738755_zh-CN

liliconcom

使用 JMP Pro 准备批量过程数据进行建模并通过团队方式获取见解 (2023-EU-30MP-1266)

Siltronic AG 是半导体晶圆行业的全球技术领导者。本次演讲将介绍 Siltronic AG 使用 JMP Pro 准备批量工艺数据进行建模的方法。它将演示一些交互式步骤，以便在建模之前使用包含历史和实验批量数据的匿名数据集清理和重新排列数据集。一旦找到最佳模型算法，就会调整提升树模型。

Siltronic AG 团队发现，技术上合理的模型可能在物理上毫无价值，这意味着它已经过度拟合。因此，团队从大量因子开始，逐渐减少因子列表并测试模型的行为以找到最有效的因子（小型 JSL 程序中增强树的后退策略）。最后一步提供了最佳洞察，了解哪些杠杆最能优化流程。

你好， 每个人。 谢谢 为了 加入 在。 在 这 讲话， I 想 到 讲话 关于 如何 我们 做过 准备 我们的 批 过程 数据 为了 造型 和 跳转 专业版 和 获得 有价值的 见解 和 a 团队 方法。 我的 推介会 是 详细的 在 a 微软幻灯片软件 部分。 那 是 这 第一的 部分 和 这 细节 全部 这里 显示 将要 跟随 在 JMP， 喜欢 如何 这 数据 放 看起来， 哪个 平台 I 有 用过的 喜欢 丢失的 数据， 多 共线性， 功能 数据 探索者， 预测器 筛查， 造型 批 数据 和 提升树 和 分析器。

总结 数据 将要 是 分析 经过 提升树 作为 出色地， 和 然后 经过 a 脚本 提升树 落后 选择。 在 第一的， 我的 公司， Siltronic， 有 世界- 班级 生产 站点 全部 超过 这 世界 如图所示 这里 和 关于 4,000 雇员。 这里 是 一些 钥匙 数字。 如果 你 想象 那 我们 有 a 复杂的 过程 流量 喜欢 显示 这里 和 硅 模具 在 a 坩。 硅 锭 是 创建 这里。 这就是 我的 特别的 任务。 到 制作 进程 为了 生长 硅 錦锭。 然后 这 锭 是 地面 和 切片。

边缘 四舍五入 是 完毕 为了 这 晶圆， 激光 标记， 研磨， 打扫， 蚀刻， 抛光， 和 或许 外延 为了 这 最终的 晶圆 到 是 创建。 我们的 文件夹 是 那 我们 是 出售 300 毫米， 200 毫米 和 更小 直径 晶圆 为了 不同的 应用程序 喜欢 显示 这里， 硅 晶圆 和 一些 规格。

关于 我， 我的 教育 是 我是 一个 电气 工程师 和 I 做过 一些 六 西格玛 教育， 和 我的 主要的 任务 是 到 发展 进程 为了 生长 硅 水晶 喜欢 显示 这里， 和 我是 作为 出色地 负责任的 为了 大约 500 用户 在 塞尔特罗尼克 跳转 用户。 如何 做 这 任务 看 喜欢？ 什么 我们 看 这里 是 这 最终的 桌子， 但 它 有 到过 创建 和 这 需要 a 很多 的 努力 作为 出色地。 所以 那里 是 一些 数据库 查询 在后面 到 得到 这 数据 从 数据库。

我们 已获取 这 结果 进入 跳转 数据 表 和 放大 这 数据 放 和 档案 从 较早 日期 和 丰富 一些 信息 喜欢 细节 的 实验 和 细节 在 耗材 和 写道 一些 脚本 为了 图表 和 评价。 T 母鸡 我们 有 完毕 这 造型 任务 和 的 课程， 看了 为了 丢失的 数据 相关性 到 看 什么 是 这 最多 重要的 效果 和 到 做 特征 工程 到 看 哪个 特征 是 重要的 到 产生 一个 最佳的 结果。

在 这 观点， I 将要 转变 进入 跳转 然后。 我们 能 看 这里 我的 杂志 我是 在职的 和 和 这 跳转 主要的 窗户 和 这 抽象的 是 看到 这里。 我们 将要 开始 和 技术的 提示。 这 使用 数据 放 I 展示 这里 是 充分 匿名化 和 标准化， 和 全部 标识符 是 通用的 为了 更好的 理解 什么 是 这 特征， 什么 是 这 结果， 和 所以 在。 这 目的 的 这 推介会 是 到 展示 全部 这 步骤 我们 需要 为了 获得 一个 概述， 重组， 和 理解 这 数据 放， 和 如何 到 建造 这 模型 到 得到 一些 见解 的 这 内容 的 这 数据 放。

I 将要 展示 一些 结果 那 我们 有 讨论 在 a 团队。 这 团队 是 非常 重要的 这里 因为 这 团队 开车 a 很多 的 讨论 和 工作 作为 出色地， 如何 到 分析 和 什么 特征 可能 是 有趣的 和 什么 应该 不是 是， 和 什么 可能 是 这 物理 在后面。 I 将要 开始 和 这 数据 放 这里。 它是 还 a 部分 的 这 贡献 在 这 社区。 这里 它 是 已打开 和 I 将要 改变 这 设计 a 小的 少量 到 看 如何 它 看起来 喜欢。 我们 有 大约 8万 行 在 这 数据 放 和 它是 a 批 数据 放， 所以 我们 有 a 批 ID。

T 他的 数据 放 是 相当 具有挑战性的 因为 它 有 a 混合物 的 历史 数据 喜欢 这里， 经过 批次。 我们 能 看 这里 那 我们 有… 最多 的 这 数据 是 历史 数据， 和 那里 是 仅有的 a 很少 特别的 实验 显示 这里。 我们 有 一些 特征 然后， 喜欢 一 分类， 它是消耗品。 我们 有 这 批 到期， 它是 这 时间， 还 标准化。 然后 我们 有 一些 特征。 所以 这些 X 值 这里， 我们 有 一 结果 柱子， 和 到 减少 这 噪音 a 小的 少量， 我们 有 计算 a 新的 移动 平均的 作为 出色地。

让我们 有 a 看 在 如何 这 数据 放 看起来 更多的 在 细节。 我们 能 看 这里， 如果 我们 做 a 概括 在 这 数据 喜欢 这， 你 能 做 这 从 这 桌子 s 菜单 作为 出色地。 概括。 我们 得到 大约 500 行， 500 批次。 这 是 a 概括 经过 批， 和 我们 看 那 那里 是 不 变化 在 这 参数 X 1 到 X 4、 意义 那 他们 是 持续的 为了 每个 批， 和 这 其他的 是 改变 在 不同的 率。 到 有 a 看 如何 这 数据 看起来 在 全部， 我们 能 看 这里 这 结果 范围 喜欢 屈服， a 长的 时间 为了 全部 这 行 的 这 批 数据 放， 和 这 平滑 是 完毕 经过 跳转 图形 建造者 平台。

我们 实施的 这 作为 a 公式 作为 它 是 可用的 作为 a 功能 在 跳转。 我们 能 有 a 看 这里 在 一些 特别的 批次 作为 出色地。 如果 我们 使用 这 当地的 数据 筛选 和 看 这里 如何 这 平均的 作品 和 什么 噪音 是 在 这 单身的 数据 点， 这 蓝色的 一 是 这 原来的 数据 的 屈服， 和 这 橙子 一 是 这 移动 平均的。 I 将要 关闭 这 然后， 和 下一个 观点 可能 是 到 看 在 如何 很多 数据 是 丢失的。 所以 我们 有 这 在 跳转 作为 出色地。 我们 能 标记 全部 这 列 和 做 这 丢失的 数据 图案 平台 喜欢 这。

它 将要 展示 我们 那 从 关于 8万 行， 我们 有 178 行 和 一些 丢失的 数据 在 一 柱子。 这 能 还 是 显示 这里 作为 a 图形。 这 是 非常 重要的， 在 至少 为了 这 数据 创作步骤， 它 曾是 重要的 到 看 在哪里 是 一些 数据 丢失的 和 到 使固定 这 丢失的 数据 然后 作为 很多 作为 可能的。 其他 步 到 看 在 这 数据， 或许 列 查看器。 我们 能 得到 这里， I 放 全部 这 列 在， 和 这里 我们 能 看 再次 喜欢 我们 有 前， 那里 是 一些 行 丢失的 为了 范围 X2。

我们 能 看 什么 这 分钟， 最大限度， 意思是， 标准 偏差， 和 所以 是 为了 全部 这 参数 我们 能 看 这里。 这里 我们 很好 看 那 一切 是 标准化。 为了 这 屈服， 它是 之间 零 和 100. 我们 能 作为 出色地 开始 从 这里， 分配 平台。 所以 全部 这 列 是 标记 和 我们 得到 经过 仅有的 一 点击 为了 全部 这 数据， 这 分布。 我们 能 看 这里 什么 耗材 是 用过的 如何 经常 那 我们 有 最多 数据 从 历史性 进程 和 仅有的 一些 的 一些 实验 和 特别的 设置。

这 时间， 的 课程， 看起来 很好 分布式， 但 这 其他的 不 看 那 很好。 所以 那里 是 a 很多 的 房间 之间 一些 设置， 和 它是 稀疏地 分布式， 非 普通的 分布式 为了 这 最多 参数， 和 那 使 它 甚至 更多的 具有挑战性的 到 分析 这 数据。 我们 去 到 这 下一个 步骤。 I 将要 关闭 这些 报告。 然后 我们 可能 看 甚至 更多的 在 细节 在 一些 事物 喜欢 如何 这 参数 是 相關的。 我们 能 看 这 在 这 多变量 平台。 它 需求 一些 时间 到 是 计算。

你 将要 寻找 它 这里 在下面 这 分析 菜单， 多变量的。 它 需要 这 数字 列 和 生成 这 相关性 报告， 和 你 将要 看 那 这 参数 喜欢 X6 和 X5 是 高度 相關的。 这 使 它 难的， 喜欢 X10 和 X9 作为 出色地， 使 它 难的 到 做 特征 工程。 什么 我们 想 到 知道 从 这 分析 是 哪个 范围 原因 一些 屈服 降低。 如果 二 参数 是 相关的， 它是 不是 所以 简单的 到 探测 或者 到 寻找 出去 哪个 一 是 这 负责任的 一。

这里 在 这 分散 阴谋 矩阵， 你 能 看 作为 出色地 哪个 参数 改变 和 时间， 喜欢 X1， X2, 向上 到 X4 是 持续的 超过 时间， 和 这 其他的 是 改变 和 如何 他们 是 分布式， 和 你 能 很好 标记 一些 行 喜欢 这里。 他们 是 已选择 在 这 数据 桌子 然后 和 看 如何 这 曲线 是 为了 每个 范围 超过 时间 或者 哪个 范围 超过 什么 范围 组合 看起来 喜欢。 下一个， I 想 到 使用 这 功能数据探索器。

这 功能数据探索器 允许 我们 到 合身 曲线 为了 每个 批 和 提取物 这 特征 的 每个 曲线。 然后 我们 能 有 a 看 在 哪个 批次 表现 相似的 或者 或许 极端 个。 所以 这 开始 是 喜欢 这。 我们 能 有 a 看 在 如何 I 开始 这 分析。 我们 发射 分析。 I 放 时间 作为 一个 X 范围， 屈服 作为 这 输出 范围 和， 和 这 ID 功能 是 这 批 ID。 然后 我们 有 这里 一些 非正式 部分 喜欢 部分 和 团体。

这 平台 是 可用的 在 跳转 专业版 仅有的， 和 什么时候 我们 开始 它， 我们 能 做 一些 数据 加工 这里。 但 在 这 案件， 它是 不是 必要的。 我们 能 有 a 看 在 每个 批， 如何 它 看起来。 所以 那里 是 a 很多 的 图表 这里 喜欢 这。 我们 能 标记 这 行。 我们 能 参见此处 这 标记 行 和 这 数据 桌子 作为 出色地。 到 去 在 和 这 平台， 我们 需要 到 制作 一些 模型 喜欢 P 样条函数 为了 每个 批 和 跳转 做 这 和 定义 本身 哪个 样条线 是 用过的 和 如何 许多 支持 功能 是 需要， 喜欢 这 结 显示 这里。

所以 这 最好的 结果 是 给定 和 a 立方体 样条函数 和 20 節點。 你 能 看 如何 每个 批 是 模仿 这里 经过 这 红色的 线 显示 这里 和 如何 它 看起来。 我们 有 这里 这 形状 功能。 所以 每个 曲线 是 额外 一起 经过 a 组合 的 形状 功能， 和 我们 得到 为了 每个 批 这 系数 为了 每个 形状 功能。 如果 我们 是 寻找 在 形状 功能 1… 这 是 这 主要的 行为 的 全部 批次 和 a 降低 这里 在 大约 0.7。 我们 能 看 那 这里 我们 有 成分 1. 这 是 a 系数 为了 这 形状 功能 一。

如果 我们 选择 这些 批次， 我们 将要 看 那 他们 有 a 发音 形状 喜欢 形状 功能 1. 我们 能 看 它 这里。 我们 能 作为 出色地 使用 这 分析器。 所以 这 是 大多 为了 理解 这 数据 但 我们 有 不是 用过的 它 为了 更远 分析 因为 我们 做过 不是 真的 需要 这 信息 如何 这 后退 批 看起来 作为 a 形状 为了 每个 曲线。 我们 是 更多的 感兴趣的 在 平均的 屈服 的 每个 批 因为 我们 不能 定义 仅有的 到 使用 这 第一的 部分 的 这 批 和 忘记 关于 这 第二 部分。 这 会 不是 工作 在 我们的 案件。

作为 出色地 到 看 再次 如何 这 作品 一起， 我们 能 有 a 看 在 图形 建造者。 这 图形 的 一些 批次 我们 有 看到 只是 前。 或许 你 看 这 数字 这里。 我们 有 看到 它 前。 这里 它 是 显示 再次 一起 和 这 移动 平均的 的 屈服。 下一个 步 会 是 到 开始 造型 的 这 批 数据。

什么时候 正在做 造型， 它 可能 是 有趣的 到 看 或者 有 一个 主意 哪个 参数 是 最多 重要的 为了 这 变异性 的 这 输出。 那里 我们 有 这 预测器 筛查 平台。 你 能 作为 出色地 开始 它 从 这里。 分析 和 预测器 篩查。 I 写道 它 这里 作为 a 脚本 简单地 到 开始 它 经过 紧迫 a 按钮。 什么时候 正在做 所以， 我们 将要 看 一些 引导 森林 分析 去 在， 和 它 节目 我们 这 重要性 的 这 特征 我们 有 在 我们的 数据 放。 时间 是 这 最多 重要的， 但 这 是 无用 在 这 结尾 为了 我们 因为 我们 需要 到 使用 这 满的 批。

T 母鸡 來 X1， 然后 來 部分 X8， X5, 和 所以 在。 所以 这里 我们 可以 作为 出色地 选择 a 很少 行， 复制 他们 和 放 他们 进入 a 模型。 I 将要 停止 这 这里， 和 到 看 哪个 模型 作品 最好的， I 用过的 模型 筛查 平台。 I 将要 不是 跑步 它 这里 因为 它 需要 一些 分钟。 但 我们 有 看到 那 Boosted Tree 平台 可能 履行 出色地。 那里 是 或许 不是 所以 a 大的 不同之处 之间 这 下一个 个， 但 这就是 这 原因 为什么 I 用过的 增强树平台。

然后 我们 将要 跑步 提升树 喜欢 这 在 这 批 数据， 和 它 作品 相当 快的。 我们 将要 看 这 结果， 和 a 好的 特征 的 这 Boosted Tree 平台 作为 出色地 是 那 你 有 柱子 贡献 所以 那 你 能 很好 做 一些 特征 工程。 我们 能 看 这里 那 我们 有 71 % R 正方形 为了 训练 和 66 为了 验证， 或许 好的， 和 我们 有 仍然 全部 特征 在。 但 我们 是 感兴趣的 大多 在 哪个 特征 是 可靠地 这 最多 重要的 个。

什么时候 正在做 这， 我们 能 节省 它 作为 a 柱子， 节省 预言 公式 在 这 数据 桌子。 我们 看 在 这 数据 桌子 我们 有 a 公式 现在 和 我们 能 使用 它。 我们 能 或许 有 a 看 在 如何 这 模型 执行 或者 到 使用 它 在 图形 建造者 简单地 到 看 如何 这 模型 数据 看起来 喜欢 超过 这 批 到期。 I 希望 这 图形 建造者 到 展示 这 图形 这 图形 很快， 和 这里 它 來了。 是的。 我们 有 看到 那 这 造型 作品 相当 出色地， 所以 我们 有 a 公式 现在 到 重建 这 数据 和 我们 能 或许 工作 和 它。

但 尤其 为了 这 批 数据 造型， 我们 有 a 问题 这里 那 验证 将要 不是 工作 因为 我们 可能 有 这里 为了 一些 批， 这些 行 在 训练 放 和 这 行 下一个 到 它 在 验证 放。 所以 他们 是 不是 出色地 分离 为了 这 特征 那 控制 这 批 然后。 此外， 这 模型 是 不是 非常 稳定的， 所以 我们 将要 得到一个 不同的 结果。 对于我们的 不同的 运行 的 这 模型， 这 是 已知 从 树- 基于 方法 那 他们 可能 给 不同的 结果 为了 高的 变异性 数据。

如果 我们 做 某物 喜欢 跑步 提升树 两次， 我们 得到 还 不同的 柱子 贡献 和 或许 不同的 命令 喜欢 我们 能 看 这里 为了 这 部分 和 X 5 是 切换 这里 为了 这些 二 跑步， 和 I 将要 展示 它 再次 还 这里。 如果 我们 跑步 提升树 两次。 不 知道。 是的， 这里 I 应该 有 这 脚本。 它 來 之后。 所以 在 这 观点， 我们 有 说 那 它 可能 是 更好的 到 模型 这 总结 数据 因为 我们 需要 到 使用 这 满的 批。 这里 I 有 a 脚本 现在 到 总结 这 数据 在 a 形式 那 我们 有 仅有的 一 排 为了 每个 批。

那里 是 a 好的 特征 统计数据 柱子 姓名 格式 那 我们 得到 这 相同的 列 为了 这 总结 数据 作为 我们 有 在 这 原来的 桌子 那 我们 能 使用 这 相同的 脚本 为了 两个都。 正在做 所以， 我们 得到 这里 这 概括 数据 桌子- I 能 关闭 这 脚本- 和 大约 500 批次。 它是 a 很多 的 更轻松 到 模型， 和 这里 I 有 总结 这 数据 为了 0.6 到 0.8 时间。 所以 它是 在哪里 这 屈服 降低 曾是， 和 我们 能 再次 做 这里 一些 预测器 筛查 喜欢 这 和 看 那 I 仍然 有 时间 在 那 数据 放 到 看…

它是 更多的 喜欢 到 看 什么 等级 噪音 是， 和 它是 大约 这些 参数 那 是 可能 还 噪音 为了 这 模型 然后。 然后 我们 能， 的 课程， 做 一些 模型 比较。 所以 I 已选择 a 很少 范围 那 我们 成立 到 是 负责任的， 最多 大概， 和 我是 正在做 二 提升树 分析 和 然后 做 一些 模型 比较 为了 两个都。 它 看起来 喜欢 这。 我们 能 看 这里 我们 得到 a 分析器 和 比较 这 结果 为了 不同的 设置， 或许 喜欢 这。 这里 我们 有 仍然 这 问题。 我们 看 一些 特征 喜欢 这 这里 为了 X10 在 这 模型 和 不是 在 那 模型。

所以 它 可能 似乎 到 是 噪音。 在 这 开始， 我们 有 讨论 a 很多 关于 这些 差异。 我们 有 看到 有时 和 有时 不是， 和 问 这 问题， 什么 是 真的， 什么 是 身体的， 和 什么 是 不是。 那 带来 我 到 这 步 然后 那 我们 需要 到 继续 和 特征 选择， 和 这就是 为什么 我们 创建 这 脚本。 它 需要 这 概括 数据 和 有 到过 完毕 为了 这 批 数据 作为 出色地。

为了 每个 步， 它 构建 促进 编辑 树 模型 为了 这 满的 范围 放， 保存 这 模型 进入 这 公式 仓库， 和 保存 这 模型 表现 R 正方形 和 所以 进入 a 数据 桌子， 和 节目 我们 这 柱子 贡献。 这里 我们 能 看 某物 那 我们 有 看到 经常 那 和 这 更高 数字 模型， 它 是 这 模型 和 较少的 参数 喜欢 我们 能 看 这里 和 这 柱子 贡献， 我们 有 这 最好的 结果。 它 看起来 不同的 为了 每个 跑步， 但 这 趋势 我们 看 在 最多 次。 所以 这里 我们 能 看 为了 更多的 或者 较少的 当然 那 部分 和 X1 和 X5 是 这 最多 重要的 参数。

这 一 可能 是 那里 有时 和 或许 不是， 所以 我们 将要 重点 在 这些 三 参数。 作为 出色地， 我们 能 有 a 看 在 这 公式 仓库。 那里 我们 能 开始 模型 比较。 我们 或许 能 比较 这 第一的 模型。 所以 我们 做 它 喜欢 这， 模型 比较。 这 是 我们的 数据 桌子。 拿 这 第一的 数字。 这 数字 这里 是 移位 经过 一， 和 或许 这 第五 应该 是 那 一， 和 这 最后的 一。 这 将要 不是 工作。 I 思考 它是 数字 三， 和 这 最后的 一。

这 一 和 这 最高 验证 分数 和 或许 比较 他们 这里。 我们 看 这 模型 比较 对话。 我们 看 那 这 最后的 模型 是 之间 这 最好的 模型 我们 可以 合身 在 全部， 和 能 看 这里 这 分析器， 为了 例子， 和 作为 出色地， 可能 使用 外推 控制。 我们 有 看到 那 我们 有 疏 数据， 所以 不是 在后面 每一个 观点。 那里 是 一些 数据。 让我们 看 在哪里 它 是。 这里 它 是。 外推 控制 警告 在。 所以 它 节目 我们 什么时候 那里 是 不 数据 之间 这 點。

这里 我们 能 或许 比较 这 模型 和 我们 看 这里 那 那里 是 不 变异性 在 这 X 因素 那 没有 到过 用过的 这里。 到 和 向上， 让我们 关闭 一些 表 第一的 和 一些 對話。 到 和 向上， 我们 有 准备 a 工作流程 为了 造型 这 数据 和 有 完毕 一些 步骤 和 额外的 脚本 到 提高 理解 和 到 驾驶 这 讨论 关于 什么是 重要的 和 什么是 不是。

I 有 a 提议 为了 a 模型 和 一些 任务 我们 能 重点 在 到 提升 这 年 屈服 的 我们的 过程， 和 你 将要 寻找 这 数据 和 这 推介会 在 这 用户 社区。 如果 你 有 其他 想法 如何 到 探索 这 数据 放 和 如何 到 寻找 这 最终的 最好的 模型， 你 能 接触 我 或者 邮政 某物 在 我的 贡献 在 这 在 这 社区 为了 这 发现 首脑。 谢谢 为了 你的 注意力 和 再见。 这就是 它， 马丁。

高级统计建模自动化和脚本基础数据分析与建模消费者和市场研究内容组织数据混合和清理数据探索与可视化实验设计大规模定制预测模型和机器学习质量与工艺工程可靠性分析