756786_ko-KR

liliconcom

Functional Data Explorer에서 직접 기능적 PCA를 사용한 기능적 데이터 분석(2021-US-30MP-913)

Ryan Parker, 수석 연구 통계 개발자, JMP

JMP Pro 16에서는 함수 데이터 탐색기(FDE)에 직접 함수형 주성분 분석(DFPCA) 모델링 옵션이 추가되어 기저 함수 모델을 먼저 적합하지 않고도 함수형 주성분 분석을 수행할 수 있습니다. 이 접근 방식은 대용량 함수형 데이터의 처리 용이성을 높일 뿐만 아니라, 함수형 데이터 분석에 더욱 간편하게 접근할 수 있도록 합니다. 이 프레젠테이션에서는 DFPCA의 작동 방식을 자세히 설명하고, DFPCA를 사용하여 함수형 데이터를 분석하는 방법과 시기를 보여주는 예시를 제시합니다.

자동 생성된 대본...

스피커	성적 증명서
브렌던 리어리	네, 맞아요.
라이언 파커, JMP	당신은.
	여기.
	괜찮아요.
	제 말이 잘 들리시나요?
브렌던 리어리	나는 당신을 들을 수 있어요. 알겠어요, 당신은 나의 말을 잘 들을 수 있어요.
	네, 알겠습니다. 오디오는 잘 들어왔고 만나서 반갑습니다.
	당연히 이렇게 하면 당신은 크리스를 위해 일하게 됩니다.
	정말 멋지다.
라이언 파커, JMP	최고 데이터 과학자라니까, 제 말이 맞죠.
브렌던 리어리	정말 큰 제목이네요.
	바로 거기요.
	응.
브렌던 리어리	당신은 선임 연구 통계학자인데요, 주변을 둘러보니 얼굴은 본 적이 있는 것 같지만 만날 기회가 없어서 반갑습니다.
라이언 파커, JMP	그렇군요. 당신은 어디에 있나요?
브렌던 리어리	저는 뉴저지에 거주하며 뉴욕과 뉴저지 프로젝트에 참여하게 됩니다.
	엄청난.
브렌던 리어리	현장에서 즐거운 시간을 보내고, 여러분이 만든 좋은 물건들을 모두 자랑스럽게 보여줄 수 있어서 기쁘네요.
	나는 당신이 완벽하다고 생각해요.
	그럼, 여기서 시작하면서 몇 가지 말씀드리겠습니다.
	우선, 마이크는 좋아 보이는데 휴대전화, 컴퓨터 알림은 모두 꺼져 있는 게 좋습니다.
라이언 파커, JMP	좋아해요.
	방해하지 마세요. 네, 컴퓨터를 다시 확인해 보겠습니다.
	네, 모든 것에 방해 금지를 적용합니다.
브렌던 리어리	알겠습니다. 선풍기가 돌아가고 있다는 등의 소식은 들리지 않습니다.
라이언 파커, JMP	그렇죠. 하지만 잘 들리지 않아요.
	아니요.
브렌던 리어리	애완동물을 키우는 경우에도 안 됩니다.
라이언 파커, JMP	그냥 그래요.
	그냥 어린아이들이지만, 그들은 주변에 없을 것입니다.
브렌던 리어리	개 사고가 있었는데, 제가 마지막으로 저지른 일이 전부입니다.
	좋습니다, 좋습니다. 화면을 볼까요? 음, 윈도우를 사용하시나요, 아니면 맥을 사용하시나요?
	MAC이라면 디스플레이 설정이 어떻게 되는지 아시나요? MAC이라면 보통 1920 x 10으로 설정해 달라고 요청합니다.
라이언 파커, JMP	그만큼.
브렌던 리어리	그냥 해결책을 말씀드리는 거지만, 괜찮을 것 같아요.
라이언 파커, JMP	네, 괜찮을 거예요. 알았어요, 나.
브렌던 리어리	JMP 저널에만 사용할 것인지, 아니면 파워포인트로도 사용할 것인지 보여드리고 싶습니다.
라이언 파커, JMP	그래서 데스크톱이 가장 좋은 방법인지 알려드리겠습니다.
브렌던 리어리	응.
라이언 파커, JMP	아니면 공유하고 싶으신가요?
	한 번에 하나씩 하는 것이 줌을 숨기는 가장 쉬운 방법일 것입니다.
	그럼, 이게 어떤지 먼저 살펴보죠.
브렌던 리어리	엄청난.
라이언 파커, JMP	좋아요, 이 슬라이드 영상은 이상한 일이 일어나지 않도록 아주 빠르게 찍은 것입니다.
브렌던 리어리	당신은 멋진 애니메이션을 만드는 데 능숙해요.
라이언 파커, JMP	네, 이상한 애니메이션은 필요 없고 JMP로 가서 설정의 개방성 상태로 들어가겠습니다.
	그리고 거기서 출발합니다.
브렌던 리어리	완벽해요, 알겠어요. 괜찮은 것 같아요. 제가 말씀드릴 수 있는 다른 한 가지는 JMP를 시작하기 전에 세부 사항을 녹음한다는 것입니다.
	그러니 실수를 하거나 다시 시작해야 할 경우.
	하지만 시작하기 전에 몇 초만 기다려 보세요. 머릿속으로 3이나 5부터 카운트다운을 해 보세요.
	좋아요, 처음과 끝에 약간의 여백을 두어서 뒤집을 수 있게 하세요.
라이언 파커, JMP	네, 물론이죠.
브렌던 리어리	그리고 제가 할 말은 그게 전부이므로 음소거를 하고, 마지막으로 저는 JMP에서 일하는데, 꼭 그럴 필요는 없을 것 같지만 안전을 위해 읽어보겠습니다.
	귀하는 이 녹음이 JMP Discovery Summer 컨퍼런스에서 사용하기 위한 것이며 JMP 사용자 커뮤니티에서 공개적으로 이용 가능하다는 것을 이해합니다. 귀하는 이 녹음에 대한 허가를 하시겠습니까?
라이언 파커, JMP	공유해 주시면 좋겠습니다.
브렌던 리어리	널리 알려진 사실이지만, 퍼킨슨이 나에게 화를 내지 못할 경우를 대비해 내가 물었다.
라이언 파커, JMP	네, 누군가가 "야, 너 뭐 했어?"하고 말하는 걸 알죠.
브렌던 리어리	당신도 알지만 나도 안다.
	멋지네요, 라이언. 고맙습니다. 머릿속에서 홉온 뮤트 카운트다운 영상을 틀어볼게요. 준비가 되면 시작해 보세요.
라이언 파커, JMP	알겠습니다. 알려드리자면, 제 생각에는 약 20분 정도 걸릴 것 같습니다.
	제 생각에는 총 30이 맞을 것 같은데, 뭔가를 주고 싶었던 거죠.
	추가 시간.
브렌던 리어리	네, 간결함이 완벽하죠. 음, Q와 a에 시간을 주면 이상적일 것 같아요.
라이언 파커, JMP	좋아요, 좋아요.
	좋은 것 같아요.
	오늘 와주셔서 감사합니다. 제 이름은 라이언 파커입니다.
	직접적인 기능적 PCA.
	그리고 이것은 기능적 데이터를 분석하는 새로운 방법입니다. 그리고 저는 우리의 수석 데이터 과학자인 Chris Gotwalt가 FDE 개발뿐만 아니라
	또한 이 새로운 도구와 라즈니쉬의 테스트 팀도 마찬가지입니다. 아시다시피, 그들의 작업은 보통 주목받지 못하지만 오늘날 우리가 이 위치에 오르는 데 큰 역할을 했습니다.
	그러니 당신이 FDE를 사용했다고 가정하지도 않을 거고, 어쩌면 함수형 데이터가 무엇인지도 모른다고 생각하지도 않을 겁니다.
	그러니 처음부터 시작해서 모두가 같은 생각을 하고 있는지 확인해 보세요. 함수형 데이터... 사실 함수형 데이터는 입력 X를 갖는 모든 데이터라고 할 수 있습니다. 이 경우에는 온도 데이터가 있죠. 입력은 주(week)이므로, 이것들은 측정됩니다.
	일 년 내내 매주입니다. 그리고 출력 Y는 이 온도입니다.
	그래서 알다시피, 해결책을 찾기 위해 매일 또는 매시간 샘플링할 수 있지만, 일반적인 아이디어는 완전히 샘플링하지 않았다는 것입니다.
	전체 함수입니다. 샘플링을 통해 작업할 방법이 있습니다. 그리고 실제로 모든 경우에
	우리가 중요하게 생각하는 부분은, 하나의 기능만 사용할 수도 있지만, 여러 기능을 사용하는 것도 고려하고 있다는 것입니다. 그래서 매주 기온을 측정하는 여러 기상 관측소를 운영하고 있습니다.
	따라서 여기에는 매주가 채워져 있지만 반드시 FDE의 기능이 있어야 하는 것은 아닙니다. 몇 달간의 샘플 지점이 있을 수도 있고 없을 수도 있지만... 다른 시간대에서 샘플링할 수 있습니다.
	하지만 꼭 그럴 필요는 없습니다. 아시다시피, 입력이 전통적인 의미의 시간일 필요는 없습니다. 예를 들어 온도를 입력하면 측정의 명확성이 출력으로 제공될 수 있습니다.
	아시다시피, 우리는 그것을 지지합니다.
	입력이 있으면 출력도 있는 매핑이죠. 아니면 스펙트럼 환경에서 입력은 파장이고 출력은 강도일 수도 있습니다.
	직접 기능적 PCA를 설명하기 위해 보여드릴 예에서는 여러 데이터 스트림과 여러 기능이 있으므로 다음과 같은 사항이 있습니다.
	다른... 다른 기능이지만 출력도 다릅니다. 충전량, 피스톤 힘, 전압, 진공 등이 있는데, 이 모든 것을 하나로 합치고 싶습니다.
	그리고 이를 분석합니다.
	따라서 이러한 유형의 데이터는 기능적 데이터 탐색기의 개발을 촉진하는 데 도움이 됩니다.
	그리고 우리가 궁금해하는 두 가지 주요 질문은...
	우리는 보통 이 방법을 사용하여 답을 찾습니다. 첫 번째는 기능적 실험 설계 설정입니다. 이 설정에서는 우리가 시도하고 연관시키고 싶은 요소들이 있습니다.
	응답 함수에 대해서요. 그래서 이 경우, 우리는 이 응답 함수를 특정 방식으로 어떻게 만들 수 있을지에 관심이 있습니다.
	따라서 우리는 이러한 요소들을 기능과 연결할 수 있으며, 이 경우에 우리는...우리의 기능이 가능한 한 오랫동안 녹색 사양 영역에 머물기를 원했고, FDE를 통해 우리는...우리는 그것을 도울 수 있습니다.
	또 다른 일반적인 경우는 우리가 기능적 머신 러닝이라고 부르는 경우이며 이 경우 우리는 더 많은 기능을 다음과 같이 생각하고 싶어합니다.
	무언가에 대한 입력입니다. 따라서 저희 프로세스에는 최종 결과나 최종 수율이 있을 수 있는데, 이 발효 과정 데이터의 경우입니다.
	따라서 이 함수들의 형태를 요약하고 싶습니다. 이를 예측 모델의 입력값으로 사용하여 최상의 결과를 얻을 수 있는 함수를 파악하는 데 도움을 드리고자 합니다.
	그리고 실제로 이것의 가장 중요한 목표는 기능적 PCA를 시도하는 것입니다. 기능적 PCA의 목적은 데이터를 요약하는 것입니다.
	그래서 저는 아주 간단한 예를 하나 들겠습니다. 여기서 그들은 모두 서로 다른 페어링 기울기를 가지고 있다는 것을 아주 쉽게 알 수 있을 것입니다.
	그리고 각각의 수단이 조금씩 다르다는 것을 알아차리는 게 조금 더 어려울 수도 있습니다. 그래서 저희의 목표는 이것들을 요약해서 동기를 부여하는 것입니다.
	간단한 사례를 통해 이를 더 복잡한 상황으로 확장할 수 있는 방법을 알아보세요.
	따라서 ??? 합성을 하면 함수 간 변화를 최대한 많이 설명하는 직교 고유 함수를 얻게 됩니다.
	그리고 우리가 이러한 것들을 갖게 되면 우리는 이러한 모든 기능에서 요약을 추출하는 데 사용할 수 있습니다.
	예측 모델링에 사용할 수 있습니다. 정말 복잡한 형태를 생각해 보겠습니다. 이 경우에는 아주 복잡한 형태는 아니지만, 여기 있는 10개 정도의 데이터 포인트 중 몇 개로 요약해 보겠습니다.
	이것이...이것이 고유 함수의 모습입니다.
	이 데이터에 대해 두 가지를 추출했습니다. 첫 번째는 변동의 약 77%를 설명하고 있으며, 맨 처음과 맨 마지막에 가장 큰 가중치를 두고 있습니다. 그리고
	예상하시겠지만, 이 함수는 데이터의 기울기를 정량화하는 것을 요약하는 것입니다. 반면 두 번째 고유 함수는 전체 입력에 동일한 가중치를 부여하여 평균의 차이를 정량화하는 것입니다.
	이제 이 고유 함수를 변환하고, 데이터와 함께 사용하여 이 함수들의 차이점을 설명하는 데 사용할 간단한 요약을 얻고 싶습니다.
	함수 2를 예로 들어, 이 함수에 첫 번째 고유 함수를 곱합니다. 그러면 음수가 많은 함수가 생성됩니다.
	그러니 생각해 보면, 이것의 적분을 취하고 모든 음수를 더하면 상당히 큰 음수가 나옵니다.
	이 첫 번째 구성 요소가 실제로 어떻게 차이를 포착하는지 확인할 수 있습니다. 10번은 큰 양수였고, 데이터를 다시 보면 그 숫자도 큰 양의 기울기를 가지고 있다는 것을 알 수 있습니다.
	두 번째 구성 요소에도 비슷한 아이디어가 있는데, 전반적인 평균이 높은 경우와 낮은 경우를 말하는 겁니다.
	그리고, 이 두 가지가 갖춰지면 원래 기능으로 돌아갈 수 있습니다.
	전체 평균을 추가하면 첫 번째 기능적 주성분 점수를 가져와서 여기 함수 1을 살펴봅니다. 이를 첫 번째 고유 함수로 곱합니다.
	그리고 두 번째 함수적 주성분 점수를 추가하고 두 번째 고유 함수로 곱합니다.
	그러면 첫 번째 함수가 다시 생성됩니다. 비슷한 방식으로 두 번째 함수에서 점수를 사용하면
	해당 함수를 재구성하거나 근사화할 수 있습니다. 따라서 FPC 점수에 대한 모델을 구축할 수 있다면,
	우리는 DOE 요인이 어떻게 이를 변화시키는지 이해할 수 있고, 그 경우 알파 함수의 모양이 바뀌고, 우리가 처음 살펴본 시나리오와 유사합니다.
	그럼 직접 기능적 PCA를 사용하는 이유가 무엇인지 알아보겠습니다. 다시 한번, 이 작업을 하게 된 동기는 무엇일까요? 이전에 FDE를 사용해 보셨다면,
	우리가 사용하는 모델링 옵션은 기저 함수 모델로 간주됩니다. 이 경우, 실제로는... 데이터를 먼저 평활화하는 것이기 때문에 모델을 적합시키고, 우리가 다룰 수 있는 평활 함수를 얻게 됩니다. 하지만 문제 중 하나는
	조정해야 할 부분이 많습니다. B 스플라인의 경우, 가장 좋은 것을 선택해야 합니다.
	스플라인에 사용할 다항식의 차수나 매듭의 개수를 정하는 것과 같은 거죠. 저희는 이런 부분에 대한 기본 설정을 제공하지만, 매듭의 위치도 변경할 수 있습니다. 이 기능은 아주 유용하고 많은 경우에 효과적입니다.
	하지만 더 큰 샘플 크기나 더 복잡한 기능을 얻을수록 이 작업에 많은 시간이 걸릴 수 있으며 이러한 매듭의 모든 위치를 실제로 조정하는 데 적합할 수 있습니다.
	하지만 현재 FDE가 작동하는 방식은 모델을 맞추고 해당 모델의 계수에 FPCA를 수행하며 그 사이에 좋은 관계가 있습니다.
	아시다시피, 이제 고유 함수는 데이터 모델과 동일한 형태입니다. 그래서 여러 가지 좋은 점들이 있지만, 컴퓨팅 비용이 많이 들거나 모델이 제대로 작동하지 않는 경우 다른 접근 방식이 필요했습니다.
	그래서
	이전 방식은 먼저 데이터를 평활화하는 것이었고, 이제는 "좋아요, 데이터를 있는 그대로 받아들이자"라고 생각합니다. 바로 그 데이터를 기반으로 작업을 진행해 보겠습니다.
	그리고 거기서부터 우리가 얻는 고유 함수를 평활화해 봅시다. 공평하게 비교하기는 어렵지만, B 스플라인을 직접 FPCA와 비교해보면...
	고유 함수는 직접 FPCA를 사용하면 조금 더 매끄러워지는데, 원래 저희가 원했던 방식대로 좀 더 매끄럽게 표현하고 싶었거든요. 이 작은 아티팩트가 정말 그렇게 중요한 걸까요?
	FPCA는 "아마 아닐 수도 있겠네요."라고 합니다. 제 생각에는 마지막 고유 함수에서 실제로 포착된 것 같은데, 그 부분에서는 변동을 많이 설명하지 못하거든요. 여기서 이상한 융기가 발생하는 것 같습니다.
	아시다시피, 전문가라면 이걸 분석해서, 아니, 이건 사실이지만, 아마도 이 고유 함수에 그렇게 많은 가중치를 두어서는 안 될 거라고 말해야 할 겁니다.
	아마 사용하지 않을 것 같아요.
	따라서 직접 함수형 PCA 모형을 적합하는 데 사용하는 알고리즘은 Rice와 Silverman의 방법과 기본적으로 유사합니다. 주로 반복적인 과정이라는 점이 그렇습니다. 그래서 우리가 하는 일은, 아시다시피...
	먼저 데이터가 일반 그리드에 있어야 한다는 점을 말씀드리겠습니다. 따라서 일반 그리드에 데이터가 없는 경우, 저희가 직접 보간해 드립니다. 또한 reduce라는 데이터 처리 단계 옵션도 있습니다.
	우리가 운영하는 그리드를 정밀하게 제어하는 데 적용됩니다.
	하지만 우리 절차에서는 하나의 고유 함수를 사용합니다.
	첫 번째 구성 요소만 요청하면 됩니다.
	아주 잘 맞는, 아시다시피, 거기에 평활화 모델을 맞춘 다음 다음 모델을 요청하세요.
	그리고 다음 것을 매끄럽게 만들고 나면, 우리가 원하는 직교성 속성을 알 수 있도록 몇 가지 조정을 해야 합니다.
	하지만 여기서 아이디어는 우리가... 우리는 먼저 모델을 작동시키기 위해 다양한 기능을 매끄럽게 하려고 하는 문제를 해결하려고 한다는 것입니다.
	고유 함수를 하나씩 매끄럽게 다듬는 데 집중합니다. 고유 함수의 개수가 훨씬 적기 때문에 이 기법은 기존 JMP 솔루션보다 대용량 데이터 세트에서 훨씬 더 빠르게 작동합니다.
	그래서 제가 살펴볼 예는 제조 공정에서의 속도 향상에 대한 아이디어를 제공하기 위한 것입니다.
	가장 좋은 시나리오라면, 이 데이터에 사용할 정확한 P 스플라인 모델을 알고 있다고 해도, 기본 FPCA 직접 솔루션을 사용하는 것보다 해당 모델을 맞추는 데 3배나 더 오랜 시간이 걸립니다.
	차이점은 해당 모델이 무엇인지 반드시 알 수 없기 때문에 여러 모델을 맞추는 데 시간을 들여야 한다는 것입니다. 따라서 FPCA가 직접 수행할 작업에 비해 실제로 많은 시간을 소모하게 되었습니다.
	하지만 이 예는
	특히 웨이퍼에 유리를 접합하는 단계를 살펴봅니다.
	그리고 이 과정은 마치 진공 상태와 같고, 몇 가지 도구가 있으며, 모두 이 척 위에 놓여 있습니다.
	이 프로세스가 실행되고 불행히도 약 10%가 파괴되지만 이것은 프로세스 중간에 있는 것일 뿐이며 몇 주 후에야 알 수 있습니다.
	파괴되었다는 거죠. 그래서 저희 목표는... 이 과정을 통해 데이터를 수집하는 센서를 가지고 있고, 그걸 이용해서 폐기할 수 있는 웨이퍼를 찾아내는 겁니다.
	초기에요. 어쩌면 제거할 수 있는 부분 집합이 있을 수도 있고, 그러면 더 이상 비용을 지출할 수 없을 테니까요. 그래서 목표는 센서 스트림 데이터를 사용하여 해당 부분을 파악하는 것입니다.
	그럼 이제 JMP로 가보겠습니다.
	그리고 저는 저널을 가지고 있으므로 이 모든 소스는 커뮤니티 페이지에서 사용할 수 있지만 이 데이터 세트를 열어보겠습니다.
	그리고 나는 발사할 것이다
	분석 전문 모델링 메뉴에서 기능적 데이터 탐색기를 선택합니다.
	그럼 각 열을 살펴보죠. 웨이퍼 ID가 있는데, 이건 그냥...
	다양한 기능을 그룹화합니다.
	조건은, 그러니까, 이게, 좋든 나쁘든, 그래서 우리는
	그것을 보관해두고 나중에 사용할 것이므로 보조 변수로 넣어두면 FDE에 나중에 항목을 저장할 때 함께 가져올 수 있다는 것을 알려줍니다.
	충전, 흐름, 피스톤 힘, 진공 및 이 전압
	이 과정의 일부로.
	FDE를 시작하려면
	우리는 그냥 스크롤해서 앞서 보여드린 것과 같은 다양한 유형의 데이터를 볼 수 있습니다.
	반드시... 모든 모델이 다 맞는 건 아닐 수도 있어요. 이 모델에 맞는다고 해서 다른 모델이 안 맞는 건 아니잖아요. 충전에 맞는 모델이 유량에도 안 맞는 건 아니잖아요.
	하지만 FPCA는 직접 개별적으로 검토하고 처리해 줍니다. 그 전에, 제가 말씀드린 축소 옵션을 보여드리고 싶습니다. 기본적으로...
	여기에는 탭이 세 개 있습니다. 균등한 간격의 그리드에 직접 배치하거나, 관찰 항목으로 분류하거나, 모든 항목을 제거할 수 있습니다.
	n번째 변수를 사용해서 데이터를 채워넣는 거죠. 이 데이터는 격자 형태로 되어 있습니다. 실제로는 아무것도 할 필요는 없지만, "좋아요, 이렇게 해보자"라고 할 수도 있습니다. 그러면 기본적으로 원래 데이터 세트의 절반이 나오게 됩니다.
	이제 삭제했는데 모양은 여전히 거의 동일합니다. 이 경우에는 삭제할 필요가 없고 여전히 빠르지만 데이터가
	그리드에 이미 없거나 그리드가 많더라도 reduce를 사용하면 핵심 특징을 포착할 수 있습니다. 정말 살펴볼 가치가 있는 부분입니다.
	그래서 여러 개의 ???가 있으므로 이 FDE 그룹 옵션으로 이동하겠습니다.
	그리고 직접적인 기능적 PCA를 시작합니다.
	그래서 이 작업에는 몇 초가 걸렸지만, 각자에게 맞는 모델을 찾는 작업이었습니다.
	충전이 가능합니다. 그래서 장착이 가능하고, 꽤 잘 작동하며, 진단도 가능합니다.
	FPC 점수 개수를 변경하는 모델 선택 옵션이 있습니다. 이 특정 사례에는 네 가지가 가장 적합하며, 실제로는 하나만 선택하는 다른 모델들도 대부분 그렇습니다.
	하지만 이전에 FDE를 사용해 보셨다면 아시겠지만, 익숙한 기능 요약은 있지만... 다른 건 없습니다. 이전 모델도 없고요. 이건...
	기능적 PCA가 모델이고 우리는 이전에 반드시 조정해야 했던 다른 것들 대신 전적으로 그것에 집중하고 있습니다.
	제 점수 플롯과 프로파일러에 대해 말씀드리겠습니다. 이것들을 살펴보면, 우리가 이것들에 꽤 잘 부합하는 것 같다는 것을 알 수 있습니다.
	피스톤 힘... 그리고 제가 말했듯이, 많은 사람들이 결국 하나를 선택하게 되죠. 제 말은, 이 경우의 거의 모든 변화를 설명할 수 있다는 겁니다.
	좋아요.
	좋아요. 전압, 마지막입니다.
	따라서 이 그룹 옵션으로 돌아가면 이러한 모든 함수에 대한 요약을 저장할 수 있습니다. 이제 FDE를 효과적으로, 상당히 빠르게 사용해 보았습니다.
	데이터를 로드하고 모든 함수를 가져와서 각각에 대한 몇 가지 요약으로 요약합니다.
	하지만 우리가 가장 중요하게 여기는 것들은
	가장 관심을 갖는 것은 주로 모양의 변화나 FPC 점수를 요약하는 것이기 때문입니다.
	하지만 FDE 이전에 사람들이 어떻게 했을까요? 평균을 구하거나 표준 편차나 다른 요약을 살펴보는 것들은 여전히 가치가 있으니까, 저는 좋다고 생각합니다. 기본적으로 우리는 그런 것들을 활용합니다.
	스크립트가 몇 개 있습니다. 원래 데이터 테이블에 있던 모든 스크립트가 함께 제공될 예정이지만, 프로파일러 스크립트도 추가해서 실행해 볼 수 있도록 했습니다. "FPC 점수를 변경하는 중인데, 무슨 뜻인가요?"
	그리고 그에 대한 통찰력을 키우는 데 도움이 됩니다.
	그래서 지금 우리가 하려는 것은 그 상태가 좋든 나쁘든 예측하는 것입니다. 그래서 저는 일반화 회귀 분석을 사용할 겁니다. 정말 좋은 방법이라고 생각하기 때문이죠.
	이러한 모델을 적합시키는 방법뿐만 아니라 모델을 해석하는 방법도 있습니다.
	하지만 정말 뭐든 쓸 수 있어요. 신경망을 만들 수도 있고, 다른 어떤 일이든 할 수 있죠. 이 표를 저장하고 나면 JMP의 나머지 부분을 자유롭게 사용할 수 있습니다.
	가장 잘 모델링할 수 있다고 생각하는 방식으로요. 이 모든 요약을 바탕으로 2차까지 팩토리얼을 해볼게요.
	그래서 우리는 최종 조건을 예측하고자 하며 검증 데이터 세트를 사용할 것입니다.
	그리고 우리는 그것이 나쁜지 아닌지를 목표로 삼고 있습니다.
	그래서, 사실, 이게 아마 이 섹션 중에서 가장 긴 컴퓨팅 섹션일 겁니다. 이 검증 열을 사용해서 기본적으로 올가미를 적용해 보겠습니다.
	생각해 보면 5~10초 정도 걸릴 거예요.
	원하시면 언제든지 일찍 중지할 수 있지만, 우리가 그것에 꽤 좋은 기능 세트를 제공하고 그것들 사이의 상호 작용을 살펴보고 알아내려고 노력하고 있다는 것을 알고 있습니다.
	아시다시피, 이 상태를 예측하는 가장 좋은 방법은요.
	그만큼...
	거의 끝났어요.
	지금은 보고서를 작성하는 단계이고, 이 모델을 얻으면 매핑되지 않은 것처럼 보였던 것도 확인할 수 있을 겁니다.
	그래서 저는 개인적으로 매개변수를 중심적이고 규모에 맞게 살펴보는 걸 선호합니다. 그래야 크기 차이를 더 잘 이해할 수 있거든요.
	하지만 이 중 일부, 예를 들어 FPC 점수는 실제로는 정보가 없다고 생각했는데, 반면 요금에 대한 FPC 2와 3은
	더 도움이 되니까, 분류해서 볼 수 있고요. 제가 설명했듯이, 이런 것들이요.
	평균이나 최소값, 표준 편차에 대한 간단한 요약은 정보를 제공하지만, 요약에는 확실히 많은 정보가 담겨 있다는 것을 알 수 있습니다.
	FPC 점수를 사용하여 이러한 함수의 모양을 분석합니다. 그럼 반대쪽으로 넘어가겠습니다. 아시다시피 이 흐름 표준 편차는 매우 중요한 것 같습니다.
	아시다시피, 제가 이것을 좋아하는 또 다른 이유는, 만약 당신이 이 과정을 담당하고 흐름 표준 편차를 제어할 수 있다면,
	이것이 도움이 될 수 있습니다. 아시다시피, 아마도 첫 번째 단계가 무엇인지 알 필요가 없을 수도 있습니다. 글쎄요, 어쩌면 우리가 실제로 할 수 있는 부분이 있을 수도 있습니다.
	모델을 만들기 전에 개선해야 합니다. "좋아요, 이제 이것들을 버리자"라고 말하는 것이죠. 자, 이제 모델을 만들었다고 가정하고, 휴리스틱을 구축해 보겠습니다.
	좋거나 나쁨. 어느 시점에서 그냥 무시하고 싶을까요? 예측 수식에 대한 열을 저장해 보겠습니다. 그러면 이 열이 요약 테이블에 다시 저장됩니다. GenReg는 '나쁨' 확률, '좋음' 확률, '가장 가능성 높은 조건'을 제공합니다.
	그래서 우리는... 그냥 여기서 멈추고 "좋아요, 0.5 이상이면 더 자세히 살펴보자"라고 할 수 있고, 아니면, 글쎄요, 0.75 이상이면 괜찮다고 할 수 있죠. "그냥... 어쩌면 그럴 가치가 없을지도 몰라요."
	나머지 과정의 비용입니다. 아시다시피, 현실 세계의 영향을 바탕으로 그 확률을 선택할 수도 있겠죠.
	아니면 분할 모델을 사용해서 알아낼 수도 있습니다. 그래서 지금 사용할 건 이 확률을 인자로 사용하는 거죠. 그냥 "좋아요"라고 말하는 겁니다.
	이걸 직접 살펴보고, 모델을 사용해서 이러한 조건들을 어떻게 그룹화할지 알아내는 방법을 생각해 볼 수도 있습니다. 그리고 이 모델을 사용해서 검증 데이터 세트를 유지해서 중복 적용을 방지할 수 있습니다.
	그러니 이제 우리의 블루는 모두 나쁜 것이고 레드는 좋은 것입니다. 다행히도 전반적으로 대부분이 좋은 것입니다.
	하지만 나눠서 생각해 봅시다. 만약 이 불량 확률이 0.1보다 작다면, 아마도 좋은 결과일 겁니다. 대부분의 불량은 0.1보다 큰 이 부분에 있습니다. 이해가 되시죠? 다시 나눠 봅시다. 이제 우리가 정말 살펴보는 것은... 많은 부분이 이 부분에 있다는 것입니다.
	확률은 .25 이상입니다. 한 번 더 나눠서
	적어도 훈련 데이터에서는, 0.6 이상인 데이터는 모두 나쁘다는 게 꽤 잘 맞아떨어지네요. 사실, 이런 일이 일어날 거라고는 전혀 예상하지 못했죠.
	실제로 이 훈련이나 검증 R 제곱은 대부분 모델과 마찬가지로 검증 데이터 세트보다 훈련 세트에서 더 나은 성과를 낼 수 있다는 것을 강조합니다.
	하지만 지금은 .75가 좋다고 생각했지만, 실제로는 .6 이상인 것에 집중해야 할 것 같습니다.
	그래서, 이건, 아시다시피, 일종의...
	이제, 아시다시피, 이건 시뮬레이션 데이터였습니다. 실제 사례에서는 해석, 즉 프로세스를 개선할 수 있는지 등을 파악하는 데 매우 도움이 되었고, 이 데이터 세트뿐만 아니라 저희가 가지고 있는 다른 샘플 데이터 세트에도 도움이 되었습니다.
	슬라이드로 돌아가 보겠습니다.
	좋아요, 기능적 PCA가 무엇인지, 이 새로운 직접적 FPCA 접근 방식이 동기를 부여한 것이 무엇인지, 그리고 제조 공정 초기에 항목을 폐기하려는 경우에 이를 사용하는 방법을 보여드렸습니다.
	그래서 마지막으로 몇 가지 팁을 드리자면, 아시다시피, 빠른 컴퓨팅 덕분에 대용량 데이터 세트에 적합합니다. 어떤 면에서는 그냥 거기서 시작할 수도 있죠.
	그리고 "좋아요, FPCA가 뭐라고 생각하죠?"라고 묻습니다. 너무 빨라서 모델 컨트롤을 건드릴 필요가 없거든요. 어떤 면에서는, 대용량 데이터가 있다면 시작하기에 아주 좋은 방법입니다.
	하지만 완벽하진 않아요. 몇 가지 진단 결과를 보여드렸는데, 잘 맞지 않는지 확인하실 수 있어요. 다른 모델과 마찬가지로, 빠르다고 해서 좋은 건 아니니까요. 그러니 꼭 확인하세요.
	가능한 문제를 파악하고 다른 접근 방식이 필요할 수도 있습니다. 다른 짝수 기저 함수 모델도 있는데,
	매우 특정한 유형의 데이터를 다루는 작업인데, 이런 접근 방식조차도 이런 매우 특정한 모델만큼 반드시 좋은 결과를 내지는 못합니다.
	그리고 그것은, 아시다시피... 이것의 일부는 데이터가 그리드에 있어야 하고 그리드를 제어하는 데 도움이 되도록 reduce를 사용해야 한다는 것입니다. 사물이 너무 느리거나 실제로는 말이 되지 않는 것처럼 보인다면, 아마도 우리가 기본적으로 하는 일이 데이터에 좋지 않을 것입니다.
	자신이 스스로 할 수 있는 일로서.
	참석해 주셔서 감사합니다. 궁금한 점이 있으면 무엇이든 답변해 드리겠습니다.

고급 통계 모델링기본 데이터 분석 및 모델링소비자 및 시장 조사실험 설계예측 모델링 및 머신 러닝품질 및 공정 엔지니어링