| Transkript |
| Hallo, hier ist Chris Gotwalt. |
| Heute werden wir |
| Konstruktion der Geschichte von |
| grafische Paradoxe und, oh warte, |
| falsches Thema. Eigentlich gehen wir |
| über Kandidaten sprechen |
| Bühnenbilder, Schneiderei DOE |
| Einschränkungen des Problems. |
| So industrielle Experimente |
| für Produkt und Prozess |
| Verbesserung hat eine lange Geschichte |
| mit vielen Threads, die ich zugeben muss, ich |
| kenne nur einen winzigen Bruchteil |
| von. Die Idee der Beobachtung |
| für Produkt und Prozess |
| Innovation ist so alt wie die Menschheit |
| selbst. Es erhielt erneuert |
| Schwerpunkt während der Renaissance und |
| Wissenschaftliche Revolution. Während der |
| anschließende industrielle |
| Revolution, Wissenschaft und Industrie |
| begann immer mehr zu operieren |
| im Gleichschritt. Im frühen 20. |
| Jahrhundert war Edisons Labor ein |
| industrielle Innovation auf |
| Fabrikmaßstab, aber es wurde getan |
| meines Wissens nach, außerhalb |
| moderne experimentelle Traditionen. |
| Nicht lange nach RA Fisher |
| eingeführte Konzepte wie |
| Blockierung und Randomisierung, seine |
| Partner und dann Schwiegersohn, |
| George Box entwickelte, was |
| jetzt wahrscheinlich die dominante |
| Paradigma im Design von |
| Experimente, mit den meisten |
| beliebtes Buch mit Statistiken |
| für Experimentatoren von Box, |
| Jäger und Jäger. |
| Die in Box, Hunter beschriebene Methode |
| und Hunter sind das, was ich nenne |
| taxonomischer Ansatz für das Design. |
| Nehmen wir an, Sie haben ein Produkt |
| oder Prozess, den Sie verbessern möchten. |
| Sie denken über die Dinge nach, die Sie |
| kann sich ändern. Die Knöpfe können sich drehen |
| wie Temperatur, Druck, |
| Zeit, Zutaten, die Sie verwenden können oder |
| Verarbeitungsmethoden, die Sie |
| verwenden. Diese diese Dinge werden |
| Ihre Faktoren. Dann denken Sie |
| darüber, ob sie |
| kontinuierlich oder nominal, und wenn |
| sie sind nominal, wie viele |
| Ebenen, die sie einnehmen, oder die Reichweite |
| Sie sind bereit, sie zu variieren. Wenn ein |
| Faktor ist kontinuierlich, dann |
| finde den Namen des |
| Design, das am besten zu |
| bis zum Problem und den Ressourcen |
| das Sie...das in Ihr Budget passt. |
| Dieses Design wird … haben. |
| wird einen Namen wie eine Box haben |
| Behnken-Design, ein fraktionierter |
| Fakultät oder eine zentrale |
| zusammengesetzte Zeichen oder möglicherweise |
| so etwas wie ein Taguchi-Array. Es wird |
| Beschränkungen der Anzahl |
| der Läufe, das Niveau...die Zahlen |
| von Ebenen der kategorischen |
| Faktoren und so weiter, also gibt es |
| wird einiges hineingezwängt werden |
| Problem in das Design |
| die Sie finden können. Zum Beispiel |
| Faktoren im BHH |
| Ansatz, Box Hunter und Hunter |
| Ansatz, müssen oft |
| auf zwei oder drei reduziert |
| eindeutige Werte oder Ebenen. |
| Trotz seiner Einschränkungen ist das |
| taxonomischer Ansatz wurde |
| fantastisch gelungen. |
| Im Laufe der Zeit haben natürlich einige |
| Die Leute haben gefragt, ob wir |
| immer noch besser machen. |
| Und mit besser meinen wir, zu fragen |
| uns selbst, wie gestalten wir unsere |
| studieren, um die höchste |
| Qualitätsinformationen, die für |
| die Ziele der Verbesserung |
| Projekt? Diese Linie von |
| Fragen führen letztlich zu |
| optimales Design. Optimales Design ist |
| ein akademisches Forschungsgebiet. Es war |
| parallel zur Box gestartet |
| Schule in den 50er und 60er Jahren, aber |
| blieb aus verschiedenen Gründen aus |
| des Mainstreams der industriellen |
| Experimente, bis die |
| benutzerdefinierter Designer und JMP. |
| Die Philosophie des Brauchs |
| Designer ist, dass Sie beschreiben |
| das Problem an der Software. Es |
| dann gibt Ihnen das beste Design |
| für Ihre geplante Anzahl von |
| läuft. Sie beginnen mit der Erklärung |
| Ihre Antworten zusammen mit ihren |
| Ziele wie Minimieren, Maximieren, |
| oder Ziel angleichen, und dann |
| Beschreiben Sie die Arten von Faktoren |
| Sie haben, kontinuierliche, kategorische |
| Mischung usw. Kategorisch |
| Faktoren können eine beliebige Anzahl von |
| Ebenen. Sie geben ihm ein Modell, das |
| Sie möchten an das resultierende |
| Daten. Das Modell geht davon aus, dass mindestens |
| Quadratanalyse und besteht aus |
| Haupteffekte und Wechselwirkungen in |
| Polynomterme. Der Brauch |
| Designer machen einige Standard |
| Annahmen über die Natur |
| Ihres Ziels, z. B. ob |
| Sie interessieren sich für Screening |
| oder Vorhersage, die |
| spiegelt sich in der Optimalität wider |
| Kriterium, das verwendet wird. Die |
| Standardeinstellungen können überschrieben werden |
| mit einem roten Dreieckmenü |
| Option, wenn Sie möchten |
| etwas anderes machen als |
| was die Software beabsichtigt. |
| Der Workflow in den meisten |
| Anwendungen ist die Einrichtung |
| das Modell. |
| Dann wählen Sie Ihr Budget, |
| Klicken Sie auf Design erstellen. Sobald |
| passiert, verwendet JMP eine gemischte, |
| kontinuierlich und kategorisch |
| Optimierungsalgorithmus, Lösung |
| für die Anzahl der Faktoren mal |
| die Anzahl der Zeilenbegriffe. |
| Anschließend erhalten Sie Ihre Konstruktionsdaten |
| Tisch mit allem, was Sie brauchen |
| außer den Antwortdaten. Diese |
| ist ein toller Workflow, da die |
| Faktoren können variiert werden |
| unabhängig voneinander. |
| Was ist, wenn Sie nicht können? Was ist, wenn |
| Gibt es Einschränkungen? Was |
| wenn der Wert einiger Faktoren |
| Bestimmen Sie die möglichen Bereiche |
| anderer Faktoren? |
| Na dann kannst du...dann |
| Sie können einen Faktor definieren |
| Einschränkungen oder verwenden Sie es |
| Unzulässige Kombinationen |
| Filter. |
| Leider, während diese |
| sind leistungsstarke Werkzeuge für |
| einschränkende experimentelle |
| Regionen kann es immer noch sehr |
| schwer zu charakterisieren |
| Einschränkungen bei der Verwendung dieser. |
| Brad Jones‘ DOE-Team, Ryan Lekivetz, |
| Joseph Morgan und Caleb |
| King hat hinzugefügt ein |
| außerordentlich nützliche neue |
| Funktion, die die Handhabung erleichtert |
| Einschränkungen wesentlich einfacher in |
| JMP 16. Diese heißen |
| Kandidaten- oder Kovariatenläufe. |
| Was Sie tun können, ist, auf Ihrem |
| eigene, erstellen Sie eine Tabelle aller |
| mögliche Kombinationen von |
| Faktoreinstellungen, die Sie möchten |
| der benutzerdefinierte Designer zu |
| bedenken. Dann laden Sie sie |
| hier und das werden die |
| nur Kombinationen von Faktor |
| Einstellungen, die der Designer |
| Wille... |
| wird sich ansehen. Das Original |
| Tisch, den ich einen |
| Kandidatentabelle, ist wie ein |
| Menüfaktoreinstellungen für |
| der benutzerdefinierte Designer. |
| Dies gibt JMP-Benutzern eine |
| unglaubliches Maß an Kontrolle über |
| ihre Designs. Was ich tun werde |
| heute ist es, mehrere |
| Beispiele, die zeigen, wie Sie |
| dies, um die benutzerdefinierte |
| Designer erfüllen ihr Potenzial |
| als Werkzeug, das die |
| Design auf das vorliegende Problem. |
| Bevor ich das tue, werde ich |
| für einen Moment vom Thema abschweifen und |
| weisen darauf hin, dass in JMP Pro |
| Version des benutzerdefinierten Designers, |
| gibt es jetzt eine Fähigkeit, die |
| ermöglicht Ihnen die Festlegung von Grenzen für |
| Erkennung zur Entwurfszeit. |
| Wenn Sie keine fehlenden Werte wünschen |
| für die Grenzen hier der Brauch |
| Der Designer fügt eine Spalte hinzu |
| Eigenschaft, die informiert die |
| verallgemeinerte Regressionsplattform |
| der Nachweisgrenzen und es |
| erhält dann automatisch die |
| Analyse korrekt. Dies führt zu |
| dramatisch höhere Leistung zu |
| Effekte erkennen und deutlich niedriger |
| Voreingenommenheit bei Vorhersagen, aber das ist |
| ein Thema für ein anderes Gespräch. |
| Hier sind eine Reihe von Anwendungen |
| die mir einfallen für die |
| Kandidat Bühnenbildner. Die |
| Am einfachsten ist es, wenn Bereiche eines |
| kontinuierlichen Faktor hängen von der |
| Ebene einer oder mehrerer kategorischer |
| Faktoren. Ein weiteres Beispiel ist, wenn |
| wir können die Reichweite nicht kontrollieren |
| Faktoren vollständig |
| unabhängig, aber die |
| Einschränkungen sind schwer zu schreiben |
| unten. Es gibt zwei Methoden, die wir |
| kann dafür verwenden. Man verwendet |
| historische Prozessdaten als |
| Kandidatenmenge, und dann die |
| das andere nenne ich Filter |
| Designs, bei denen Sie kreieren ... Design |
| einen riesigen initialen Datensatz mit |
| Zufallszahlen oder ein Leerzeichen |
| Füllmuster und dann Zeile verwenden |
| Auswahlen in Streudiagrammen |
| um die Punkte herauszupicken, die |
| erfüllen die Einschränkungen nicht. |
| Es besteht auch die Möglichkeit, |
| wirklich hochgradig individuelle Mischung |
| Probleme, insbesondere Situationen |
| wo Sie mehrschichtige |
| Mischen. Das ist nicht |
| etwas, das ich sein werde |
| heute sprechen können, aber in |
| die Zukunft ist das etwas |
| dass Sie suchen sollten |
| mit diesem Kandidaten |
| Bühnenbildner. Sie können auch |
| nichtlineare Nebenbedingungen mit der |
| Filtermethode, die gleiche |
| Möglichkeiten, wie Sie andere Arten von |
| Einschränkungen. Es ist sehr |
| einfach und ich werde eine schnelle |
| Beispiel ganz am Ende |
| Dies. |
| Betrachten wir also unsere erste |
| Beispiel. Angenommen, Sie möchten |
| einer Zielantwort in einem |
| Untersuchung zweier Faktoren. |
| Man ist ausgerüstet...eine Ausrüstung |
| Lieferant, von denen es zwei gibt |
| Ebenen und die andere ist die |
| Temperatur des Gerätes. Die |
| zwei verschiedene Lieferanten haben |
| verschiedene Betriebsbereiche |
| Temperaturen. Lieferant A ist mehr |
| schmaler von beiden, ausgehend von |
| 150 bis 170 Grad Celsius. |
| Aber es ist kontrollierbar bis zu einem |
| feinere Auflösung von |
| etwa 5 Grad. Lieferant B |
| hat einen größeren Betriebsbereich |
| von 140 bis 180 Grad |
| Celsius, ist aber nur |
| auf 10 Grad regelbar |
| Celsius. Angenommen, wir wollen |
| ein 12-Run-Design, um die |
| optimale Kombination dieser |
| zwei Faktoren. |
| Wir zählen alle möglichen |
| Kombinationen der beiden |
| Faktoren in 10 Läufen in der |
| Tabelle hier, nur erstellen |
| dies manuell selbst. |
| Hier sind die fünf möglichen |
| Werte von Maschinentyp A |
| Temperatureinstellungen. Und dann |
| hier unten sind die fünf möglichen |
| Werte der Temperatur von Typ B |
| Einstellungen. Wir wollen das Beste |
| Design in 12 Läufen, was übertrifft |
| die Anzahl der Zeilen in der |
| Kandidatentabelle. Dies ist kein |
| Problem in der Theorie, aber ich |
| empfehlen wir, eine Kopie der |
| Kandidatensatz nur für den Fall |
| dass die Anzahl der Läufe, die |
| Ihre Kandidatentabelle hat übersteigt |
| die Nummer, die Sie suchen |
| für im Design. |
| Dann gehen wir zum Brauch |
| Designer. |
| Push-Select-Kovariate |
| Faktoren-Schaltfläche. |
| Wählen Sie die gewünschten Spalten aus |
| als Kandidatendesign geladen |
| Faktoren. Nun der Kandidat |
| Design wird geladen und angezeigt. |
| Fügen wir den Interaktionseffekt hinzu, |
| sowie der quadratische Effekt |
| der Temperatur. Jetzt sind wir am |
| letzter Schritt vor der Erstellung des |
| Design. Ich möchte erklären, |
| zwei Optionen, die Sie in der |
| Gliederungsknoten für die Designgenerierung. |
| Die erste, die zwingen wird, |
| in allen Zeilen, die |
| in der Originaltabelle ausgewählt |
| oder in der Auflistung der |
| Kandidaten in der Gewohnheit |
| Designer. Wenn Sie also |
| Kontrollpunkte, die wahrscheinlich nicht |
| durch die Optimalität begünstigt werden |
| Kriterium und wollen sie zwingen |
| in das Design, können Sie |
| diese Option nutzen. Es ist ein wenig |
| wie die gleichen Reihen zu nehmen und |
| Erstellen eines erweiterten Designs |
| nur auf ihnen basierend, außer dass |
| Sie kontrollieren das Mögliche |
| Kombinationen der Faktoren in |
| die zusätzlichen Zeilen. |
| Die zweite Option, die ich |
| hier absichtlich prüfen, erlaubt |
| die auszuwählenden Kandidatenzeilen |
| mehr als einmal. Dies gibt |
| Sie optimal gewählt |
| Replikationen und ist wahrscheinlich ein |
| gute Idee, wenn Sie im Begriff sind zu laufen |
| ein physikalisches Experiment. Wenn auf |
| Andererseits verwenden Sie ein |
| optimale Teilmenge der zu findenden Zeilen |
| um eine schicke neue Maschine auszuprobieren |
| Lernalgorithmus wie SVEM, ein |
| Thema eines meiner anderen Vorträge |
| bei der March Discovery |
| Konferenz. Sie möchten nicht |
| diese Option zu aktivieren, wenn dies |
| der Fall. Grundsätzlich, wenn Sie |
| habe nicht alle Ihre Antworten |
| Werte bereits, würde ich überprüfen |
| dieses Feld und wenn Sie bereits |
| die Antwortwerte, dann tun Sie es nicht. |
| Setzen Sie die Stichprobengröße auf 12 zurück und |
| Klicken Sie auf Design erstellen. Der Kandidat |
| Design in all seiner Pracht wird |
| erscheinen wie alle anderen |
| Design nach Maß |
| Designer. Wie wir in der |
| mittleren JMP-Fenster, JMP auch |
| wählt die Zeilen im Original |
| Tisch nach Wahl des Kandidaten |
| Design-Algorithmus. Beachten Sie, dass 10 |
| Es wurden nicht 12 Zeilen ausgewählt. |
| Rechts sehen wir die neue |
| Entwurfstabelle, ganz rechts |
| Spalte in der Tabelle zeigt |
| die Zeile Ursprung für das |
| laufen. Beachten Sie, dass die ursprünglichen Zeilen |
| 11 und 15 wurden zweimal gewählt |
| und sind Replikate. |
| Hier ist eine Histogrammansicht der |
| Design. Sie können sehen, dass die |
| verschiedene Werte der Temperatur |
| wurden von der Kandidatengruppe ausgewählt |
| Algorithmus für verschiedene Maschinen |
| Typen. Insgesamt ist dieses Design |
| schön ausgewogen, aber wir |
| haben 3 Temperaturstufen in |
| Maschinentyp A. Glücklicherweise |
| Wir können die Zeilen auswählen, die wir |
| wollen in das Design gezwungen |
| um sicherzustellen, dass wir 3 |
| Temperaturniveaus für |
| beide Maschinentypen. |
| Wählen Sie einfach die gewünschte Zeile aus |
| in das Design gezwungen in der |
| Kovariatentabelle. Aktivieren Sie das Kontrollkästchen „Include“ |
| alle ausgewählten kovarianten Zeilen in |
| die Designoption. |
| Und wenn Sie dann durchgehen |
| all das, du wirst sehen |
| dass nun beide Ebenen der |
| Maschine haben mindestens drei |
| Temperaturniveaus in der |
| Entwurf. Der erste Entwurf |
| Wir haben auf der linken Seite |
| und das neue Design zwingt |
| Es soll drei Ebenen geben |
| Maschinentyp A |
| Temperatureinstellungen ist vorbei |
| hier rechts. |
| Mein zweites Beispiel basiert auf einer |
| realen Datensatz aus einem |
| metallurgische Fertigung |
| Prozess. Das Unternehmen möchte |
| Kontrollieren Sie das Ausmaß der Schrumpfung |
| während des Sinterschritts. Sie |
| verfügen über viele historische Daten |
| und haben maschinelle |
| Lernmodelle zur Vorhersage |
| Schrumpfung und so haben eine Vorstellung |
| was die Schlüsselfaktoren sind. |
| Um jedoch tatsächlich zu optimieren |
| den Prozess, sollten Sie wirklich |
| Führen Sie ein geplantes Experiment durch. |
| Als Laura Castro-Schilo |
| einmal darauf hingewiesen... |
| Wie Laura Castro-Schilo einst |
| sagte mir, Kausalität ist eine |
| Eigentum nicht der Daten, sondern |
| wenn die Daten generieren |
| Mechanismus, und als George Box |
| steht auf der Innenseite des Umschlags |
| Statistik für Experimentatoren, |
| um herauszufinden, was passiert, wenn |
| wenn man etwas ändert, |
| notwendig, es zu ändern. |
| Obwohl wir jetzt nicht die |
| historische Daten zum Nachweis |
| Kausalität gibt es |
| wesentliche Informationen über |
| welche Kombinationen von Faktoren |
| sind möglich, dass wir verwenden können |
| im Design. |
| Wir müssen zunächst trennen die |
| Spalten in der Tabelle, die |
| stellen kontrollierbare Faktoren dar |
| von denen, die mehr |
| passive Sensormessungen |
| oder Antriebsmengen, die |
| nicht direkt steuerbar. |
| Ein Blick auf das Streudiagramm von |
| die potentiellen kontinuierlichen Faktoren |
| weist darauf hin, dass es |
| implizite Einschränkungen, die |
| schwierig zu charakterisieren als |
| lineare Einschränkungen oder nicht zulässig |
| Kombinationen. Diese |
| stellen eine Auswahl der |
| mögliche Kombinationen, die |
| kann verwendet werden mit dem |
| Kandidat Designer ganz |
| leicht. |
| Dazu rufen wir die |
| benutzerdefinierten Designer. Richten Sie die |
| Antwort. Ich lade gerne einige |
| Kovariable Faktoren. Wählen Sie die |
| Spalten, die wir steuern können als |
| Faktor...DOE-Faktoren und |
| Klicken Sie auf OK. Jetzt haben wir sie |
| geladen. Stellen wir eine quadratische |
| Response Surface-Modell als unser |
| Basismodell. Wählen Sie dann alle |
| die Modellbedingungen mit Ausnahme der |
| abfangen. Dann führen Sie eine Kontrolle durch |
| plus Rechtsklick und konvertieren |
| alle diese Begriffe in wenn |
| mögliche Auswirkungen. Dies, in |
| Kombination mit Antwort |
| Oberflächenmodell gewählt, bedeutet |
| dass wir eine |
| Bayesianischer I-optimaler Kandidat |
| Bühnenbild. |
| Aktivieren Sie das Kontrollkästchen, das |
| optimal ausgewählte Replikate. |
| Geben Sie die Stichprobengröße ein. |
| Anschließend wird das Design erstellt |
| für uns. Wenn wir uns die |
| Verteilung der Faktoren, |
| wir sehen, dass es hart versucht wird |
| um ein größeres Gleichgewicht anzustreben. |
| Auf der linken Seite haben wir eine |
| Streudiagrammmatrix der |
| kontinuierliche Faktoren aus der |
| Originaldaten und rechts |
| ist das hundertreihige Design. Wir können sehen |
| dass beim Sintern |
| Temperatur, wir haben einige |
| potenzielle Ausreißer bei 1220. |
| Man möchte sicherstellen, dass |
| das sind reale Werte. In |
| Allgemein müssen Sie |
| Stellen Sie sicher, dass der Eingang |
| Kandidatensatz ist es klar |
| Ausreißer und fehlende Werte |
| bevor Sie es als Kandidat verwenden |
| Bühnenbild. In meinem Gespräch mit Ron |
| Kennet dies ... im März |
| Discovery-Konferenz 2021, |
| Ich demonstriere kurz, wie Sie |
| der Ausreißer und der fehlende Wert |
| Siebplattformen zum Entfernen |
| die Ausreißer und ersetzen die |
| fehlende Werte, so dass Sie |
| verwenden Sie sie bei einem späteren |
| Bühne wie diese. |
| Nehmen wir nun an, wir haben ein Problem |
| ähnlich wie im ersten Beispiel, |
| wo es zwei Maschinen gibt |
| Typen, aber jetzt haben wir |
| Temperatur und Druck als |
| Faktoren, und wir wissen, dass |
| Temperatur und Druck können nicht |
| unabhängig voneinander variieren und dass die |
| Natur dieser Abhängigkeit |
| Änderungen zwischen Maschinentypen. |
| Wir können einen ersten Raum schaffen |
| Fülldesign und verwenden Sie die |
| Datenfilter zum Entfernen der |
| nicht durchführbare Kombinationen von |
| Faktoreneinstellung separat für |
| jeden Maschinentyp. Dann können wir |
| verwenden Sie den Kandidaten-Set-Designer |
| um die effizienteste |
| Design für diese Situation. |
| So, jetzt habe ich das durchgemacht, |
| so, jetzt habe ich meinen Raum geschaffen |
| Fülldesign. Es hat 1.000 |
| läuft und ich kann die |
| globalen Datenfilter darauf und |
| verwenden Sie es, um verschiedene |
| Kombinationen von Temperatur |
| und Druck, damit wir |
| haben separate Einschränkungen durch |
| Maschinentyp. |
| Also benutze ich das Lasso |
| Werkzeug zum Abschneiden |
| eine Ecke in Maschine B. |
| Und ich gehe zurück und schneide ab |
| eine weitere Ecke in Maschine B, so |
| Maschine B ist die Maschine, die |
| eine Art größeres Einsatzgebiet |
| in Temperatur und Druck. |
| Dann wechseln wir zur Maschine |
| A. Und wir werden einfach verwenden |
| das Lasso-Werkzeug |
| rasieren |
| die Punkte, die außerhalb seiner |
| Betriebsgebiet. Und wir sehen |
| dass sein Einsatzgebiet ein |
| viel schmaler als die von Maschine A. |
| Und hier ist unser kombiniertes Design. |
| Von dort können wir das wieder laden |
| in den benutzerdefinierten Designer. |
| Platzieren Sie dort ein RSM-Modell, dann |
| Setzen Sie unsere Anzahl der Läufe auf 32, |
| ermöglicht das Erstellen von Koviariatszeilen |
| wiederholt. Und es wird kurbeln |
| durch. Sobald das erledigt ist, |
| wählt alle Punkte aus, die |
| ausgewählt durch die Kandidatengruppe |
| Designer. Und hier können wir sehen |
| die ausgewählten Punkte. |
| Sie wurden hervorgehoben und die |
| ursprünglicher Satz von Kandidatenpunkten |
| die nicht ausgewählt wurden, sind |
| sind grau. |
| Wir können das neue Design auf den Markt bringen |
| in Passe Y durch X an und wir können |
| sehen Sie ein Streudiagramm, in dem wir sehen |
| dass die |
| die die Maschine A Design Punkte |
| sind rot. Sie sind im Inneren |
| des Raumes und dann der Typ |
| B-Pisten sind blau. Es hatte die |
| größeres Einsatzgebiet und |
| so sehen wir diese Punkte |
| hier draußen, weiter draußen dafür. So |
| haben wir schnell eine |
| Design mit linearen Nebenbedingungen |
| diese Veränderung mit einer kategorischen |
| Faktor, ohne den |
| lästigen Prozess der Ableitung der |
| lineare Kombinationskoeffizienten. |
| Wir haben einfach die Grundlagen von JMP 101 verwendet |
| Visualisierung und Filterung |
| Werkzeuge. Diese Idee verallgemeinert |
| zu anderen nichtlinearen |
| Einschränkungen und andere komplexe |
| Situationen ziemlich leicht. |
| Also verwenden wir jetzt |
| Filterung und multivariate zu |
| eine einzigartige neue Art von |
| Design, das ich Ihnen versichere |
| habe ich noch nie gesehen. |
| Gehen Sie zum |
| Lasso-Werkzeug. Wir gehen |
| eine sehr ungewöhnliche |
| Zwang. |
| Und wir werden umkehren |
| Auswahl. |
| Wir werden diese Zeilen löschen. |
| Dann können wir das beschleunigen |
| ein bisschen. Wir können durchgehen |
| und das Gleiche tun |
| für andere Kombinationen von X1 |
| und die anderen Variablen. |
| Herausarbeiten eines sehr |
| ungewöhnlich geformter Kandidatensatz. |
| Wir können dies laden in |
| der benutzerdefinierte Designer. Gleich |
| wie bisher. Bringen Sie unsere |
| Spalten als Kovariaten, |
| Erstellen Sie ein Design mit allem ... |
| alle Interaktionen höherer Ordnung durchgeführt |
| wenn möglich mit hundert |
| läuft. Und jetzt sehen wir |
| unser Design für genau dieses |
| ungewöhnliche eingeschränkte Region |
| das ist optimal angesichts dieser |
| Einschränkungen. |
| Also lasse ich Sie mit diesem |
| Bild. Ich bin sehr gespannt |
| hören Sie, was Sie tun konnten |
| mit dem neuen Kandidatensatz |
| Designer. Hut ab vor dem DOE |
| Team für das Hinzufügen |
| überraschend nützlich und |
| flexible neue Funktion. Danke |
| Du. |
