| Oratore |
Trascrizione |
| Brendan Leary |
hai ragione. |
| Ryan Parker, JMP |
tu sei. |
| |
Qui. |
| |
Sto bene. |
| |
Mi senti bene. |
| Brendan Leary |
Ti sento bene, mi senti bene. |
| |
Sì, tutto bene, hai capito bene l'audio, è stato un piacere conoscerti. |
| |
Ovviamente, facendo questo, lavori per Chris o. |
| |
Sono fantastico. |
| Ryan Parker, JMP |
Il capo scienziato dei dati ha ragione, quindi ho ragione. |
| Brendan Leary |
è un titolo importante. |
| |
proprio lì. |
| |
Sì. |
| Brendan Leary |
E tu sei un ricercatore statistico senior. Mi guardo intorno e mi sembra di aver già visto il tuo viso in giro, ma non ho ancora avuto la possibilità di incontrarti, quindi è un piacere conoscerti. |
| Ryan Parker, JMP |
Allora, dove sei? |
| Brendan Leary |
Vi accompagnerò in un progetto che avrà come base New York e il New Jersey. |
| |
Eccezionale. |
| Brendan Leary |
Mi diverto sul campo e ho modo di mostrare tutte le belle cose che voi ragazzi costruite. |
| |
Penso che tu sia perfetto. |
| |
Allora, per cominciare, ecco un paio di cose che devo sapere. |
| |
Cominciamo col dire le cose più importanti: il tuo microfono sembra a posto se tutte le notifiche del tuo cellulare e del tuo computer sono disattivate. |
| Ryan Parker, JMP |
Mi piacerebbe. |
| |
Non disturbare, sì, fammi controllare due volte il computer. |
| |
Sì, non disturbare per niente. |
| Brendan Leary |
Okay, non ho sentito niente del tipo se hai un ventilatore acceso o qualcosa del genere. |
| Ryan Parker, JMP |
Sì, ma non si sente bene. |
| |
NO. |
| Brendan Leary |
Se hai animali domestici, anche se li hai messi via, no, no. |
| Ryan Parker, JMP |
questo è solo. |
| |
Sono solo dei bambini piccoli, ma non ci saranno più. |
| Brendan Leary |
L'ultimo incidente che ho avuto è stato con un cane, questo è tutto quello che posso dire. |
| |
Va bene, va bene, vediamo il tuo display. Sei su Windows o MAC? |
| |
MAC, sai quali sono le impostazioni del tuo schermo? Probabilmente va bene se è su un MAC. Di solito chiedono 1920 entro le 10. |
| Ryan Parker, JMP |
IL. |
| Brendan Leary |
Giusto per dare una soluzione, ma immagino che vada bene. |
| Ryan Parker, JMP |
Sì, dovrebbe andare bene, ok. |
| Brendan Leary |
vuoi mostrare come lo utilizzerai solo per il journal JMP o è anche un PowerPoint. |
| Ryan Parker, JMP |
Quindi condividerò il desktop, è questo il modo migliore per farlo. |
| Brendan Leary |
Sì. |
| Ryan Parker, JMP |
Oppure preferisci condividere. |
| |
Uno alla volta è probabilmente il modo più semplice per nascondere lo zoom. |
| |
Quindi cominciamo con questo e vediamo come appare. |
| Brendan Leary |
Grande. |
| Ryan Parker, JMP |
Ok, questa diapositiva è fatta molto velocemente, giusto per essere sicuri che non salti fuori niente di strano. |
| Brendan Leary |
Sai che sei bravo con le animazioni funky. |
| Ryan Parker, JMP |
Sì, niente animazioni strane, poi andrò su JMP e aprirò lo stato di configurazione e. |
| |
E da lì un lancio. |
| Brendan Leary |
Perfetto, okay, penso che andiamo bene, ho detto, l'unica altra cosa che vorrei sottolineare è che prima di entrare e iniziare con JMP, lo registreremo nei dettagli, sai. |
| |
Quindi se commetti un errore o vuoi farlo, devi ricominciare da capo. |
| |
Ma aspetta solo un paio di secondi prima di iniziare, magari contando mentalmente alla rovescia da tre a cinque. |
| |
Ok, un po' di spazio bianco all'inizio e alla fine, così puoi capovolgerlo. |
| Ryan Parker, JMP |
Giusto, va bene. |
| Brendan Leary |
E questo è tutto quello che ho, quindi andrò avanti e dirò di non usare l'audio e, infine, lavoro per JMP. Non credo di doverlo fare, ma lo leggerò per sicurezza. |
| |
Si riconosce che questa registrazione è destinata all'uso in occasione della conferenza estiva JMP Discovery e sarà disponibile al pubblico nella community di utenti JMP. Si autorizza la registrazione da parte nostra. |
| Ryan Parker, JMP |
Per favore, condividilo. |
| Brendan Leary |
ampiamente riportato, nel caso in cui Perkinson non potesse arrabbiarsi con me ho chiesto. |
| Ryan Parker, JMP |
Sì, conosci qualcuno che ha un coniuge e gli chiede: "Ehi, cosa hai fatto?" |
| Brendan Leary |
Lo so, lo so. |
| |
Fantastico Ryan, grazie. Ora farò partire il conto alla rovescia per disattivare l'audio del nostro video nella tua testa e quando sarai pronto potrai iniziare. |
| Ryan Parker, JMP |
Ok, e giusto per tua informazione, credo che quel tempo sia di circa 20 minuti. |
| |
Perché penso che in totale siano 30, giusto? E poi volevano darne un po'. |
| |
tempi supplementari. |
| Brendan Leary |
Quindi sì, la brevità è perfetta, hai dato tempo a Q e A e sembra l'ideale. |
| Ryan Parker, JMP |
Ok, ottimo. |
| |
sembra fantastico. |
| |
Bene, grazie per essere venuti oggi. Mi chiamo Ryan Parker. Sono un |
| |
PCA funzionale diretta. |
| |
Ed è un nuovo modo di analizzare i dati funzionali. E voglio solo riconoscere che il nostro capo data scientist Chris Gotwalt ha svolto un ruolo fondamentale non solo nello sviluppo di FDE, ma |
| |
anche questo nuovo strumento, così come il nostro team di test di Rajneesh, il cui lavoro, come sapete, passa solitamente inosservato, ma è una delle ragioni principali per cui siamo dove siamo oggi. |
| |
Quindi non darò per scontato che tu abbia utilizzato FDE o che forse non sai nemmeno cosa siano i dati funzionali. |
| |
Quindi partiamo dall'inizio per essere sicuri di essere tutti sulla stessa lunghezza d'onda. Dati funzionali... in realtà li consideriamo come qualsiasi cosa che abbia un input X, in questo caso abbiamo dei dati sulla temperatura. Il nostro input è la settimana, quindi questi vengono misurati. |
| |
ogni settimana dell'anno. E il nostro output Y è questa temperatura. |
| |
E quindi, sai, potresti campionare per trovare una risoluzione, magari ogni giorno o ogni ora, ma l'idea generale è che non hai campionato completamente, sai, |
| |
l'intera funzione. Hai un modo per lavorare con un campionamento. E in realtà in tutti i casi |
| |
che ci interessano, anche se è possibile utilizzare una sola funzione, vogliamo anche pensare ad averne più di una. Quindi abbiamo diverse stazioni meteorologiche in cui ogni settimana abbiamo registrato la temperatura. |
| |
Quindi, anche se qui abbiamo inserito tutte le settimane, non è necessario che ci sia quella caratteristica degli FDE, poiché è possibile avere, ad esempio, alcuni punti di campionamento mensili oppure no... possono essere campionati in momenti diversi. |
| |
Ma non deve essere necessariamente... sai... il tuo input non deve essere necessariamente il tempo nel senso tradizionale. Magari è la temperatura e hai questa chiarezza di misurazione come output. |
| |
Ecco perché noi lo sosteniamo. |
| |
È proprio questa mappatura di un input e di un output. O forse ci si trova in un contesto spettrale e l'input è la lunghezza d'onda, mentre l'output è l'intensità. |
| |
In un esempio che mostrerò per illustrare la PCA funzionale diretta, abbiamo più flussi di dati, più funzioni, quindi non solo abbiamo, sai, |
| |
Una funzione diversa... diversa, ma abbiamo output diversi. Abbiamo, sai, una carica, la forza del pistone, la tensione e il vuoto e vogliamo riunire tutti questi dati. |
| |
e analizzarli. |
| |
Pertanto, questi tipi di dati contribuiscono a motivare lo sviluppo di un esploratore di dati funzionale. |
| |
E ci sono due domande principali a cui noi... |
| |
Di solito lo usiamo per rispondere. Il primo è in un contesto di progettazione funzionale degli esperimenti. In questo contesto, abbiamo fattori che vogliamo provare a mettere in relazione |
| |
alla nostra funzione di risposta. Quindi, in questo caso, siamo davvero interessati a come ottenere una certa forma per questa funzione di risposta. |
| |
Possiamo quindi collegare questi fattori alla funzione e, in questo caso, volevamo... che la nostra funzione rimanesse nell'area di specifica verde il più a lungo possibile e, con FDE, possiamo...possiamo contribuire a raggiungere questo obiettivo. |
| |
L'altro caso comune è quello che chiamiamo apprendimento automatico funzionale e, in questo caso, vogliamo pensare di più alle nostre funzioni come se fossero |
| |
input per qualcosa. Quindi, nel nostro processo, forse abbiamo i risultati finali o una resa finale, nel caso di questi dati sul processo di fermentazione. |
| |
Vogliamo quindi riassumere le forme di queste funzioni. Usarle come input per un modello predittivo per capire quale mi darà il risultato migliore. |
| |
Quindi, in realtà, il grande gioco a cui si cerca di giocare è la PCA funzionale, e ciò che la PCA funzionale fa è riassumere i nostri dati. |
| |
Ecco un esempio molto semplice in cui è probabilmente facile vedere che hanno tutti pendenze di accoppiamento diverse. |
| |
E potrebbe essere un po' più difficile rendersi conto che le medie sono un po' diverse per ognuno. Quindi il nostro obiettivo è motivare questo, cercare di riassumere questi aspetti, sapete. |
| |
Partiamo da un caso semplice e vediamo come possiamo estendere il concetto a situazioni più complesse. |
| |
Quindi, quando eseguiamo una composizione ???, otterremo autofunzioni ortogonali che spiegheranno il più possibile la variazione da funzione a funzione. |
| |
E, una volta che li abbiamo, possiamo usarli per estrarre riepiloghi da tutte queste funzioni che abbiamo |
| |
Può essere utilizzato nella modellazione predittiva. Quindi prendiamo, sai, una forma davvero complessa, in questo caso non è super complessa, ma la riassumeremo in un paio di punti dati, sai, dai circa 10 che abbiamo qui. |
| |
Questo è...questo è l'aspetto di una funzione autometrica |
| |
Per questi dati. Quindi ne abbiamo estratti due. Il primo spiega circa il 77% della variazione e attribuisce il peso maggiore all'inizio e alla fine. E |
| |
Questo, come ci si potrebbe aspettare, riassume tutto questo, ovvero quantifica la pendenza di questi dati. Mentre la seconda autofunzione attribuisce lo stesso peso a... a tutto l'input, e questo quantifica la differenza nella media. |
| |
Quindi ora vogliamo trasformare queste funzioni autonome, usarle con i nostri dati e ottenere un breve riepilogo che vogliamo usare per spiegare le differenze tra queste funzioni. Quindi |
| |
Prendendo la Funzione 2 come esempio, moltiplichiamo questa funzione per la prima funzione auto. Otterremo una funzione con molti numeri negativi. |
| |
Quindi se ci pensi un po', sai, prendendo l'integrale di questo, sommando tutti quei numeri negativi, otterrai un numero negativo piuttosto grande. |
| |
Possiamo quindi vedere come questa prima componente catturi davvero le differenze. Quindi il numero 10, a destra, era un numero positivo elevato, e quindi possiamo... possiamo in un certo senso vedere nei nostri dati che aveva anche quella pendenza positiva elevata. |
| |
Un'idea simile vale anche per la seconda componente, dove abbiamo, sapete, medie complessive più alte e più basse. |
| |
Una volta ottenute queste due cose, possiamo tornare alla nostra funzione originale. |
| |
Aggiungendo una media complessiva, prendiamo semplicemente il punteggio delle prime componenti principali funzionali, guardando qui alla Funzione 1. Lo moltiplichiamo per la prima autofunzione. |
| |
e poi aggiungiamo il punteggio delle componenti principali della seconda funzione, moltiplichiamo per la seconda autofunzione e |
| |
che ricreerà questo primo. In un processo simile, l'utilizzo dei punteggi con la seconda funzione ci consente di |
| |
ricostruire o approssimare quelle funzioni. Quindi puoi vedere dove, okay, se siamo in grado di costruire modelli per questi punteggi FPC, |
| |
possiamo, sai, capire come i fattori DOE li modificano, nel qual caso ciò modifica la forma della nostra funzione alfa e in un certo senso quel primo scenario che abbiamo esaminato. |
| |
Quindi, entriamo nel dettaglio del perché dell'analisi PCA funzionale diretta? Di nuovo, qual è stata la motivazione per farlo? Quindi, se avete già utilizzato l'analisi PCA funzionale diretta, |
| |
Le opzioni di modellazione che abbiamo sono considerate modelli di funzioni base. E in questi casi, in realtà... prima di tutto smussano i dati, quindi adattiamo il modello e otteniamo una funzione smussata con cui possiamo operare. Ma parte del problema è che potremmo avere un sacco di |
| |
un sacco di cose che dobbiamo in qualche modo mettere a punto. Quindi, nel caso di B-spline, dobbiamo scegliere qual è la migliore, |
| |
Sai, il grado del polinomio da usare nella spline, o quanti nodi dovremmo avere? E ti diamo alcune impostazioni predefinite per questo, ma, sai, ti permettiamo anche di cambiare la posizione di quei nodi. E questo è fantastico e funziona in molti casi. |
| |
Tuttavia, man mano che si ottengono campioni più grandi o funzioni più complesse, questo potrebbe richiedere molto tempo e potrebbe essere sulla buona strada per mettere a punto davvero tutte le posizioni di questi nodi. |
| |
Ma il modo in cui funziona FDE ora è che adattiamo il modello, eseguiamo FPCA sui coefficienti di quei modelli e c'è questa bella relazione tra, |
| |
Sai, ora le nostre funzioni proprie sono nella stessa forma del modello dei nostri dati. Quindi ci sono un sacco di cose positive da considerare, ma che si tratti di calcoli costosi o semplicemente di modelli che non funzionano bene, avevamo bisogno di un approccio diverso. |
| |
E così |
| |
L'approccio precedente prevedeva prima lo smoothing dei dati, e ora pensiamo: "Ok, prendiamo i dati così come sono. Operiamo direttamente su quelli". |
| |
E poi da lì smussiamo le autofunzioni che otteniamo. Quindi questo non è un confronto equo, sai, ma con le B spline rispetto alla FPCA diretta, noterai... noterai che |
| |
Le funzioni proprie che si ottengono sono un po' più fluide con l'FPCA diretto, e questo è il modo in cui volevamo che fossero un po' più fluide, sapete. Questo piccolo artefatto qui è davvero così importante? |
| |
L'FPCA dice che forse non lo è. Credo che sia proprio l'ultima autofunzione a spiegare la variazione, che non la spiega granché. Stiamo riscontrando delle stranezze. |
| |
Sapete, un esperto forse dovrebbe analizzare la cosa e dire: "No, questo è vero", ma molto probabilmente non dovremmo dare troppo peso a questa funzione propria. |
| |
Probabilmente non lo stai usando. |
| |
Quindi l'algoritmo che usiamo per adattare il modello PCA funzionale diretto è simile nello spirito al metodo di Rice e Silverman, principalmente perché è un processo iterativo. Quindi quello che facciamo è... |
| |
Innanzitutto, vorrei sottolineare che i dati devono essere su una griglia standard. Quindi, se non avete i vostri dati su una griglia standard, li interpoleremo direttamente per voi. Abbiamo anche alcune opzioni... opzioni di elaborazione dei dati chiamate "reduce" che potete... |
| |
applicare per controllare in modo preciso la rete su cui operiamo. |
| |
Ma nella nostra procedura prenderemo in considerazione una sola autofunzione. |
| |
Possiamo semplicemente chiedere il primo componente. |
| |
Adatta un modello di smoothing a quello e poi chiedi quello successivo. |
| |
Una volta appianato quello successivo, dobbiamo apportare alcune modifiche per ottenere le proprietà di ortogonalità desiderate. |
| |
Ma l'idea qui è che abbiamo... abbiamo preso un problema in cui stiamo cercando di smussare molte funzioni diverse per prima cosa far funzionare i modelli, dove ora andremo a |
| |
Concentriamo davvero i nostri sforzi sullo smoothing di queste funzioni proprie una alla volta. E ne abbiamo un numero molto inferiore, il che rende questa tecnica molto più veloce per set di dati di grandi dimensioni rispetto alle soluzioni esistenti in JMP. |
| |
Quindi l'esempio che farò riguarda un processo di produzione e solo per darvi un'idea delle accelerazioni, |
| |
Se, nello scenario migliore, conoscessi esattamente il modello P spline che vuoi usare per questi dati, ci vorrebbe tre volte più tempo per adattare quei modelli rispetto alla soluzione FPCA diretta pronta all'uso. |
| |
La differenza sta nel fatto che non si sa necessariamente quali saranno questi modelli, quindi bisogna prendersi del tempo per adattare più modelli e quindi ora si è impiegato davvero molto tempo rispetto a ciò che farà l'FPCA diretto. |
| |
Ma, quindi questo esempio |
| |
esamina in particolare una fase in cui leghiamo il vetro a un wafer. |
| |
E questo processo, sai, è come se ci fosse un vuoto attorno, ci sono degli strumenti, è tutto appoggiato su questo mandrino, e |
| |
questo processo è in corso e, sfortunatamente, circa il 10% di essi viene distrutto, ma questo avviene solo a metà del processo e non lo si scopre fino a settimane dopo |
| |
che siano stati distrutti. Quindi il nostro obiettivo è... abbiamo sensori che raccolgono dati attraverso questo processo, vogliamo provare a usarli per identificare i wafer di cui possiamo in qualche modo sbarazzarci. |
| |
presto. Forse c'è un sottoinsieme di cui possiamo sbarazzarci, quindi non possiamo più spendere soldi per loro, e quindi l'obiettivo è provare a identificarlo usando i dati del nostro flusso di sensori. |
| |
Quindi adesso andrò su JMP. |
| |
E ho un diario, quindi tutte queste fonti saranno disponibili sulla pagina della Community, ma aprirò questo set di dati |
| |
E lancerò |
| |
esploratore di dati funzionali dal menu di modellazione specializzata di analisi. |
| |
Quindi esaminiamo ciascuna di queste colonne. Abbiamo l'ID del wafer, quindi questo è più o meno il nostro... |
| |
raggruppa le nostre diverse funzioni. |
| |
La condizione, quindi questa è, sai, era buona o cattiva? Quindi vogliamo |
| |
manteniamolo, vogliamo usarlo più tardi, quindi lo metteremo come variabile supplementare e questo dirà a FDE, sai, quando salveremo delle cose in futuro, di andare avanti e portarlo con sé. |
| |
carica, flusso, forza del pistone, vuoto e questa tensione |
| |
come parte di questo processo. |
| |
Per lanciare FDE, |
| |
scorriamo e vediamo, sai, li ho mostrati prima, ma questi sono tutti i diversi tipi di dati che abbiamo e |
| |
necessariamente... potrebbe essere possibile che non tutti i modelli siano adatti, sai. Lo stesso modello che si adatta a questo potrebbe non essere adatto, sai... lo stesso modello che si adatta alla carica potrebbe non essere adatto anche al flusso. |
| |
Ma l'FPCA diretto li esamina individualmente e in un certo senso gestisce la situazione per noi. Prima di entrare nel dettaglio, vorrei mostrarvi l'opzione di riduzione che ho menzionato. Quindi, per impostazione predefinita... |
| |
Beh, ci sono tre schede qui. Puoi inserirlo direttamente in una griglia uniformemente spaziata, puoi suddividerlo in osservazioni o puoi rimuovere ogni |
| |
Un'ennesima variabile per completarlo. Questi dati sono su una griglia. Non dobbiamo fare nulla, ma potremmo dire "ok, facciamo così" e, di default, ci restituisce metà del set di dati originale. |
| |
Quindi ora l'hai rimosso e le forme sono ancora più o meno le stesse. In questo caso non dobbiamo farlo, è comunque veloce, ma se i tuoi dati sono |
| |
Non è già presente in una griglia, o ne hai già parecchia, ma usando reduce puoi comunque catturare le caratteristiche chiave. È davvero qualcosa che vale la pena esplorare. |
| |
Quindi, poiché abbiamo più ???, andrò a questa opzione del gruppo FDE |
| |
e avviare un PCA funzionale diretto. |
| |
E così, ci sono voluti alcuni secondi, ma ognuno si adatta a un modello. |
| |
carica. Quindi siamo in grado di adattarlo, funziona abbastanza bene, abbiamo la diagnostica disponibile. |
| |
Abbiamo un'opzione di selezione del modello per informarti, modificando il numero di punteggi FPC. Ne abbiamo identificati quattro come i migliori per questo caso specifico e la maggior parte degli altri ne sceglie solo uno. |
| |
Ma se avete già usato FDE in precedenza, sapete, vedrete questi riassunti funzionali familiari, ma non c'è niente... non abbiamo nient'altro. Non c'è un modello precedente, giusto? È più o meno così... |
| |
il PCA funzionale è il modello e ci concentriamo interamente su quello, invece di altre cose che abbiamo necessariamente dovuto mettere a punto prima |
| |
Dai miei grafici dei punteggi e dei profiler. Scorrendoli, possiamo vedere che apparentemente ci adattiamo abbastanza bene a questi. |
| |
Forza del pistone... e ho detto che, sai, molti di questi finiscono per sceglierne solo uno. Voglio dire, questo spiega quasi tutta la variabilità in quel caso. |
| |
Va bene. |
| |
Bene. Di nuovo, la tensione, quindi l'ultima. |
| |
Quindi, se torniamo a questa opzione di gruppo, possiamo salvare i riepiloghi per tutte queste funzioni. Ora abbiamo utilizzato FDE in modo efficace e abbastanza rapido per |
| |
carichiamo i nostri dati, prendiamo tutte quelle funzioni e le riassumiamo in pochi riepiloghi per ciascuna. |
| |
Ma i principali li abbiamo |
| |
sono quelli a cui sono più interessati, principalmente perché riassumono semplicemente la variazione nelle forme, ovvero i punteggi FPC. |
| |
Ma ci sono ancora informazioni nelle cose che le persone, sai, prima dell'FDE, cosa avrebbero fatto? Prendi la media, o guardi le deviazioni standard o altri riassunti, e queste cose hanno ancora valore, quindi penso che sia positivo, sai, che noi, di default, le portiamo con noi. |
| |
Abbiamo alcuni script. Quindi tutti gli script presenti nella tabella dati originale verranno importati, ma aggiungeremo anche questi script di profiler in modo che possiate avviarli e vedere, ok, visto che sto modificando i miei punteggi FPC, cosa significa? |
| |
E aiuta a sviluppare una certa comprensione di tutto ciò. |
| |
Quindi quello che vogliamo fare ora è cercare di prevedere quella condizione, positiva o negativa. Quindi userò la regressione generalizzata solo perché penso che sia, sapete, un metodo davvero valido. |
| |
metodo non solo per adattare questi modelli, ma anche per interpretarli. |
| |
Ma potresti davvero usare qualsiasi cosa. Potresti ottenere una rete neurale, potresti fare qualsiasi altra cosa. Una volta salvata questa tabella, sei libero di usare il resto di JMP. |
| |
per come ritieni di poterlo modellare al meglio. Quindi prenderò tutti questi riassunti e farò un fattoriale di grado due. |
| |
Quindi stiamo cercando di prevedere la condizione finale e useremo il set di dati di convalida. |
| |
E ci stiamo chiedendo: è andata male oppure no? |
| |
E quindi, in realtà, questa è probabilmente la sezione di calcolo più lunga di tutto questo. Faremo un Lazo di default usando questa colonna di convalida. Voglio dire, ci vuole... |
| |
pensa, circa 5-10 secondi. |
| |
Puoi sempre fermarlo prima se vuoi, ma sai che gli stiamo dando un buon set di funzionalità e stiamo esaminando le interazioni tra di esse per cercare di capire, |
| |
sai, il modo migliore per provare a prevedere questa condizione. |
| |
IL... |
| |
quasi fatto. |
| |
Ora si tratta solo di creare il report e, una volta ottenuto il modello, si vedranno anche cose che sembravano non corrispondere. |
| |
Quindi personalmente sono un sostenitore dell'analisi dei parametri in modo centrato e scalato, per comprendere meglio le differenze di entità. |
| |
Ma alcuni di questi, sai, come questo punteggio FPC, ho pensato, sai, non è davvero informativo mentre FPC 2 e 3 per la carica |
| |
sono più utili, quindi puoi ordinarli e vedere, sai. E un po' come ho descritto, cose come |
| |
Semplici riassunti di medie o minimi o deviazioni standard forniscono informazioni, ma vediamo anche che ci sono sicuramente molte informazioni nei riassunti di... |
| |
delle forme di queste funzioni utilizzando questi punteggi FPC. Quindi andrò dall'altro lato, mentre questa deviazione standard del flusso sembra essere molto importante e penso, |
| |
sai, un altro motivo per cui mi piace è che, se sei responsabile di questo processo e hai il controllo sulla deviazione standard del flusso, |
| |
questo può aiutarti, sai, forse non hai bisogno di sapere qual è il primo passo, beh, ehi, forse abbiamo una parte di questo che possiamo effettivamente |
| |
migliorare prima di costruire un modello, per dire ok, ora scartiamoli. Quindi, supponiamo di averlo fatto, dato che questo è il nostro modello, vogliamo provare a costruire un'euristica. |
| |
Bene o male. A che punto voglio semplicemente scartarlo? Salviamo le colonne per la formula di previsione, e questo verrà salvato nuovamente nella tabella di riepilogo. GenReg ci darà probabilità "male", probabilità "buono", condizione molto probabile. |
| |
E quindi possiamo... possiamo semplicemente fermarci qui e dire ok, se è sopra 0,5, diamo un'occhiata più da vicino, o se è sopra, non so, 0,75, ci sentiamo bene. Forse non ne vale la pena solo per il fatto che |
| |
il costo del resto del processo. Sai, forse scegli quella probabilità in base alle implicazioni del mondo reale. |
| |
Oppure potremmo lasciare che un modello di partizione ci aiuti a capirlo, quindi quello che useremo ora è questa probabilità come fattore. Stiamo solo dicendo, ok, |
| |
Potrei analizzare la situazione manualmente e usare un modello che mi aiuti a capire, ad esempio, come raggruppare queste condizioni. Quindi, prendiamo questo e manteniamo i nostri set di dati di convalida in modo da evitare doppi guadagni. |
| |
Quindi ora tutti i nostri blu sono i cattivi e i rossi sono i buoni, quindi, per fortuna, in generale, la maggior parte di loro sono buoni. |
| |
Ma facciamo una divisione. Quindi, se questa probabilità di essere cattivo è inferiore a 0,1, molto probabilmente è buono. La maggior parte dei nostri cattivi si trova in questa posizione, maggiore di 0,1. Ha senso. Dividiamo di nuovo. Ora stiamo davvero osservando... molti di loro si trovano davvero in questa posizione. |
| |
la probabilità è superiore a 0,25. Divideremo ancora una volta e |
| |
Almeno per i dati di training, è abbastanza corretto dire che, ehi, tutti quelli con valori superiori a 0,6 sono tutti pessimi. Sai, non ti aspetti proprio che accada. |
| |
in realtà, e questo addestramento o questa convalida R quadrato evidenzia che, come la maggior parte dei modelli, è possibile ottenere risultati migliori sul set di addestramento rispetto al set di dati di convalida. |
| |
Ma ora ci sta dando, sapete, in un certo senso pensavo che .75 fosse un buon valore, ma in realtà questo significa che forse dovremmo davvero concentrarci su quelli che sono .6 o superiori. |
| |
E quindi, questo è, sai, un po'... |
| |
Immagino che ora siamo arrivati al punto in cui, sapete, questi erano dati simulati. Nel caso reale, questo è stato molto utile, cose come l'interpretazione, sapete, se possiamo... possiamo migliorare il nostro processo, anche questo è stato utile, non solo in questo, ma anche in altri set di dati campione che abbiamo. |
| |
Torniamo alle diapositive. |
| |
Ok, quindi ho riassunto in breve cos'è la PCA funzionale, cosa ha motivato questo nuovo approccio FPCA diretto e vi ho mostrato come utilizzarlo in un esempio in cui cerchiamo di scartare alcune cose all'inizio del processo di produzione. |
| |
Quindi, ecco alcuni suggerimenti finali: la velocità di elaborazione lo rende ottimo per grandi set di dati. In un certo senso, si può semplicemente iniziare da lì. |
| |
E dire, ok, cos'è l'FPCA diretto? È così veloce che non devo nemmeno armeggiare con i controlli del modello. In un certo senso, se si hanno grandi quantità di dati, è un ottimo punto di partenza. |
| |
Ma non è perfetto, sai. Ho mostrato alcune diagnosi e puoi vedere se non si adatta bene e, come per qualsiasi modello, solo perché era veloce non significa che fosse buono. Quindi assicurati solo di... |
| |
identificare possibili problemi e forse hai bisogno di un approccio diverso. Voglio dire, abbiamo, sai, altri modelli di funzioni di base uniformi che stiamo |
| |
lavorando su tipi di dati molto particolari su cui, sai, anche questo approccio non è necessariamente efficace quanto, sai, questi modelli molto specifici. |
| |
E questo è, sai...parte di questo è che i dati devono essere su una griglia e provare a usare reduce per aiutarti a controllare quella griglia, se sembra che le cose siano troppo lente o non hanno davvero, in un certo senso, senso, forse quello che stiamo facendo di default non è ciò che è buono per i tuoi dati come un |
| |
come quello che puoi fare tu stesso. |
| |
Grazie mille per essere venuti e risponderò a qualsiasi domanda se qualcuno ha qualcosa. |
