738755_zh-TW

liliconcom

準備批次資料以使用 JMP Pro 進行建模並使用團隊方法獲得見解 (2023-EU-30MP-1266)

Siltronic AG 是半導體晶圓產業的全球技術領導者。本示範將介紹 Siltronic AG 準備批次資料以使用 JMP Pro 進行建模的方法。它將演示一些互動式步驟，用於在使用包含歷史和實驗批次資料的匿名資料集進行建模之前清理和重新排列資料集。一旦找到最佳模型演算法，就會對提升樹模型進行調整。

Siltronic AG 團隊發現，技術上合理的模型在物理上可能毫無價值，這意味著它已經過度擬合。因此，團隊從大量因素開始，逐漸減少因素清單並測試模型的行為以找到最有效的因素（在小型 JSL 例程中用於提升樹的後退策略）。最後一步提供了哪些槓桿最能優化流程的最佳見解。

你好， 每個人。 謝謝 為了 加盟 在。 在 這 講話， I 想 到 演講 關於 如何 我們 做過 準備 我們的 批次 過程 數據 為了 造型 和 聯合管理計劃 專業版 和 獲得 有價值的 見解 和 a 團隊 方法。 我的 推介會 是 詳細的 在 a 微軟幻燈片軟體 部分。 那 是 這 第一的 部分 和 這 細節 全部 這裡 顯示 將要 跟隨 在 傑普, 喜歡 如何 這 數據 放 看起來， 哪個 平台 I 有 用過的 喜歡 遺失的 數據， 多 共線性， 功能性的 數據 探險家, 預測器 篩選、 造型 批次 數據 和 提升樹 和 探查器。

總結 數據 將要 是 分析了 經過 提升樹 作為 出色地， 和 然後 經過 a 腳本與 提升樹 落後 選擇。 在 第一的， 我的 公司， 世創電子， 有 世界- 班級 生產 網站 全部 超過 這 世界 如圖所示 這裡 和 關於 4,000 僱員。 這裡 是 一些 鑰匙 數字。 如果 你 想像 那 我們 有 a 複雜的 過程 流量 喜歡 顯示 這裡 和 矽 模具 在 a 坩。 矽 錠 是 已創建 這裡。 那是 我的 特別的 任務。 到 製作 流程 為了 生長 矽 錠。 然後 這 錠 是 地面 和 切片。

邊緣 四捨五入 是 完畢 為了 這 晶圓， 雷射 標記， 研磨， 打掃， 蝕刻, 拋光， 和 或許 外延 為了 這 最終的 晶圓 到 是 創建的。 我們的 資料夾 是 那 我們 是 賣 300 毫米， 200 毫米 和 較小 直徑 晶圓 為了 不同的 應用 喜歡 顯示 這裡， 矽 晶圓 和 一些 規格。

關於 我， 我的 教育 是 我是 一個 電力 工程師 和 I 做過 一些 六 西格瑪 教育， 和 我的 主要的 任務 是 到 發展 流程 為了 生長 矽 晶體 喜歡 顯示 這裡， 和 我是 作為 出色地 負責任的 為了 大約 500 使用者 在 賽爾尼克 聯合管理計劃 用戶。 如何 做 這 任務 看 喜歡？ 什麼 我們 看 這裡 是 這 最終的 桌子， 但 它 有 到過 已創建 和 這 需要 a 很多 的 努力 作為 出色地。 所以 那裡 是 一些 資料庫 查詢 在後面 到 得到 這 數據 從 資料庫.

我們 取來的 這 結果 進入 聯合管理計劃 數據 桌子 和 放大的 這 數據 放 和 檔案 從 早些時候 日期 和 豐富的 一些 資訊 喜歡 細節 的 實驗 和 細節 在 消耗品 和 寫了 一些 腳本 為了 圖表 和 評價。 T 母雞 我們 有 完畢 這 造型 任務 和 的 課程， 看起來 為了 遺失的 數據 相關性 到 看 什麼 是 這 最多 重要的 效果 和 到 做 特徵 工程 到 看 哪個 特徵 是 重要的 到 產生 一個 最佳的 結果。

在 這 觀點， I 將要 轉變 進入 聯合管理計劃 然後。 我們 能 看 這裡 我的 雜誌 我是 在職的 和 和 這 聯合管理計劃 主要的 窗戶 和 這 抽象的 是 見過 這裡。 我們 將要 開始 和 技術的 提示。 這 使用 數據 放 I 展示 這裡 是 完全 匿名的 和 標準化、 和 全部 識別符 是 通用的 為了 更好的 理解 什麼 是 這 特徵， 什麼 是 這 結果， 和 所以 在。 這 目的 的 這 推介會 是 到 展示 全部 這 步驟 我們 需要的 為了 得到 一個 概述， 重組、 和 理解 這 數據 放， 和 如何 到 建造 這 型號 到 得到 一些 見解 的 這 內容 的 這 數據 放。

I 將要 展示 一些 結果 那 我們 有 討論過 在 a 團隊。 這 團隊 是 非常 重要的 這裡 因為 這 團隊 開車 a 很多 的 討論 和 工作 作為 出色地， 如何 到 分析 和 什麼 特徵 可能 是 有趣的 和 什麼 應該 不是 是， 和 什麼 可能 是 這 物理 在後面。 I 將要 開始 和 這 數據 放 這裡。 它是 也 a 部分 的 這 貢獻 在 這 社區。 這裡 它 是 打開 和 I 將要 改變 這 設計 a 小的 位元 到 看 如何 它 看起來 喜歡。 我們 有 大約 80,000 列 在 這 數據 放 和 它是 a 批次 數據 放， 所以 我們 有 a 批次 ID。

T 他的 數據 放 是 相當 具有挑戰性的 因為 它 有 a 混合物 的 歷史的 數據 喜歡 這裡， 經過 批次。 我們 能 看 這裡 那 我們 有… 最多 的 這 數據 是 歷史的 數據， 和 那裡 是 僅有的 a 很少 特別的 實驗 顯示 這裡。 我們 有 一些 特徵 然後， 喜歡 一 絕對的， 它是消耗品。 我們 有 這 批次 到期， 它是 這 時間， 也 標準化。 然後 我們 有 一些 特徵。 所以 這些 X 價值觀 這裡， 我們 有 一 結果 柱子， 和 到 減少 這 噪音 a 小的 位元, 我們 有 計算出的 a 新的 移動 平均的 作為 出色地。

讓我們 有 a 看 在 如何 這 數據 放 看起來 更多的 在 細節。 我們 能 看 這裡， 如果 我們 做 a 概括 在 這 數據 喜歡 這， 你 能 做 這 從 這 桌子 s 選單 作為 出色地。 概括。 我們 得到 大約 500 行， 500 批次。 這 是 a 概括 經過 批， 和 我們 看 那 那裡 是 不 變化 在 這 參數 X 1 到 X 4、 意義 那 他們 是 持續的 為了 每個 批， 和 這 其他的 是 改變 在 不同的 費率。 到 有 a 看 如何 這 數據 看起來 在 全部， 我們 能 看 這裡 這 結果 範圍 喜歡 屈服， a 長的 時間 為了 全部 這 列 的 這 批次 數據 放， 和 這 平滑化 是 完畢 經過 聯合管理計劃 圖形 建設者 平台。

我們 實施的 這 作為 a 公式 作為 它 是 可用的 作為 a 功能 在 JMP。 我們 能 有 a 看 這裡 在 一些 特別的 批次 作為 出色地。 如果 我們 使用 這 當地的 數據 篩選 和 看 這裡 如何 這 平均的 作品 和 什麼 噪音 是 在 這 單身的 數據 點, 這 藍色的 那些 是 這 原來的 數據 的 屈服， 和 這 橘子 一 是 這 移動 平均的。 I 將要 關閉 這 然後， 和 下一個 觀點 可能 是 到 看 在 如何 很多 數據 是 丟失的。 所以 我們 有 這 在 聯合管理計劃 作為 出色地。 我們 能 標記 全部 這 列 和 做 這 遺失的 數據 圖案 平台 喜歡 這。

它 將要 展示 我們 那 從 關於 80,000 行， 我們 有 178 列 和 一些 遺失的 數據 在 一 柱子。 這 能 也 是 顯示 這裡 作為 a 圖形。 這 是 非常 重要的， 在 至少 為了 這 數據 創作步驟， 它 曾是 重要的 到 看 在哪裡 是 一些 數據 遺失的 和 到 使固定 這 遺失的 數據 然後 作為 很多 作為 可能的。 其他 步 到 看 在 這 數據， 或許 專欄 觀眾。 我們 能 得到 這裡， I 放 全部 這 列 在， 和 這裡 我們 能 看 再次 喜歡 我們 有 前， 那裡 是 一些 列 遺失的 為了 範圍 X2。

我們 能 看 什麼 這 分鐘， 最大限度， 意思是， 標準 偏差， 和 所以 是 為了 全部 這 參數 我們 能 看 這裡。 這裡 我們 很好地 看 那 一切 是 標準化。 為了 這 屈服， 它是 之間 零 和 100. 我們 能 作為 出色地 開始 從 這裡， 分配 平台。 所以 全部 這 列 是 標記的 和 我們 得到 經過 僅有的 一 點選 為了 全部 這 數據， 這 分佈。 我們 能 看 這裡 什麼 消耗品 是 用過的 如何 常 那 我們 有 最多 數據 從 歷史性 流程 和 僅有的 一些 的 一些 實驗 和 特別的 設定.

這 時間， 的 課程， 看起來 很好地 分散式， 但 這 其他的 不 看 那 很好。 所以 那裡 是 a 很多 的 房間 之間 一些 設定, 和 它是 稀疏地 分散式， 非 普通的 分散式 為了 這 最多 參數， 和 那 使 它 甚至 更多的 具有挑戰性的 到 分析 這 數據。 我們 去 到 這 下一個 步驟。 I 將要 關閉 這些 報告。 然後 我們 可能 看 甚至 更多的 在 細節 在 一些 事物 喜歡 如何 這 參數 是 相關的。 我們 能 看 這 在 這 多變數 平台。 它 需要 一些 時間 到 是 計算出來的。

你 將要 尋找 它 這裡 在下面 這 分析 選單， 多變量。 它 需要 這 數位 列 和 產生 這 相關性 報告， 和 你 將要 看 那 這 參數 喜歡 X6 和 X5 是 高度 相關的。 這 使 它 難的， 喜歡 X10 和 X9 作為 出色地， 使 它 難的 到 做 特徵 工程。 什麼 我們 想 到 知道 從 這 分析 是 哪個 範圍 原因 一些 屈服 降低。 如果 二 參數 是 相關， 它是 不是 所以 簡單的 到 探測 或者 到 尋找 出去 哪個 一 是 這 負責任的 一。

這裡 在 這 分散 陰謀 矩陣， 你 能 看 作為 出色地 哪個 參數 改變 和 時間， 喜歡 X1, X2, 向上 到 X4 是 持續的 超過 時間， 和 這 其他的 是 改變 和 如何 他們 是 分散式， 和 你 能 很好地 標記 一些 列 喜歡 這裡。 他們 是 已選擇 在 這 數據 桌子 然後 和 看 如何 這 曲線 是 為了 每個 範圍 超過 時間 或者 哪個 範圍 超過 什麼 範圍 組合 看起來 喜歡。 下一個， I 想 到 使用 這 功能性數據瀏覽器。

這 功能數據瀏覽器 允許 我們 到 合身 曲線 為了 每個 批次 和 萃取物 這 特徵 的 每個 曲線。 然後 我們 能 有 a 看 在 哪個 批次 表現 相似的 或者 或許 極端 那些。 所以 這 開始 是 喜歡 這。 我們 能 有 a 看 在 如何 I 開始了 這 分析。 我們 發射 分析。 I 放 時間 作為 一個 X 範圍， 屈服 作為 這 輸出 範圍 和， 和 這 ID 功能 是 這 批次 ID。 然後 我們 有 這裡 一些 非正式的 部分 喜歡 部分 和 團體。

這 平台 是 可用的 在 聯合管理計劃 專業版 僅有的， 和 什麼時候 我們 開始 它， 我們 能 做 一些 數據 加工 這裡。 但 在 這 案件， 它是 不是 必要的。 我們 能 有 a 看 在 每個 批， 如何 它 看起來。 所以 那裡 是 a 很多 的 圖表 這裡 喜歡 這。 我們 能 標記 這 行。 我們 能 看這裡 這 標記的 列 和 這 數據 桌子 作為 出色地。 到 去 在 和 這 平台， 我們 需要 到 製作 一些 型號 喜歡 P樣條 為了 每個 批次 和 聯合管理計劃 做 這 和 定義 本身 哪個 樣條線 是 用過的 和 如何 許多 支援 功能 是 需要， 喜歡 這 結 顯示 這裡。

所以 這 最好的 結果 是 給定 和 a 立方體 樣條線 和 20 結。 你 能 看 如何 每個 批次 是 建模的 這裡 經過 這 紅色的 線 顯示 這裡 和 如何 它 看起來。 我們 有 這裡 這 形狀 功能。 所以 每個 曲線 是 額外 一起 經過 a 組合 的 形狀 功能， 和 我們 得到 為了 每個 批次 這 係數 為了 每個 形狀 功能。 如果 我們 是 尋找 在 形狀 功能 1… 這 是 這 主要的 行為 的 全部 批次 和 a 降低 這裡 在 大約 0.7。 我們 能 看 那 這裡 我們 有 成分 1. 這 是 a 係數 為了 這 形狀 功能 一。

如果 我們 選擇 這些 批次， 我們 將要 看 那 他們 有 a 明顯的 形狀 喜歡 形狀 功能 1. 我們 能 看 它 這裡。 我們 能 作為 出色地 使用 這 探查器。 所以 這 是 大多 為了 理解 這 數據 但 我們 有 不是 用過的 它 為了 更遠 分析 因為 我們 做過 不是 真的 需要 這 資訊 如何 這 後退 批次 看起來 作為 a 形狀 為了 每個 曲線。 我們 是 更多的 有興趣的 在 平均的 屈服 的 每個 批次 因為 我們 不能 定義 僅有的 到 使用 這 第一的 部分 的 這 批次 和 忘記 關於 這 第二 部分。 這 會 不是 工作 在 我們的 案件。

作為 出色地 到 看 再次 如何 這 作品 一起， 我們 能 有 a 看 在 圖形 建造者。 這 圖形 的 一些 批次 我們 有 見過 只是 前。 或許 你 看 這 數位 這裡。 我們 有 見過 它 前。 這裡 它 是 顯示 再次 一起 和 這 移動 平均的 的 屈服。 下一個 步 會 是 到 開始 造型 的 這 批次 數據。

什麼時候 正在做 造型， 它 可能 是 有趣的 到 看 或者 有 一個 主意 哪個 參數 是 最多 重要的 為了 這 變異性 的 這 輸出。 那裡 我們 有 這 預測器 篩選 平台。 你 能 作為 出色地 開始 它 從 這裡。 分析 和 預測器 篩選。 I 寫了 它 這裡 作為 a 腳本 簡單地 到 開始 它 經過 緊迫 a 按鈕。 什麼時候 正在做 所以， 我們 將要 看 一些 引導程式 森林 分析 去 在， 和 它 節目 我們 這 重要性 的 這 特徵 我們 有 在 我們的 數據 放。 時間 是 這 最多 重要的， 但 這 是 無用 在 這 結尾 為了 我們 因為 我們 需要 到 使用 這 滿的 批。

T 母雞 來了 X1, 然後 來了 部分 X8, X5, 和 所以 在。 所以 這裡 我們 可以 作為 出色地 選擇 a 很少 行， 複製 他們 和 放 他們 進入 a 模型。 I 將要 停止 這 這裡， 和 到 看 哪個 模型 作品 最好的， I 用過的 模型 篩選 平台。 I 將要 不是 跑步 它 這裡 因為 它 需要 一些 分鐘。 但 我們 有 見過 那 提升樹平台 可能 執行 出色地。 那裡 是 或許 不是 所以 a 大的 不同之處 之間 這 下一個 那些， 但 那是 這 原因 為什麼 I 用過的 Boosted Tree 平台。

然後 我們 將要 跑步 提升樹 喜歡 這 在 這 批次 數據， 和 它 作品 相當 快的。 我們 將要 看 這 結果， 和 a 好的 特徵 的 這 提升樹平台 作為 出色地 是 那 你 有 柱子 貢獻 所以 那 你 能 很好地 做 一些 特徵 工程。 我們 能 看 這裡 那 我們 有 71 % R 方塊 為了 訓練 和 66 為了 驗證， 或許 好的， 和 我們 有 仍然 全部 特徵 在。 但 我們 是 有興趣的 大多 在 哪個 特徵 是 可靠地 這 最多 重要的 那些。

什麼時候 正在做 這， 我們 能 節省 它 作為 a 柱子， 節省 預言 公式 在 這 數據 桌子。 我們 看 在 這 數據 桌子 我們 有 a 公式 現在 和 我們 能 使用 它。 我們 能 或許 有 a 看 在 如何 這 模型 執行 或者 到 使用 它 在 圖形 建設者 簡單地 到 看 如何 這 模型 數據 看起來 喜歡 超過 這 批次 到期。 I 希望 這 圖形 建設者 到 展示 這 圖形 這 圖形 很快， 和 這裡 它 來了。 是的。 我們 有 見過 那 這 造型 作品 相當 出色地， 所以 我們 有 a 公式 現在 到 重建 這 數據 和 我們 能 或許 工作 和 它。

但 尤其 為了 這 批次 數據 造型， 我們 有 a 問題 這裡 那 驗證 將要 不是 工作 因為 我們 可能 有 這裡 為了 一些 批， 這些 列 在 訓練 放 和 這 列 下一個 到 它 在 驗證 放。 所以 他們 是 不是 出色地 分開 為了 這 特徵 那 控制 這 批次 然後。 此外， 這 模型 是 不是 非常 穩定的， 所以 我們 將要 得到一個 不同的 結果。 為了我們的 不同的 運行 的 這 模型， 這 是 已知的 從 樹- 基於 方法 那 他們 可能 給 不同的 結果 為了 高的 變異性 數據。

如果 我們 做 某物 喜歡 跑步 提升樹 兩次， 我們 得到 也 不同的 柱子 貢獻 和 或許 不同的 命令 喜歡 我們 能 看 這裡 為了 這 部分 和 X 5 是 切換 這裡 為了 這些 二 運行， 和 I 將要 展示 它 再次 也 這裡。 如果 我們 跑步 提升樹 兩次。 不 知道。 是的， 這裡 I 應該 有 這 腳本。 它 來了 之後。 所以 在 這 觀點， 我們 有 說 那 它 可能 是 更好的 到 模型 這 總結 數據 因為 我們 需要 到 使用 這 滿的 批。 這裡 I 有 a 腳本 現在 到 總結 這 數據 在 a 形式 那 我們 有 僅有的 一 排 為了 每個 批。

那裡 是 a 好的 特徵 統計數據 柱子 姓名 格式 那 我們 得到 這 相同的 列 為了 這 總結 數據 作為 我們 有 在 這 原來的 桌子 那 我們 能 使用 這 相同的 腳本 為了 兩個都。 正在做 所以， 我們 得到 這裡 這 概括 數據 桌子- I 能 關閉 這 腳本- 和 大約 500 批次。 它是 a 很多 的 更輕鬆 到 模型， 和 這裡 I 有 總結 這 數據 為了 0.6 到 0.8 時間。 所以 它是 在哪裡 這 屈服 降低 曾是， 和 我們 能 再次 做 這裡 一些 預測器 篩選 喜歡 這 和 看 那 I 仍然 有 時間 在 那 數據 放 到 看…

它是 更多的 喜歡 到 看 什麼 等級 噪音 是， 和 它是 大約 這些 參數 那 是 可能 也 噪音 為了 這 模型 然後。 然後 我們 能， 的 課程， 做 一些 模型 比較。 所以 I 已選擇 a 很少 範圍 那 我們 成立 到 是 負責任的， 最多 大概， 和 我是 正在做 二 提升樹 分析 和 然後 做 一些 模型 比較 為了 兩個都。 它 看起來 喜歡 這。 我們 能 看 這裡 我們 得到 a 分析器 和 比較 這 結果 為了 不同的 設定, 或許 喜歡 這。 這裡 我們 有 仍然 這 問題。 我們 看 一些 特徵 喜歡 這 這裡 為了 X10 在 這 模型 和 不是 在 那 模型。

所以 它 可能 似乎 到 是 噪音。 在 這 開始， 我們 有 討論過 a 很多 關於 這些 差異。 我們 有 見過 有時 和 有時 不是， 和 問 這 問題， 什麼 是 真的， 什麼 是 身體的， 和 什麼 是 不是。 那 帶來 我 到 這 步 然後 那 我們 需要 到 繼續 和 特徵 選擇， 和 那是 為什麼 我們 已創建 這 腳本。 它 需要 這 概括 數據 和 有 到過 完畢 為了 這 批次 數據 作為 出色地。

為了 每個 步， 它 建構 促進 編輯 樹 模型 為了 這 滿的 範圍 放， 節省 這 模型 進入 這 公式 倉庫， 和 節省 這 模型 表現 R 方塊 和 所以 進入 a 數據 桌子， 和 節目 我們 這 柱子 貢獻。 這裡 我們 能 看 某物 那 我們 有 見過 常 那 和 這 更高 數位 模型， 它 是 這 模型 和 較少的 參數 喜歡 我們 能 看 這裡 和 這 柱子 貢獻， 我們 有 這 最好的 結果。 它 看起來 不同的 為了 每個 跑步， 但 這 趨勢 我們 看 在 最多 次。 所以 這裡 我們 能 看 為了 更多的 或者 較少的 當然 那 部分 和 X1 和 X5 是 這 最多 重要的 參數。

這 一 可能 是 那裡 某個時候 和 或許 不是， 所以 我們 將要 重點 在 這些 三 參數。 作為 出色地， 我們 能 有 a 看 在 這 公式 倉庫。 那裡 我們 能 開始 模型 比較。 我們 或許 能 比較 這 第一的 模型。 所以 我們 做 它 喜歡 這， 模型 比較。 這 是 我們的 數據 桌子。 拿 這 第一的 數字。 這 數位 這裡 是 轉移 經過 一， 和 或許 這 第五名 應該 是 那 一， 和 這 最後的 一。 這 將要 不是 工作。 I 思考 它是 數位 三， 和 這 最後的 一。

這 那些 和 這 最高 驗證 分數 和 或許 比較 他們 這裡。 我們 看 這 模型 比較 對話。 我們 看 那 這 最後的 模型 是 之間 這 最好的 型號 我們 可以 合身 在 全部， 和 能 看 這裡 這 探查器， 為了 例子， 和 作為 出色地， 可能 使用 外推法 控制。 我們 有 見過 那 我們 有 疏 數據， 所以 不是 在後面 每一個 觀點。 那裡 是 一些 數據。 讓我們 看 在哪裡 它 是。 這裡 它 是。 外推法 控制 警告 在。 所以 它 節目 我們 什麼時候 那裡 是 不 數據 之間 這 點。

這裡 我們 能 或許 比較 這 型號 和 我們 看 這裡 那 那裡 是 不 變異性 在 這 X 因素 那 沒有 到過 用過的 這裡。 到 和 向上， 讓我們 關閉 一些 桌子 第一的 和 一些 對話框。 到 和 向上， 我們 有 準備好了 a 工作流程 為了 造型 這 數據 和 有 完畢 一些 步驟 和 額外的 腳本 到 提高 理解 和 到 駕駛 這 討論 關於 什麼是 重要的 和 什麼是 不是。

I 有 a 提議 為了 a 模型 和 一些 任務 我們 能 重點 在 到 提升 這 年 屈服 的 我們的 過程， 和 你 將要 尋找 這 數據 和 這 推介會 在 這 使用者 社區。 如果 你 有 其他 想法 如何 到 探索 這 數據 放 和 如何 到 尋找 這 最終的 最好的 模型， 你 能 接觸 我 或者 郵政 某物 在 我的 貢獻 在 這 在 這 社群 為了 這 發現 首腦。 謝謝 為了 你的 注意力 和 再見。 那是 它， 馬丁.

進階統計建模自動化和腳本編寫基礎資料分析與建模消費者與市場研究內容組織資料混合與清理數據探索和視覺化實驗設計大規模客製化預測建模和機器學習品質和工藝工程可靠度分析