL. Esso era creato 15 anni fa. Noi Sono basato In IL Sud Di Francia, Tolosa. Noi Sono a squadra Di statistico, soltanto statistici con abilità In industriale statistiche, esempio, SPC, misurazione sistema analisi, E Di corso, macchina apprendimento E COSÌ SU.
Io sono a JMP utente Da 1995, COSÌ a lungo tempo fa. I iniziato con JMP 3. Di corso, Ippon È JMP Partner Perché Noi usato a quantità Di JMP. Per esempio, per prodotto ottimizzazione, Noi Avere a attrezzo chiamato Yeti, automatico prodotto ottimizzazione In complesso produzione sistemi. Noi Anche sviluppato soluzione basato SU a cliente richiesta, Che cosa Noi chiamata software SU richiesta, per esempio, a pieno soluzione per anomalo rilevamento O statistico processo controllare.
Utilizzo JMP E GSL, Noi Avere parecchi GSL esperto Qui, compreso Carole Anima, Quale È co- autore Di Questo parlare Oggi. Noi Anche Avere a classico consulenza E formazione competenza basato SU JMP SU industriale statistiche. IL contenuto Di IL presentazione Oggi, Noi Volere presente due vero caso studi con Damiano. IL Primo uno È basato SU simulazione E a computer progetto Di sperimentare, E IL secondo uno Volere Essere presentato di Damiano SU a macchina apprendimento attrezzo per previsione.
I Volere presente IL caso studio numero 1 basato SU miscela. Esso È Va bene. Voi Potere andare SU IL Prossimo diapositiva. IL contesto È a rischio valutazione E a probabilità calcolo. A spiegare Esso a poco morso, miscela progetto Di sperimentare era creato di IL IL A valutare IL prestazione Di a materiale per nucleare sciupare. IL condizionata È Fatto con sali In a matrice. IL prestazione È determinato di a soglia SU IL energia. IL energia ha A Essere più alto di IL soglia.
Esso È non COSÌ facile A stima IL probabilità A Essere sotto Questo soglia. Noi Volere utilizzo Tutto IL utensili E Tutto IL dati Quello Noi Avere A Fare Questo compito. Di corso, IL probabilità ha A Essere COME piccolo COME possibile. Damiano, IL IL esperto, Volere valutare Se Questo probabilità È Va bene. Ora, Che cosa metodologia Noi utilizzo A stima Questo peggio caso probabilità?
Primo Di Tutto, basato SU IL dati da IL miscela progetto Di sperimentare, Noi Avere stimato parecchi modelli. Fondamentalmente, Alcuni classico lineare modelli, Anche classificazione E decisione alberi, E Anche neurale reti Sono IL principale modelli usato. Per ogni modello, Noi Avere Fatto tre analisi.
Primo, IL Monte Carlo simulazione SU IL fattore, COSÌ classico casuale simulazione con Monte Carlo. Anche, Che cosa Noi chiamata spazio riempimento progetto, a computer progetto con JMP, Dove Noi Tentativo A esplorare IL progetto spazio Ma di computer simulazioni, aggiungendo a rumore SU IL risposta. Questo È Fatto con JMP Professionista Scorso cosa Noi fatto È a miscelazione Di Monte Carlo E spazio riempimento progetto. Noi Volere dettaglio Questo, Ma Questo È molto utile COME Noi Volere A stima a peggio caso probabilità. Noi Potere andare A Prossimo diapositiva.
Caso studio numero 1, classico JMP simulazione per IL miscela DOE. Primo Di Tutto, Noi Avere A selezionare IL migliore modello. Prima facendo la simulazione, Noi Bisogno A Trovare IL migliore modello. Là È a molto Carino caratteristica In JMP Professionista, Quale È chiamato modello confronto. Molto velocemente, Voi Potere confrontare IL modelli basato SU criteri, RS Perché prego? IL AISC. Noi Avere Fatto Questo E I Volere Fare IL dimostrazione Giusto Ora. I condividere Mio schermo Ora. I Avere A condividere Mio schermo. Noi Avere A utilizzo JMP. Qui, I aprire IL dati impostato. Questo È a dati impostato da miscela progetto Di sperimentare. Là È otto fattori, X 1- X8, E IL risposta È IL energia.
A spettacolo Voi UN esempio Di IL modello Quello Noi fatto, Noi eseguire Qui, per esempio, a predittivo modellazione neurale rete. IL risposta È IL energia. IL X fattori Sono Qui. Noi clic Qui. Per informazioni, Noi decidere Qui non A dividere IL pieno campione In apprendimento campione, convalida campione, test campione, Perché dati Sono da progetto Di esperimenti, COSÌ Noi Avere non a quantità Di dati. Trentuno sperimentare massimo Qui.
Noi utilizzo a KFold convalida A salva campioni, I volevo Dire. A molto semplice neurale netto Qui, uno strato, E Noi clic SU Andare. Là È abbastanza a Bene modello con a corretto, andiamo Dire, RS Perché per Quello. Come È lavorando IL confronto Di IL modello In JMP? Voi Bisogno A salva IL previsione formula. Voi clic SU IL macchiare E I salva IL formula. Facendo Questo, Voi Avere formule Qui Di IL neurale netto con nascosto strati. Voi Vedere IL formula, iperbolico tangente Qui Di IL lineare predittore. Secondo n euro Qui Di IL nascosto strati, un altro formula, E COSÌ SU. A IL FINE, per IL neurale netto, IL finale formula per IL previsione È a lineare combinazione Di IL nascosto neuroni. I Mantenere Questo formula per IL momento, E Io sono andando A Fare IL Stesso con a lineare modello.
IL lineare modello era salvato Qui A salva tempo. Noi decidere A Avere a lineare modello. Per miscela progetto, Noi Avere Alcuni attraverso effetto Qui E a lineare modello. Di corso, Noi Bisogno A pulito IL modello. Noi Bisogno A rimuovere Che cosa È non significativo Qui E COSÌ SU. Quando IL lavoro È Fatto, Noi Anche Avere A salva IL formula. I salvato Che cosa I chiamata IL previsione formula. Qui, una volta Ancora, In IL JMP tavolo in qualche luogo, Voi Volere Avere IL previsione formula per IL energia, ordinario meno piazza. Voi Avere a classico lineare formula per IL lineare modello.
A riassumere, Qui I Avere due modelli, neurale rete E ordinario meno piazza, E I Avere a formula per IL due modelli. Poi con questi formule, I andare A Analizzare, Predittivo Modellazione, E Modello Confronto. Questo È IL Carino JMP piattaforma per macchina apprendimento. Qui Che cosa Voi Avere A entrare È Appena IL formula Di IL predittore. Qui, per IL esempio, I Appena entrare due formula, ordinario meno piazza E rete neurale, E quello è Tutto. Voi Appena clic Va bene. Qui Voi Avere a confronto modello con Alcuni criteri E Voi selezionare IL migliore modello h pure. Primo Di Tutto, I aggiungere rumore In IL dati, COSÌ RS Perché Sono non COSÌ Bene.
In inoltre, Noi Potere confrontare IL Entrambi modello. In Quello caso, per IL peggio caso analisi, Noi deciso deciso A eseguire IL simulazione Entrambi SU lineare modello E Anche SU neurale reti. Ora, Noi Sono andando A Fare Quello lavoro. L E Me spettacolo Voi Che cosa Noi fatto. Forse Io sono andando A condividere Questo diapositiva, Damiano, Perché I Bisogno A spettacolo qualcosa Qui. Esso Volere Essere Più facile con Mio PC. Quindi il vivere dimostrazione È Fatto. Qui Io sono andando A utilizzo a Monte Carlo simulazione. Molto facile con a JMP previsione profiler.
Primo Di Tutto, Questo È Mio Primo dimostrazione. Dopo Quello, I Volere Fare IL miscela progetto Di sperimentare spazio riempimento progetto. I Avere A Dire Quello Entrambi per Monte Carlo E Anche per spazio riempimento progetto, Noi Avere Alcuni miscela vincoli. Esso significa Quello IL somma Di IL componente ha A Essere pari A uno. Suo non a vero spazio riempimento progetto. Suo non a vero Monte Carlo Perché Voi Avere Questo vincolo. J parlamentare ha a accorto algoritmo, iterativo algoritmo A Prendere in account IL vincoli. Noi Sono andando A simulare Monte Carlo con IL Primo fattori E Poi con IL secondo fattori prendendo in account IL Primo uno E COSÌ SU.
A IL FINE, I Volere presente IL pieno simulazione con Entrambi Monte Carlo E spazio riempimento progetto. Questo È nuovo Perché Che cosa Noi Avere Fatto È per ogni correre Di IL spazio riempimento progetto, Noi Avere Fatto 1.000 Monte Carlo simulazioni. Suo Veramente a peggio caso Qui, Ma Esso era IL obiettivo per IL IL A Avere IL peggio caso. Grazie A Questo, Noi Volere Ottenere a Veramente Bene stima Di IL peggio caso probabilità.
Ora, permettere Me salto A IL dimostrazione. Primo Di Tutto, Monte Carlo. Qui I Avere IL risultato per IL Monte Carlo. NO, Scusa, suo non IL Giusto uno. Qui Esso È. Andiamo utilizzo IL neurale rete. Qui, per IL rete neurale, Voi Potere chiedere per IL profiler. Se Voi chiedere per IL profilatore, Qui Voi Potere chiedere IL simulatore. I Volere a caso mossa IL fattori. Ma Che cosa È importante Qui, Io sono chiedendo per uniforme distribuzione Perché suo Di più classico per miscela progetto. Qui, Io sono andando A simulare casuale dati per IL fattore X1 , Ma fra Questo valore E Questo valore Perché Là È a vincolo Qui. I continuare con IL secondo fattore con uniforme simulazione fra Questo valore E Questo valore, E COSÌ SU.
A salva tempo, I Volere automaticamente correre IL simulazione Qui. Qui Esso È. Scusa, I non Avere IL Giusto dati impostato. Scusa Di Quello. W Qui Esso È. Modello confronto E simulazione. Qui Esso È. Va bene, Qui Esso È, Monte Carlo simulazione. A salva tempo, Malato spettacolo Voi direttamente IL risultato con a casuale simulazione con a miscela vincolo.
W e Avere Fatto Questo Monte Carlo simulazione E Noi Avere Questo risultato SU IL energia. Che cosa È Carino Anche È Quello Voi Potere Mettere IL risultato In a tavolo. Questo È IL risultato, 10.000 Monte Carlo simulazione. Per ogni simulazione E con IL modello, Voi Avere IL energia. Ora, A calcolare IL probabilità A Essere inferiore di IL specifiche limite, Noi Appena Avere A Fare a distribuzione Di IL simulato energia. Questo È a distribuzione, non esattamente Gaussiana, Di più vicino A a Laplace distribuzione. Ma Comunque, Esso non lo fa questione. Noi Volere Fare IL processo capacità E IL specifiche dato di IL IL È meno 100. I Appena clic SU Questo E Noi Avere Che cosa Noi chiamata IL capacità analisi, complessivamente capacità. Ppk È abbastanza Bene, più alto di 1.3 . Qui, IL previsto percentuale Di fuori Di specifiche È molto Basso Perché Questo numero È chiaramente molto Basso.
Noi Potere Avere a Aspetto In a scientifico notazione. Noi Sono A a molto piccolo probabilità E chiaramente Esso era accettabile per IL [inudibile 00:15:13] . A Questo tempo, basato SU neurale rete modello, basato SU Monte Carlo simulazione, Noi Avere stimato IL Primo probabilità A Essere fuori Di specificazione E Questo probabilità È Qui. Prossimo fare un passo. Che cosa Noi Avere Fatto Qui È Quello Noi Sono andando Indietro Qui. Scusa, I non vicino Questo. I non vicino Questo. Io sono andando Qui A Fare un altro simulazione con Che cosa Noi chiamata a simulazione sperimentare. Simulazione sperimentare È Anche chiamato A volte a spazio riempimento sperimentare. Voi Tentativo A esplorare IL progetto spazio.
Qui, Noi Avere A ricordare Quello Là È a miscela vincolo, COSÌ Noi Volere non esplorare, Di corso, a pieno progetto spazio, Ma Noi Volere esplorare a parte Di IL progetto spazio Qui. Qui È a risultato, 128 computer corre con IL simulazione dati. Noi Potere Avere a Aspetto A IL risultato Di IL simulazione. Se Noi Fare a diagramma di dispersione matrice SU IL simulato sperimentare SU IL fattori, Qui È IL esplorazione Di IL fattore con a miscela vincolo. Con Questo, una volta Ancora, Noi Avere simulato energia Ma Qui, suo non Monte Carlo simulazione, suo a computer simulazione sperimentare.
Stesso lavoro, Noi Potere Mettere IL energia Qui. W Qui È IL simulato energia? Qui Esso È. Una volta Ancora, all'incirca normalmente distribuito. Qui Io sono andando A calcolare, una volta Ancora, IL processo capacità con a specifiche meno 100. Qui Esso È. Qui I Dovrebbe Avere IL processo capacità Quale È Bene. Una volta Ancora, Voi Avere a probabilità A Essere fuori Di IL specifiche, Quale È vicino A 7 per 1.000. Esso È Anche accettabile COME a risultato. Ma Voi Potere Vedere Quello In Quello caso, IL probabilità È più alto di IL precedente uno Perché IL calcolo era diverso E Perché Esso era a simulazione sperimentare esplorare IL spazio E suo diverso da Monte Carlo simulazione.
Scorso cosa Quello Noi fatto, E Io sono andando A aprire IL d minuti file. Qui Esso È, Simulato Monte Carlo. Qui Esso È. Non IL Giusto uno, Scusa. I Avere a quantità Di cose aprire. Qui Esso È. Che cosa È Questo file? Che cosa Noi fatto Qui. Noi fatto Entrambi a spazio riempimento progetto E per ogni correre Di IL spazio riempimento progetto, Noi Avere Fatto 1.000 Monte Carlo simulazioni. IL totale numero Di punti Qui È 128.000 linee. Entrambi Monte Carlo E Anche a computer progetto Di sperimentare.
Qui Noi Avere Veramente a Bene dati impostato con Tutto IL potenziale variazioni. Alcuni Sono costretto di IL progetto Di sperimentare, altri Sono chiaramente casuale con IL Monte Carlo. Qui, una volta Ancora, Noi Sono andando A stima IL probabilità. Voi Avere IL Carino distribuzione Di IL energia. Poi Noi Volere una volta Ancora, calcolare IL probabilità A Essere fuori Di specifiche. Entrando IL specifiche Qui, Qui Esso È. Qui Noi Avere a probabilità A Essere fuori Di specifiche, Quale È vicino A 1 per 1.000. Una volta Ancora, Esso era abbastanza a Bene risultato Qui. Questo risultato È abbastanza innovativo. Qui, Appena per informazioni, Noi avevo A creare a poco JMP sceneggiatura Qui A Fare Questo, A mescolare IL computer progetto E IL Monte Carlo simulazione. Là È a poco GSL codice per Quello. Questo è Tutto per Mio parte. Damiano, Forse Voi Potere andare. I fermato IL condivisione.
Va bene. Questo È Ora IL caso studio numero 2. Per Questo studio, Noi Avere sviluppato a costume attrezzo per predittivo applicazione. IL obiettivo Qui era A creare a attrezzo compreso statistico modelli In JMP Professionista In ordine A predire a specifico proprietà Quale È IL bicchiere visco sità COME a funzione Di composizione E temperatura. A Fare Quello, sperimentale dati Sono in arrivo da Entrambi commerciale banca dati E da Nostro Proprio banca dati A IL . A s Noi Volere Vedere, IL originalità Di IL approccio viene da IL metodologia per dati sub campionamento.
Noi ricercato IL algoritmi A Essere codificato In GSL E implementato In JMP Professionista IL risposta Di IL modello È IL bicchiere viscosità, Di corso, E IL fattori Sono IL peso per cento Di IL bicchiere componenti. Qui Sono Alcuni sfondo informazioni. Voi Avere A Sapere Quello bicchiere materiale È a non- cristallino solido E Esso È ottenuto di a rapido spegnere Di a bicchiere sciolto. Da a materiale punto Di visualizzazione, bicchiere È a miscela Di diverso ossidi.
IL numero Di ossidi È variabile da due O tre In a molto semplice bicchiere A Di 30 E Anche Di più In IL maggior parte complesso composizioni. T Qui È a lungo tradizione In IL calcolo Di bicchiere proprietà, E Noi pensare Quello IL Primo modelli erano creato In Germania A IL FINE Di IL 19° secolo. Da Poi, IL quantità Di pubblicato letteratura In IL campo Di bicchiere proprietà previsione ha aumentato a quantità. COSÌ Quello Oggi, Noi Avere a Enorme quantità Di bicchiere dati disponibile In commerciale banca dati.
Parecchi sfide rimanere per IL previsione Di IL bicchiere v iscosità Perché IL bicchiere v iscosità È a proprietà Quello È molto difficile A predire. Primo, v iscosità ha a Enorme allineare Di variazione su A certo ordini Di grandezza. A anche, v iscosità È molto dipendente SU fisico E meccanismi chimici Quello Potere verificarsi In IL bicchiere sciolto, a seconda SU IL bicchiere composizione, Piace veloce separazione O cristallizzazione, per esempio.
Qui È Appena a corto esempio Quello spettacoli Questo difficoltà. Noi Avere selezionato tre composizioni Di Che cosa Noi chiamata SBN bicchiere, Quale È molto semplice bicchiere con soltanto 3 ossidi. W e applicato IL migliore conosciuto modelli da IL letteratura A calcolare IL visco sità. T gallina Noi confrontare IL previsto valori con IL sperimentale valore Noi Avere misurato con Nostro Proprio dispositivo. Voi Potere Vedere Quello Anche per a molto semplice bicchiere, Esso È non facile A ottenere uno affidabile valore per IL previsto v iscosità. Qui È a Bene immagine Noi Piace A utilizzo A Dare a visualizzazione Di IL banca dati Dove ogni punto È uno bicchiere In a multi dimensionale visualizzazione Di IL dominio Di composizioni.
Dati Maggio Venire da diverso isolato studi, O Noi Potere Avere dati in arrivo da studi usando sperimentale progetto, O dati ottenuto da parametrico studi con variazione Di uno componente A a tempo. W e speso a quantità Di tempo In IL passato A fare domanda a diverso metodo Di macchina apprendimento. A classico approccio era usato per partizionamento IL dati in a formazione impostato E a convalida impostato. Ma A IL FINE, NO statistico modello con accettabile predittivo capacità era trovato A predire IL v iscosità. T cappello Perché Noi Avere deciso A utilizzo a diverso approccio.
Invece Di usando Tutto IL dati, Noi pensare Esso È Meglio A creare a modello di usando dati vicino A IL composizione Dove Noi Volere A predire IL v iscosità. COSÌ per esempio, Se Noi Volere A predire Qui, uno modello Volere Essere creato da IL dati Noi Avere In Questo zona, E a diverso modello Volere Essere creato Se Noi Volere A predire IL proprietà Qui, per esempio. T cappello Perché Noi Dire Quello Questo tecnica È dinamico Perché IL modello dipende SU IL composizione E Esso È imparentato E montato Dove Noi Volere A predire. W e Dire Quello IL modello È automatico Perché Noi non Avere A Fare Questo manualmente.
Ogni fare un passo È Fatto di a algoritmo implementato In IL attrezzo. O È Di IL maggior parte importante punto È certamente IL determinazione Di IL ottimale dati impostato A creare IL modello. F O Quello, Noi Avere implementato due metodi Di sub campionamento. In IL Primo metodo, a teorico O virtuale progetto Di sperimentare È generato in giro IL composizione Di interessi. Poi ogni correre Di IL progetto È sostituito di IL maggior parte simile sperimentale dati presente In IL banca dati, primo A IL finale formazione dati impostato.
In IL secondo metodo, Noi Avere implementato In IL strumento. Il È È basato SU diverso misurare Di dati set creato in giro IL composizione Di interesse. A piccolo dati impostato È generato di IL attrezzo E modello Sono creato SU Questo piccolo sottoinsieme A predire IL visco sità. T gallina più grande E più grande dati set Sono generato automaticamente E IL ottimale misurare È valutato di parecchi statistico criteri associato A ogni sottoinsiemi.
Finalmente, IL costruzione Di IL modelli È basato SU tre diverso algoritmi implementato In IL attrezzo. Primo È a polinomio modello ottenuto di a multi- lineare regressione. Secondo È a genere modello E neurale netto modello. A t IL FINE, Noi Avere sei diverso calcolato valori Quale fa IL previsione molto robusto.
Andiamo andare A JMP A Vedere Come Esso funziona. L E Me Primo spettacolo Voi IL codice. T Lui sceneggiatura, COME Voi Potere Vedere, È abbastanza lungo, Di 700 righe, Quale è abbastanza complicato GSL codice. IL Primo cosa Voi Avere A Fare È A entrare IL composizione Di IL bicchiere Voi Volere A predire IL viscosità. T o Fare Quello, Voi Potere utilizzo UN interfaccia Noi Avere creato. Voi Appena Avere A selezionare IL ossido entrando IL composizione. F O ogni ossido, Voi Appena Avere A entrare IL peso per cento. O Se Voi Volere, Voi Potere direttamente entrare IL composizione In IL sceneggiatura, Quale È a poco morso Di più presto, I volevo Dire.
Poi Voi lancio IL sceneggiatura. I non Fare Quello Ora Perché Esso prende Di uno O due minuti. Suo non molto lungo. Ma per Questo dimostrazione, I Avere Già correre IL sceneggiatura. Permettere Me spettacolo Voi IL risultati. A IL FINE Di IL calcolo, Voi Avere Questo finestra Dove Voi Potere Ottenere a statistico rapporto. Molto interessante. Primo, Qui Voi Avere IL composizione Voi Avere entrato, suo Appena a promemoria. W e Avere IL grafico mostrando IL previsto valore. O n IL Y asse, Noi Avere IL previsto valori Di IL viscosità calcolato di IL tre algoritmo E per IL due metodi.
SU IL X asse, Noi Avere IL numero Di allargamento per IL secondo metodo I Avere descritto. I n rosso, Quale È IL maggior parte importante valore, I volevo Dire, È IL media Di Tutto IL diverso previsioni. I t È IL migliore previsione, I volevo Dire, Di IL bicchiere viscosità . I f Noi Bisogno A Avere Di più statistico dettagli, Noi Avere a quantità Di informazioni In Questo rapporto A studio IL qualità Di ogni modello. Per esempio, Noi Potere controllo IL valori Di IL PREMERE statistiche per IL multi- lineare BIC F modello.
Per esempio, Qui Noi Potere Vedere Quello IL PREMERE valori raccontare noi Quello IL previsione usando IL metodo numero 1 È a poco morso Meglio di per IL secondo metodo. W e Anche Vedere Quello IL modello degradazione con IL allargamento Di IL formazione impostato. Noi Potere Anche controllo IL RS Perché valori per IL due diverso metodo E per IL diverso algoritmo, E Noi Potere confrontare loro. W e Potere Avere Anche Di più dettagli SU IL progetto Di esperimenti Quello erano creato E Tutto IL formula Di previsione. T il suo È a quantità Di informazioni, Ma Là È IL maggior parte importante parte Qui, Quale È IL previsto valore Di IL viscosità.
Andiamo andare Indietro A IL Presa della corrente. T il suo È IL risultato ottenuto per IL semplice SBN bicchiere, Quale È, COME I disse prima, a semplice bicchiere con soltanto 3 ossidi. Ma Noi Avere calcolato IL visco sità per tre diverso composizione Di SBN bicchiere. W e confrontare IL risultati ottenuto da Nostro attrezzo Qui con IL risultati da IL modelli disponibile In IL letteratura. In termine Di IL parente errore Di previsione, Esso ha A Essere COME Basso COME possibile. W e Potere Vedere Quello IL migliore risultati Di previsione Sono ottenuto con Nostro attrezzo, Quale È Veramente Grande.
H Anche, Noi Avere IL risultati ottenuto SU Di più complesso occhiali. T Lui attrezzo predittivo capacità era valutato di estrazione 230 righe da IL globale banca dati. In Questo tavolo, Noi Avere IL parente errore Di IL visco sità previsione per diverso tipo Di bicchiere E per IL globale sottoinsieme Di dati. Tre quantili Sono dato, IL mediano, Senso Quello 50 % Di IL previsto valori Avere a parente errore Quello È sotto IL valore indicato Qui. W e Anche Dare IL 75 % E IL 90 % quantili. W gallina Noi parlare Di bicchiere v iscosità, tradizionalmente, Noi considerare Quello IL predittivo errore, in giro 30 % È molto Bene.
W e Vedere Quello per IL maggioranza Di IL dati, IL modello capacità È Bene E Noi erano molto Contento con IL risultati Noi ottenuto. Qui Sono Alcuni molto importante chiave parametri. Esso È molto importante A Prendere in account COME molti input da IL bicchiere esperti COME possibile. Per esempio, Noi avevo A creare specifico algoritmi A maniglia IL natura E IL parete Di ossidi E viscos Questo. Un altro punto Di maggiore importanza È imparentato A IL origine E A IL affidabilità Di IL dati.
Per Questo, a significativo quantità Di tempo In Questo progetto ha stato speso A IL costituzione Di a affidabile banca dati. W e avevo A attrezzo modi E Noi avevo A studio diverso modi Di calcolo IL distanze fra IL bicchiere composizione. I è tempo A concludere Ora. Noi Avere presentato due diverso caso studi. In IL Primo caso studi, Noi Avere creato parecchi modelli E Noi Avere confrontato loro per IL rischio valutazione. Noi Avere visto Quello Esso era facile con JMP A eseguire Monte Carlo simulazioni, Anche per miscela disegni con vincoli. Noi Avere visto Quello Esso era facile Anche A eseguire spazio riempimento progetto, E Ancora, Anche per miscela progetti.
Di combinando Monte Carlo E spazio riempimento disegni, peggio caso probabilità ha stato stimato. I n IL secondo studio, Noi Avere presentato IL attrezzo Noi Avere creato con UN originale metodo Di sottocampionamento IL dati. Per ogni composizione Di interesse, a specifico modello Di viscosità era costruito in giro Questo composizione, E Noi Avere visto Quello IL previsione precisione SU IL visco sità era molto promettente E tanto Meglio di modelli disponibile In IL letteratura. Grazie Voi per tuo Attenzione.
