在半導體製造過程中，預測元件性能面臨挑戰，這種不可預測性會導致產量下降和成本增加。本報告旨在建立預測模型，利用線上偵測資料（包含3個反應變數（ Y ）和300多個預測變數（ X ），資料集約500個資料點）來預測元件的效能。
使用JMP多變量平台對項目進行評估，結果顯示項目具有相對較弱的YY競爭、強烈的YX因果關係，以及嚴重的XX多重共線性。考慮到所有300多個預測變數時，標準最小二乘和逐步演算法均顯示出嚴重的過度擬合風險。因此，我們運用了四種資料探勘技術，從中選擇了少數關鍵的X變數進行RSM建模，包括：反應篩選、分區、神經網路和預測變數篩選。由於僅使用常規JMP軟體，我們以預測變數篩選的貢獻模式和排名作為評估其他三個資料探勘平台的參考。其中，預測變數篩選演算法（隨機森林）能解決遞歸分割問題，使貢獻模式更均勻。
基于预测变量筛选的贡献模式，我们运行了适应模型、神经网络和分区模型来预测三个设备的性能。这个JMP项目成功地提升了我们的预测能力，并从增强现实应用中获取了有价值的见解。同时，可靠的预测模型也能显著缩短新产品开发周期。本研究的结果可为半导体制造业提供重要的参考，以改善元件性能的预测能力。
