| Conférencier |
Transcription |
| Brendan Leary |
tu as raison. |
| Ryan Parker, JMP |
tu es. |
| |
ici. |
| |
Je vais bien. |
| |
Tu m'entends bien. |
| Brendan Leary |
Je t'entends, d'accord, tu m'entends bien. |
| |
ouais, très bien, tu as bien l'audio, ravi de te rencontrer. |
| |
Évidemment, en faisant cela, vous travaillez pour Chris ou. |
| |
Je suis génial. |
| Ryan Parker, JMP |
C'est vrai, je suis le scientifique en chef des données, donc j'ai ce droit. |
| Brendan Leary |
c'est un grand titre. |
| |
juste là. |
| |
Ouais. |
| Brendan Leary |
Et vous êtes un statisticien de recherche senior. Je regarde autour de moi et je pense avoir vu votre visage, mais je n'ai pas eu l'occasion de vous rencontrer, alors ravi de vous rencontrer. |
| Ryan Parker, JMP |
Trop Alors où es-tu ? |
| Brendan Leary |
Basé dans le New Jersey, je vais vous emmener pour un projet à New York et dans le New Jersey. |
| |
génial. |
| Brendan Leary |
Je m'amuse sur le terrain et je peux montrer toutes les bonnes choses que vous construisez. |
| |
Je pense que tu es parfait. |
| |
Alors, pour commencer, voici quelques petites choses quand je suis. |
| |
Voyons d'abord les choses en premier, votre microphone a l'air bien si toutes les notifications de votre téléphone portable et de votre ordinateur sont désactivées. |
| Ryan Parker, JMP |
J'aimerais bien. |
| |
Ne dérange pas, ouais, laisse-moi vérifier l'ordinateur. |
| |
ouais, ne pas déranger sur tout. |
| Brendan Leary |
Ok, je n'entends rien du genre si tu as un ventilateur qui tourne ou quoi que ce soit. |
| Ryan Parker, JMP |
Je le fais, mais tu ne peux pas l'entendre, ok ? |
| |
Non. |
| Brendan Leary |
Vous avez des animaux de compagnie, même rangés, 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 écran, êtes-vous sous Windows ou MAC. |
| |
MAC, eh bien, savez-vous quels sont vos paramètres d'affichage, c'est probablement bien si c'est sur un MAC, généralement ils demandent 1920 à 10 heures. |
| Ryan Parker, JMP |
Le. |
| Brendan Leary |
Juste pour une résolution, mais j'imagine que c'est bien. |
| Ryan Parker, JMP |
ouais, ça devrait aller, OK, je. |
| Brendan Leary |
je veux montrer à quoi vous allez l'utiliser uniquement pour le journal JMP, ou est-ce aussi un PowerPoint. |
| Ryan Parker, JMP |
Je vais donc simplement partager le bureau, est-ce la meilleure façon de le faire ? |
| Brendan Leary |
Ouais. |
| Ryan Parker, JMP |
Ou préférez-vous partager ? |
| |
Un à la fois, c'est probablement le moyen le plus simple de masquer le zoom. |
| |
Alors commençons par cela et voyons à quoi cela ressemble. |
| Brendan Leary |
Super. |
| Ryan Parker, JMP |
Ok, ce film diapo très rapidement juste pour être sûr que rien d'étrange n'apparaisse. |
| Brendan Leary |
Tu sais, l'animation funky, tu es bon. |
| Ryan Parker, JMP |
ouais, pas d'animations bizarres et ensuite j'irai simplement dans JMP et 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, ai-je dit, la seule autre chose que j'évoque, c'est qu'avant de vous lancer et de commencer, nous allons l'enregistrer en détail, vous savez. |
| |
Donc si vous faites une erreur, ou si vous le souhaitez, vous devrez recommencer. |
| |
Mais donnez-vous juste quelques secondes avant de commencer, peut-être en comptant à rebours à partir de trois ou cinq dans votre tête. |
| |
Ok, un petit espace blanc au début, à la fin, pour pouvoir le retourner. |
| Ryan Parker, JMP |
Très bien, d'accord. |
| Brendan Leary |
Et c'est tout ce que j'ai, alors je vais continuer et passer en mode silencieux et, enfin, je travaille pour JMP, je ne pense pas que je doive 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 JMP Discovery et sera accessible au public dans la communauté des utilisateurs JMP. Donnez-vous la permission pour cet enregistrement aux États-Unis. |
| Ryan Parker, JMP |
S'il vous plaît, partagez-le. |
| Brendan Leary |
largement rapporté, juste au cas où Perkinson ne pourrait pas se fâcher contre moi, j'ai demandé. |
| Ryan Parker, JMP |
Ouais, tu connais quelqu'un qui te dit : "Hé, qu'est-ce que tu as fait ?" |
| Brendan Leary |
Tu sais, je sais, je sais. |
| |
cool Ryan, merci, je vais passer à notre vidéo, mets le son en sourdine, fais un compte à rebours dans ta tête et quand tu seras prêt, vas-y et commence. |
| Ryan Parker, JMP |
Ok, et juste pour que vous le sachiez, je pense que ce temps est d'environ 20 minutes. |
| |
Parce que c'est parce que je pense que c'est un total de 30, n'est-ce pas, et puis ils voulaient en donner un peu. |
| |
temps supplémentaire. |
| Brendan Leary |
Alors oui, la concision est parfaite, euh, vous avez donné du temps pour Q et A, cela semble idéal. |
| Ryan Parker, JMP |
Ok, super. |
| |
ça a l'air génial. |
| |
Merci d'être venu aujourd'hui. Je m'appelle Ryan Parker. Je suis |
| |
ACP fonctionnelle directe. |
| |
C'est une nouvelle façon d'analyser les données fonctionnelles. Je tiens à souligner le rôle majeur joué par notre scientifique en chef des données, Chris Gotwalt, non seulement dans le développement de FDE, mais aussi dans |
| |
également ce nouvel outil, ainsi que notre équipe de test de Rajneesh, dont, vous savez, le travail passe généralement inaperçu, mais qui est en grande partie la raison pour laquelle nous sommes là où nous sommes 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. |
| |
Commençons par le début pour être sûrs que nous sommes tous sur la même longueur d'onde. Les données fonctionnelles… en fait, 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 elles sont mesurées. |
| |
chaque semaine de l'année. Et notre sortie Y est cette température. |
| |
Et donc, vous savez, vous pourriez échantillonner pour trouver une résolution, peut-être tous les jours, ou toutes les heures, mais l'idée générale est que vous n'avez pas complètement échantillonné, vous savez, |
| |
La fonction entière. On peut travailler avec un échantillon. Et dans tous les cas, |
| |
Ce qui nous intéresse, c'est que même si une seule fonction est disponible, nous souhaitons également en proposer plusieurs. Nous disposons donc de plusieurs stations météorologiques où nous enregistrons la température chaque semaine. |
| |
Donc, même si nous avons rempli chaque semaine ici, nous n'avons pas nécessairement besoin de cette fonctionnalité des EDF, car vous pouvez avoir, vous savez, des points d'échantillonnage de certains mois ou non... ils peuvent être échantillonnés à différents endroits dans le temps. |
| |
Mais il n'est pas non plus nécessaire que votre entrée soit le temps au sens traditionnel du terme. Il peut s'agir de la température, et vous avez cette précision de mesure comme sortie. |
| |
Vous savez, nous soutenons donc cela. |
| |
Il s'agit en réalité d'une correspondance entre une entrée et une sortie. Ou peut-être que vous êtes dans un environnement spectral où votre seule entrée est la longueur d'onde, et 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, mais avec des sorties différentes. On a une charge, une force de piston, une tension et un vide, et on veut combiner tout ça. |
| |
et les analyser. |
| |
Ainsi, ces types de données contribuent à motiver le développement d’explorateurs de données fonctionnels. |
| |
Et il y a deux questions principales que nous... |
| |
Nous l'utilisons généralement pour répondre. La première approche se situe dans le cadre d'un plan d'expériences fonctionnel. Dans ce contexte, nous cherchons à relier des facteurs. |
| |
à notre fonction de réponse. Dans ce cas précis, nous nous intéressons à la façon de donner à cette fonction de réponse une certaine forme. |
| |
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 à y parvenir. |
| |
L'autre cas courant est celui que nous appelons l'apprentissage automatique fonctionnel et, dans ce cas, nous voulons davantage considérer nos fonctions comme étant |
| |
Les intrants. Ainsi, dans notre processus, nous obtenons peut-être les résultats finaux, ou le rendement final, dans le cas de ces données de fermentation. |
| |
Nous souhaitons donc résumer les formes de ces fonctions et les utiliser comme données d'entrée pour un modèle prédictif afin de déterminer ce qui donnera le meilleur résultat. |
| |
Et donc, vraiment, le grand jeu avec cela, que vous essayez de jouer, c'est que c'est l'ACP fonctionnelle et ce que fait l'ACP 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. |
| |
Il peut être un peu plus difficile de comprendre que les moyens sont différents pour chacun. Notre objectif est donc de motiver cela et d'essayer de les résumer. |
| |
Utilisez un cas simple pour montrer comment nous pouvons étendre cela à des situations plus complexes. |
| |
Et donc, lorsque nous faisons une composition ???, nous obtiendrons des fonctions propres orthogonales qui vont expliquer autant que possible la variation de fonction à fonction. |
| |
Et, une fois que nous les avons, nous pouvons les utiliser pour extraire des résumés de toutes ces fonctions que nous |
| |
Peut être utilisé en modélisation prédictive. Nous prenons donc une forme très complexe, pas super complexe dans ce cas, mais nous allons la résumer en quelques points de données parmi la dizaine que nous avons ici. |
| |
Voici... voici à quoi ressemble une fonction propre |
| |
Pour ces données, nous en avons retenu deux. La première explique environ 77 % de la variation et accorde la plus grande importance au tout début et à la toute fin. |
| |
Comme on peut s'y attendre, cela résume la quantification de la pente de ces données. Tandis que la deuxième fonction propre accorde une pondération égale à l'ensemble des données d'entrée, ce qui quantifie la différence de moyenne. |
| |
Nous souhaitons maintenant transformer ces fonctions propres, les utiliser avec nos données et obtenir un résumé rapide qui nous permettra d'expliquer les différences entre elles. |
| |
Prenons l'exemple de la fonction 2 : nous la multiplions par cette première fonction propre. Nous obtenons une fonction comportant de nombreux nombres négatifs. |
| |
Donc si vous réfléchissez un peu, vous savez, en prenant l'intégrale de ceci, en additionnant simplement tous ces nombres négatifs, vous obtiendrez un nombre négatif assez grand. |
| |
Nous pouvons donc voir comment ce premier composant capture réellement les différences. Le nombre 10, c'est-à-dire, était un nombre positif important, et nous pouvons donc… nous pouvons voir dans nos données qu'il présentait également cette forte pente positive. |
| |
Et une idée similaire pour le deuxième composant, où nous avons, vous savez, des moyennes globales plus élevées par rapport à des moyennes globales plus basses. |
| |
Et, une fois que nous avons ces deux choses, nous pouvons alors revenir à notre fonction d’origine. |
| |
En ajoutant une moyenne globale, nous prenons simplement le premier score des composantes principales fonctionnelles, en regardant ici la fonction 1. Nous le multiplions par la première fonction propre |
| |
et ensuite nous ajoutons le score des deuxièmes composantes principales fonctionnelles, multiplions par la deuxième fonction propre, et |
| |
qui va recréer la première. De manière similaire, l'utilisation des scores avec la deuxième fonction nous permet de |
| |
Reconstruire ou approximer ces fonctions. On peut donc voir où, si nous parvenons à construire des modèles pour ces scores FPC, |
| |
nous pouvons, vous savez, comprendre comment les facteurs DOE les modifient, auquel cas cela modifie la forme de notre fonction alpha et en quelque sorte ce premier scénario que nous avons examiné. |
| |
Voyons maintenant pourquoi l'ACP fonctionnelle directe est nécessaire. Qu'est-ce qui vous a motivé à la réaliser ? Si vous avez déjà utilisé l'EDF, |
| |
Les options de modélisation dont nous disposons sont considérées comme des modèles de fonctions de base. Dans ces cas-là, il s'agit en fait de lisser d'abord les données, afin d'ajuster le modèle et d'obtenir une fonction lisse avec laquelle nous pouvons travailler. Mais une partie du problème réside dans le fait que nous pouvons avoir beaucoup de |
| |
Il y a beaucoup de choses à régler. Donc, dans le cas d'une spline B, il faut choisir la meilleure option. |
| |
Vous savez, le degré du polynôme à utiliser dans la spline, ou le nombre de nœuds à utiliser ? Nous vous donnons des valeurs par défaut, mais nous vous permettons également de modifier l'emplacement de ces nœuds. C'est très pratique et cela fonctionne dans de nombreux cas. |
| |
mais à mesure que vous obtenez des tailles d'échantillon plus grandes ou des fonctions plus complexes, cela pourrait prendre beaucoup de temps et il se peut que vous soyez sur la bonne voie pour vraiment régler tous les emplacements de ces nœuds. |
| |
Mais la façon dont fonctionne FDE maintenant est que nous ajustons le modèle, nous effectuons FPCA sur les coefficients de ces modèles et il y a cette belle relation entre, |
| |
Vous savez, nos fonctions propres ont désormais la même forme que le modèle de nos données. Cela présente donc de nombreux avantages, mais qu'il s'agisse de calculs coûteux ou simplement de modèles inefficaces, nous avions besoin d'une autre approche. |
| |
Et ainsi |
| |
L'approche précédente consistait à lisser d'abord les données, et maintenant, nous réfléchissons à la façon de procéder : prenons les données telles qu'elles sont et appliquons-les directement. |
| |
Ensuite, lissons les fonctions propres obtenues. Ce n'est pas une comparaison juste, mais avec des splines B comparées à un FPCA direct, vous remarquerez que |
| |
Les fonctions propres obtenues sont légèrement plus fluides avec le FPCA direct, et c'est précisément ce que nous souhaitions. Ce petit artefact est-il vraiment si important ? |
| |
Le FPCA dit que ce n'est peut-être pas le cas. Je pense que c'est vraiment capturé dans la dernière fonction propre, où elle n'explique pas grand-chose de la variation. On observe des variations étranges ici. |
| |
Vous savez, un expert devrait peut-être analyser cela et dire, non, c'est tout à fait réel, mais très probablement, nous ne devrions peut-être pas vraiment donner beaucoup de poids à cette fonction propre. |
| |
Je ne l'utilise probablement pas. |
| |
L'algorithme que nous utilisons pour ajuster le modèle ACP fonctionnelle directe est donc similaire à la méthode de Rice et Silverman, principalement parce qu'il s'agit d'un processus itératif. Ce que nous faisons, vous savez… |
| |
Tout d'abord, je tiens à préciser que les données doivent être sur une grille standard. Si vos données ne sont pas sur une grille standard, nous les interpolons directement pour vous. Nous proposons également des options d'étape de traitement des données appelées « réduction » que vous pouvez utiliser. |
| |
s'appliquent à une sorte de contrôle précis du réseau sur lequel nous opérons. |
| |
Mais dans notre procédure, nous prendrons une fonction propre. |
| |
Nous pouvons simplement demander le premier composant. |
| |
Adaptez-y un modèle de lissage, vous savez, puis demandez le suivant. |
| |
Et une fois que nous avons lissé le suivant, nous devons faire quelques ajustements afin que nous puissions connaître les propriétés d'orthogonalité que nous souhaitons. |
| |
Mais l'idée ici est que nous... nous avons pris un problème où nous essayons de lisser un grand nombre de fonctions différentes pour d'abord faire fonctionner les modèles, où maintenant nous allons |
| |
Nous concentrons nos efforts sur le lissage de ces fonctions propres une par une. Comme elles sont beaucoup moins nombreuses, cette technique est beaucoup plus rapide pour les grands ensembles de données que les solutions existantes dans JMP. |
| |
Donc, l'exemple que je vais aborder est un processus de fabrication et juste pour vous donner une idée des accélérations, |
| |
si, dans le meilleur des cas, vous connaissiez le modèle de spline P exact 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. |
| |
La différence réside dans le fait que vous ne savez pas nécessairement ce que seront ces modèles, vous devez donc prendre le temps d'adapter plusieurs modèles et vous avez donc maintenant vraiment pris beaucoup de temps par rapport à ce que le FPCA direct va faire. |
| |
Mais, donc cet exemple |
| |
examine spécifiquement une étape où nous collons 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 est posé sur ce mandrin, et |
| |
ce processus se déroule et, malheureusement, environ 10 % d'entre eux sont détruits, mais cela se produit juste au milieu du processus et vous ne le savez que des semaines plus tard |
| |
Ils ont été détruits. Notre objectif est donc… nous disposons de capteurs qui collectent des données grâce à ce processus, et nous voulons les utiliser pour identifier les plaquettes dont nous pouvons nous débarrasser. |
| |
Il existe peut-être un sous-ensemble dont nous pouvons nous débarrasser, afin de ne plus y consacrer d'argent. L'objectif est donc d'essayer de l'identifier à l'aide de nos données de flux de capteurs. |
| |
Alors maintenant je vais aller à JMP. |
| |
Et j'ai un journal, donc toutes ces sources seront disponibles sur la page Communauté mais j'ouvrirai cet ensemble de données |
| |
Et je vais lancer |
| |
explorateur de données fonctionnelles à partir du menu d'analyse de modélisation spécialisée. |
| |
Passons en revue chacune de ces colonnes. Nous avons l'identifiant de la plaquette, et c'est en quelque sorte notre… |
| |
regroupe nos différentes fonctions. |
| |
La condition, donc, c'est, vous savez, était-ce bon ou mauvais ? Donc on veut |
| |
gardez cela, nous voulons l'utiliser plus tard, nous allons donc simplement le mettre comme une variable supplémentaire et cela indique à FDE, vous savez, lorsque nous sauvegardons des choses à l'avenir, allez-y et apportez cela avec lui. |
| |
charge, le débit, la force du piston, le vide et cette tension |
| |
dans le cadre de ce processus. |
| |
Pour lancer FDE, |
| |
nous faisons défiler et voyons, vous savez, je les ai montrés plus tôt, mais ce sont tous les différents types de données dont nous disposons et |
| |
Il est possible que tous les modèles ne soient pas compatibles. Un modèle compatible avec ceci ne convient peut-être pas, mais un modèle compatible avec la charge ne convient peut-être pas non plus avec le débit. |
| |
Mais le FPCA direct les examine individuellement et gère tout pour nous. Avant d'aborder ce sujet, je souhaite vous montrer l'option de réduction dont j'ai parlé. Par défaut… |
| |
Eh bien, il y a trois onglets ici. Vous pouvez les placer directement sur une grille régulièrement espacée, les classer par observations, ou les supprimer toutes. |
| |
Une nième variable permet de la compléter. Ces données sont sur une grille. Nous n'avons pas vraiment besoin de faire quoi que ce soit, mais nous pourrions, par exemple, dire « OK, faisons ceci » et, par défaut, cela nous donne la moitié de l'ensemble de données d'origine. |
| |
Maintenant que vous l'avez démonté, les formes sont quasiment identiques. Dans ce cas, inutile de le faire, c'est rapide, mais si vos données sont… |
| |
Si vous n'êtes pas déjà sur une grille, ou si vous en avez beaucoup, l'utilisation de Reduce vous permet de capturer les fonctionnalités clés. C'est une piste à explorer. |
| |
Donc, puisque nous avons plusieurs ???, je vais aller vers cette option de groupe FDE |
| |
et lancer un PCA fonctionnel direct. |
| |
Et donc, cela a pris quelques secondes, mais c'est pour chacun d'entre eux qui s'adapte à un modèle. |
| |
Nous sommes donc en mesure de l'installer, cela fonctionne relativement bien et nous disposons de diagnostics. |
| |
Nous proposons une option de sélection de modèle pour vous permettre de modifier le nombre de scores FPC. Nous en avons identifié quatre comme étant les plus adaptés à ce cas particulier, et la plupart des autres modèles n'en choisissent qu'un seul. |
| |
Mais si vous avez déjà utilisé l'EDF, 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 comme… |
| |
L'ACP fonctionnelle est le modèle et nous nous concentrons entièrement sur cela, au lieu d'autres choses que nous avons nécessairement dû régler auparavant |
| |
Sur mes graphiques et profileurs de scores. En les parcourant, on constate que nous les adaptons assez bien. |
| |
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 explique presque toutes les variations dans ce cas. |
| |
D'accord. |
| |
Bien. Encore une fois, la tension, donc la dernière. |
| |
Si nous revenons à cette option de groupe, nous pouvons enregistrer les résumés de toutes ces fonctions. Nous avons donc utilisé FDE assez rapidement pour |
| |
chargez nos données et prenez toutes ces fonctions et résumez-les en quelques résumés pour chacune d'elles. |
| |
Mais les principaux, 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 que les gens, avant l'EDF, auraient pu utiliser. On prend la moyenne, on examine les écarts types ou d'autres résumés, et ces données ont toujours de la valeur. Je pense donc que c'est une bonne chose que nous les incluions par défaut. |
| |
Nous avons quelques scripts. Ainsi, tous les scripts de votre table de données d'origine seront également intégrés, mais nous ajoutons également ces scripts de profilage afin que vous puissiez les lancer et voir, d'accord, quand je modifie mes scores FPC, qu'est-ce que cela signifie ? |
| |
Et aidez-nous à y voir plus clair. |
| |
Ce que nous voulons faire maintenant, c'est essayer de prédire cette condition, bonne ou mauvaise. Je vais donc utiliser la régression généralisée, car je pense que c'est une très bonne méthode. |
| |
méthode permettant non seulement d’ajuster ces modèles, mais également de les interpréter. |
| |
Mais vous pourriez vraiment tout utiliser. Vous pourriez obtenir un réseau neuronal, ou faire tout autre chose. Une fois ce tableau enregistré, vous pourrez utiliser le reste de JMP. |
| |
Pour déterminer la meilleure façon de modéliser cela, je vais donc prendre tous ces résumés et effectuer une factorielle de degré deux. |
| |
Nous essayons donc de prédire la condition finale et nous utiliserons l’ensemble de données de validation. |
| |
Et nous ciblons la question : était-ce mauvais ou pas ? |
| |
Et donc, en réalité, c'est probablement la partie la plus longue de ce calcul. Nous allons utiliser un Lasso par défaut en utilisant cette colonne de validation. Ça prend… |
| |
Pensez-y, vous savez, pendant 5 à 10 secondes. |
| |
Vous pouvez toujours l'arrêter plus tôt si vous le souhaitez, mais vous savez que nous lui donnons un très bon ensemble de fonctionnalités et que nous 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 choses qui semblaient ne pas correspondre. |
| |
Personnellement, je suis partisan de l’observation des paramètres sur une base centrée et mise à l’échelle pour, vous savez, aider à mieux comprendre les différences d’ampleur. |
| |
Mais certains d'entre eux, vous savez, comme ce score FPC, je pensais, vous savez, ce n'est vraiment pas informatif alors que FPC 2 et 3 pour la charge |
| |
sont plus utiles, on peut les trier et les visualiser. 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 nous voyons aussi qu'il y a certainement beaucoup d'informations dans les résumés des... |
| |
des formes de ces fonctions à l'aide de ces scores FPC. Je vais donc passer à l'autre côté. Cet écart type de flux semble très important, et je pense… |
| |
vous savez, une autre raison pour laquelle j'aime cela est que, si vous êtes responsable de ce processus et que vous avez le contrôle sur l'écart type du flux, |
| |
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 |
| |
Il faut améliorer les choses avant de construire un modèle, pour dire « OK, maintenant, abandonnons-les ». Disons que nous avons fait cela, et que ce modèle est le nôtre, nous voulons essayer de construire une heuristique. |
| |
Bon ou mauvais. À quel moment dois-je l'abandonner ? Sauvegardez les colonnes de la formule de prédiction, qui seront réenregistrées dans le tableau récapitulatif. GenReg nous donnera les conditions suivantes : probabilité mauvaise, probabilité bonne et très probable. |
| |
Et donc on peut… on peut juste s'arrêter là et dire : « OK, si c'est au-dessus de 0,5, regardons ça de plus près, ou si c'est au-dessus de… je ne sais pas, 0,75, c'est bien. » Disons… peut-être que ça n'en vaut pas la peine, juste à cause de… |
| |
Coût du reste du processus. Vous pouvez choisir cette probabilité en fonction des implications concrètes. |
| |
Ou alors, on pourrait utiliser un modèle de partition pour nous aider à comprendre cela. On va donc utiliser cette probabilité comme facteur. On dit simplement : |
| |
Je pourrais examiner cela manuellement et utiliser un modèle pour essayer de comprendre comment regrouper ces conditions. Nous conserverons ainsi nos ensembles de données de validation afin d'éviter toute double utilisation. |
| |
Donc 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 division. Donc, si cette probabilité d'être mauvais est inférieure à 0,1, c'est très probable, c'est bon. La plupart de nos mauvais sont dans cette fourchette supérieure à 0,1. C'est logique. Divisons à nouveau. Maintenant, nous examinons vraiment… beaucoup d'entre eux sont vraiment dans cette fourchette. |
| |
est la probabilité supérieure à 0,25. Nous allons diviser une fois de plus, et |
| |
Au moins pour les données d'entraînement, il semblerait que toutes les valeurs supérieures à 0,6 soient mauvaises. On ne s'attend pas à ce que cela arrive. |
| |
en réalité, et cette formation ou cette validation R au carré met en évidence 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 l'impression que 0,75 était bon, mais en réalité, cela signifie que nous devons peut-être vraiment nous concentrer sur ceux qui sont à 0,6 ou plus. |
| |
Et donc, c'est, vous savez, un peu... |
| |
Je suppose que nous en sommes arrivés au point où, vous savez, il s'agissait de données simulées. Dans le cas réel, cela s'est avéré très utile, notamment pour interpréter les données et déterminer si nous pouvons améliorer notre processus. C'est également utile, non seulement pour ce cas, mais aussi pour d'autres ensembles de données dont nous disposons. |
| |
Revenons aux diapositives. |
| |
D'accord, j'ai donc en quelque sorte parcouru et résumé ce qu'est le PCA fonctionnel, 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, de jeter des choses au début de ce processus de fabrication. |
| |
Pour conclure, voici quelques conseils : la rapidité de calcul rend ce système idéal pour les grands ensembles de données. D'une certaine manière, vous pouvez commencer par là. |
| |
Et dites-moi, qu'en pensez-vous ? C'est tellement rapide que je n'ai pas besoin de manipuler les commandes du modèle. D'une certaine manière, si vous avez des données volumineuses, c'est un excellent point de départ. |
| |
Mais ce n'est pas parfait, vous savez. J'ai montré quelques diagnostics et on peut voir si ça ne va pas bien. Comme pour tout modèle, ce n'est pas parce que c'était rapide que c'était bon. Alors, assurez-vous d'être |
| |
identifier les problèmes potentiels et peut-être avoir besoin d'une approche différente. Nous avons d'autres modèles de fonctions de base que nous utilisons. |
| |
je travaille sur des types de données très particuliers sur lesquels, vous savez, même cette approche ne fonctionne pas nécessairement aussi bien 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 essayez d'utiliser Reduce pour vous aider à contrôler cette grille, s'il semble que les choses sont trop lentes ou n'ont pas vraiment de 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 les questions si quelqu'un a quelque chose. |
