你好， 我是 克里斯 Gotwalt 與 跳轉， 和 我的 共同 主持人， 約瑟夫 的 馬蒂諾 從 托普索 , 和 I 是 給予 a 推介會 那 告訴 這 故事 的 a 數據 分析 專案 那 展示櫃 這 新的 小波 分析 在 這 功能 數據 探索者， 一 的 這 最多 令人興奮的 新的 能力 在 跳轉 17.
這 案件 學習 開始 和 a 產品 配方 問題 在哪裡 最高額 你是 通緝 到 設計 a 催化劑 那 最佳化 二 回覆 但 這 回應 是 在 衝突 和 一 其他 在 那 改善 一 回覆 常 來 在 這 費用 的 這 其他。
A 候選人 為了 這 最佳的 權衡 曾是 成立 和 模型 合身 經過 這 廣義的 回歸 平台， 和 這 最佳的 因素 設定 是 成立 使用 這 可取性 函數 在 這 分析器。 這 曾是 a 相當 標準 美國能源部 分析。 但 在 添加 到 這 測量 回覆 近紅外光譜 光譜 是 採取 從 一些， 但 不是 全部 的 這 樣本 批次。 這 是 資訊 那 能 是 用過的 到 給 a 線索 到 這 研發 團隊 關於 什麼 這 化學 結構 的 這 理想的 配方 應該 看 喜歡。
在 添加 到 這 一般註冊 模型 的 這 回覆 我們 也 用過的 小波 模型 作為 這 基礎 功能 的 a 功能 美國能源部 分析 的 這 光譜 使用 這 美國能源部 因素 作為 輸入。 我們 是 然後 有能力的 到 得到 a 合成的 光譜 的 這 最佳的 配方 經過 堵漏 在 這 最佳的 因素 設定 成立 在 這 最初的 分析 的 這 二 批判的 回應。
前 去 進入 這 推介會， I 想 到 觀點 出去 那 在 這 開始 的 這 專案, 約瑟夫 曾是 非常 新的 到 跳轉 和 沒有 有 a 背景 在 這 類型 的 統計 分析。 約瑟夫 學到了 全部 他 需要 到 做 這 分析 在 他的 自己的 後 a 夫妻 的 網路 會議 和 我。
這 明顯地 節目 他是 a 聰明的 傢伙， 但 也 那 跳轉 使 學習 如何 到 做 一些 非常 複雜的 數據 分析 專案 快的 和 簡單的。 現在 我是 去 到 手 這 展示 超過 到 約瑟夫。
感謝 你， 克里斯。 這裡 是 一些 背景 關於 我們的 專案. 它是 a 催化劑 發展 專案. 所以， 我們 是 發展 許多 不同的 食譜。 每個 食譜 有 a 獨特的 放 的 生產 參數， 和 一次 這 樣本 是 準備好了， 我們 表徵 它 在 我們的 分析 實驗室 在 托普索。 和 最後， 我們 做 a 表現 測試。
期間 這 表現 測試， 我們 看 為了 二 價值觀 那 這裡 我們 稱呼 回覆 1 和 回覆 2. 在 這 具體的 案件， 我們 是 嘗試 到 最小化 回覆 1 一會兒 最大化 回覆 2. 那 將要 帶領 我們 到 這 理想的 空間 在 這 頂部 左邊 角落 的 這 圖形。 但 作為 你 能 看， 這 55 樣品 那 我們已經 經過測試 得到 卡住 在 這 中間 的 這 圖形。 那 是 因為 回應 1 和 回應 2 是 間 相關的， 意義 那 改善 一 來 和 這 開支 的 這 其他。
所以， 我們 移動 到 跳轉， 和 我們 嘗試 到 看 在 我們的 回覆 數據 和 我們的 特性 數據， 嘗試 到 看 如果 我們 能 移動 離開 從 這 線 在 這 中間 的 這 圖形。 我們 已識別 二 目標 區域 那 我們 想 到 抵達， 和 一起 和 克里斯， 我們 想法 關於 使用 跳轉 到 創造 a 模型 那 會 連接 這 生產 參數 到 這 回覆 值。 T 母雞 我們 更遠 看起來 進入 我們的 紅外線的 光譜學 數據 到 嘗試 到 證實 我們的 模型 和 到 得到 一些 額外的 資訊 關於 這 目標 樣品。
這裡 是 一個 概述 的 這 數據 放。 我們 有 製作 112 樣品。 每個 樣本 有 a 獨特的 放 的 生產 參數。 我們 有 分析 全部 這 樣品 使用 紅外線的 光譜學。 我們 有 一 光譜 為了 每個 樣本。
然後 我們 有 用過的 許多 其他 特性 科技 那 我們 有 在- 房子 那 帳戶 為了 21 更多的 列 的 數據。 最後， 我們 有 經過測試 一半 的 這 樣品 和 那 帳戶 為了 這 最後的 二 列 那 我們 稱為 回覆.
在 這 開始 的 我們的 專案, 我們 實際上 通緝 到 包括 這 紅外線的 光譜 數據 在 我們的 更大 數據 放， 和 那是 為什麼 我們 通緝 到 使用 跳轉， 因為 現在 我們 有 這 新的 小波 模型 可能性。 和 那 會 使能夠 我們 到 包括 這 主要的 成分 未來 從 這 小波 模型 在 我們的 數據 放。 和 我們 可以 使用 那 到 創造 模型 在 跳轉。 但 前 我們 開始 我們的 分析， 我們 需要 到 有 a 看 在 這 專業版 數據 到 尋找 異常值。 我們 做 那 經過 點選 分析 和 這 多變數 方法， 多變量。
H 還 我們 能 選擇 我們的 生產 參數 和 特性 數據 作為 Y 列， 和 我們 得到 這 散點圖 矩陣。 這 是 一個 例子 的 只是 尋找 在 這 生產 參數 在 什麼 我們 會 確認 作為 一個 異常值。 我們 能 看 那 那裡 是 a 放 的 點 在 生產 參數 也 那 是 遠的 離開 為了 全部 這 其他 點。 此外， 我們 有 背景 知識 關於 這些 樣品 那 我們 知道 不會 是 最佳的 為了 我們的 催化劑 發展， 所以 我們 決定 到 正確的 點選 和 說 「排， 隱藏 和 排除。 」
我們 做過 這 也 和 其他 點 尋找 在 這 散點圖 指標 的 全部 這 特性 數據。 現在 那 我們 有 已清理 向上 這 數據， 我們 能 合身 a 模型。 我們 點選 分析 和 合身 模型， 和 我們 選擇 這 生產 參數 作為 變數 在 我們的 模型。 我們 點選 宏 和 回覆 表面 到 創造 a 第二 多項式 組合 的 這些 變數。 然後 我們 選擇 我們的 回應 作為 Y 值。
然後 我們 決定 到 使用 廣義的 回歸。 H 還 克里斯 能 添加 一些 更多的 資訊 關於 為什麼 我們 決定 到 使用 這 具體的 類型 的 模型。
我們 用過的 a 二次函數 回覆 表面 模型 因為 這 設計 有 三 或者 更多的 等級 為了 每個 因素， 所以 I 知道 那 我們 會 是 有能力的 到 合身 曲率 條款 如果 必要的 和 也 是 有能力的 到 合身 相當 a 種類 的 不同的 交互作用 條款。 我們 使用 這 廣義的 回歸 平台 因為 它 做 模型 選擇 和 非 高斯 分佈 喜歡 這 紀錄 普通的。 在 我的 觀點， 那裡 不是 許多 原因 不是 到 使用 這 廣義的 回歸 平台 如果 你 有 跳轉 專業版 因為 它 是 所以 簡單的 到 使用 儘管 在 許多 方法 存在 所以 很多 更多的 強大的 為了 美國能源部 分析 比 這 其他 選項 在 跳轉 和 跳轉 贊成。
後 那， 我們 能 選擇 我們的 分配。 我們 知道 那 這 回應 是 去 到 是 嚴格 積極的， 所以 我們 選擇 這 紀錄 普通的 分配 和 然後 我們 點選 跑步， 和 我們 說 不。
在 這 滑動， 我們 能 看 那 我們 有 現在 創建 a 模型， 但 我們 有 也 這 可能性 的 創造 其他 類型 的 模型 使用 不同的 估計 方法。 我們 決定 到 使用 最好的 子集。 這裡， 克里斯 能 添加 一些 更多的 字 關於 它。
出色地， 所以 這裡 我們 使用 最好的 子集 選擇 因為 這 滿的 模型 不是 可怕 大的， 所以 為什麼 不是 嘗試 每一個 可能的 子集 的 那 滿的 模型 和 尋找 這 一 那 提供 這 絕對 最好的 權衡 之間 準確性 和 模型 簡單？
在 這 其他 手， 有 那裡 到過 八 或者 更多的 因素， I 會 有 用過的 a 快點 演算法 喜歡 向前 選擇 或者 修剪 向前 選擇 因為 和 更大 根據 模型， 它 會 拿 a 非常 長的 時間 到 合身 每一個 可能的 子模型 到 這 數據。 是 去 到 是 使用 這 人工智慧 模型 選擇 標準 到 比較 一般註冊 模型。
這 人工智慧 允許 你 到 比較 模型 和 不同的 效果 在 他們 作為 出色地 作為 不同的 回覆 分佈。 和 這 AICc， 更小 價值觀 是 更好的 和 這 規則 的 大拇指 I 使用 是 那 如果 a 模型 有 一個 人工智慧 價值 那 是 之內 4 的 這 最小 人工智慧 價值 看到， 然後 那些 二 模型 是 幾乎 完全相同的 在 品質 的 合身。
如果 這 二 模型 有 人工智慧 價值觀 之內 10 的 每個 其他， 然後 他們 是 統計上 相似的 到 一 其他。 這 主要的 觀點 這裡 存在 那 如果 我們 有 二 模型 和 他們的 AICc的 不同 經過 更多的 比 10， 然後 這 數據 是 漂亮的 強烈 建議 那 這 一 和 這 更小 人工智慧 是 這 更好的 模型 到 是 在職的 和。
作為 和 任何 個人 統計， 你 應該 看法 這 A 積體電路 作為 a 建議。 如果 你的 主題 事 經驗 強烈 建議 一 模型 超過 這 其他， 你 可能 想 到 相信 你的 本能 和 忽略 這 推薦 的 這 A 國際刑事法院。
一次 我們 有 創建 這 新的 模型， 我們 能 看 那 這 非 零 參數 有 現在 掉落 從 16 到 九。 如果 我們 想 到 比較， 如果 這 模型 有 改進， 我們 能 看 在 這 A 積體電路 值。 我們 能 看 那 那裡 是 一個 改進 的 更多的 比 10， 哪個 是 一個 重要的 不同之處。 所以， 我們 決定 到 去 和 這 最好的 子集。
我們 做過 這 相同的 為了 回應 2， 和 然後 我們 已移動 在。 現在 我們 能 點選 在 這 紅色的 箭 和 說 分析器。 在 這 分析器， 我們 能 玩 大約 和 這 生產 參數 和 看 如何 這 模型 是 期待 回應 1 和 回應 2 到 改變。 這 是 已經 a 偉大的 工具 為了 這 科學家 到 理解 如何 這 模型 是 期待 這 回應 到 各不相同， 但 我們 能 做 更多的。 我們 能 點選 在 最佳化 和 可取性 和 可取性 功能。
自從 從 滑動 一， 我們 知道 那 我們 有 二 目標 那 我們 想 到 抵達， 我們 能 改變 這 可取性 功能 到 匹配 那些 目標。 所以 我們 雙倍的 點選 在 這 可取性 功能和 我們 說 匹配 目標 和 選擇 這 目標 區域 那 我們 想 到 抵達。 最後， 我們 能 點選 再次 在 最佳化 和 可取性 和 說 最大化 可取性。
這裡， 這 分析器 將要 嘗試 到 抵達 這 最佳的 點 為了 這 生產 參數。 到 總結， 我們 能 說 那 現在 我們 有 這 第一的 模型， 我們 去 從 生產 參數 到 回應 和 我們 有 放 二 目標 那 我們 想 到 抵達。 這 方式 我們 能 得到 理想的 生產 參數 那 我們 能 交流 到 這 發展 團隊 和 他們 能 使用 到 移動 在 在 他們的 研究。
在 這 第二 部分 的 這 推介會， 我是 去 到 演講 關於 如何 我們 使用 這 和 光譜。 這裡 我們 有 a 文件 為了 每個 光譜 和 所以 我們 需要 到 點選 在 文件 和 進口 多種的 文件。 然後 我們 需要 到 指定 那 我們 想 這 文件 姓名 到 是 柱狀 在 這 數據 放 和 然後 我們 能 使用 這 樣本 姓名， 哪個 是 這 姓名 的 這 文件 作為 一個 ID 到 連接 它 到 這 其他 桌子 在哪裡 我們 有 全部 這 數據。 我們 點選 在 這 柱子 和 說 關聯 參考。
現在 那 這 二 表 是 已連接， 我們 能 點選 分析 和 專業化 造型 和功能性 數據 探險家。 在 這 功能 數據 探索者， 我們 想 到 使用 這 強度 價值 作為 這 Y 輸出。 我們 能 使用 這 樣本 姓名， 矩陣 姓名 作為 我們的 ID 功能。
然後 這 是 非常 重要的。 我們 使用 這 生產 參數 作為 補充 數據。 和 這 重量 數位 是， 的 課程， 這 X- 軸。 和 我們 說， 「好的， 這裡 我們 能 看 那 這 數據 是 已經 乾淨的。 」 我們 進口 全部 這 光譜 和 這 數據 看起來 乾淨的 因為 我已經 完畢 這 預處理 外部 的 跳轉。 I 用過的 Python 因為 我是 更多的 熟悉的 和 那 和 那裡 是 a 非常 好的 模組 那 是 有能力的 到 消除 這 背景 和 減少 這 範圍 那 我們 想 到 看 在。
跳轉 曾是 好的 到 工作 和 作為 一個 額外的 工具 後 這 再加工。 然後 我們 決定 到 點選 在 模型 和 小波。 我們 移動 從 離散的 數據 到 連續的 數據。 現在 我們 能 也 看 在 這 診斷 地塊。 這 是 為了 你， 克里斯， 到 進行交談 關於。
它是 a 好的 主意 到 看 在 實際的 經過 預測 劇情 作為 你 繼續 透過 a 功能 數據 分析。 這些 有 這 實際的 觀察到 價值觀 在 這 數據 在 這 Y 軸 和 這 預測 價值觀 在 這 X 軸。 我們 想 這 預測 價值觀 到 是 作為 關閉 到 這 實際的 價值觀 作為 可能的。 A 陰謀 喜歡 這 一 那 是 緊的 沿著 這 45 程度 線 表示 那 我們 有 a 好的 模型。
現在， 一些 的 你 可能 是 擔心的 關於 過度擬合 自從 這 預測 合身 這 數據 所以 出色地。 在 我的 經驗， I 沒有 成立 那 到 是 a 問題 在 這 基礎 功能 配件 和 功能 主要的 成分 步驟 的 功能 美國能源部 分析。 ID 也 喜歡 到 觀點 出去 那 在 跳轉 17， 我們已經 額外 a 很多 的 新的 特徵 為了 光譜 預處理 喜歡 標準 普通的 變體， 乘法 分散 更正， 和 Savitzky-Golay濾波器 . 那些 的 你 那 不 知道 Python 有 使用權 到 這些 能力 在 跳轉 專業版 17.
後 那， 我們 能 也 有 a 看 在 這 功能 主成分分析 分析。 這裡， 出色地 花費 一些 更多的 字 在 它。
後 這 小波 模型 是 合身， 跳轉 專業版 自動地 做 a 功能 主要的 成分 分析 的 這 小波 模型。 這 分解 這 光譜 進入 一個 全面的 意思是 光譜和 a 線性 組合 的 形狀 成分 和 係數 那 是 獨特的 到 每個 樣本 光譜。 什麼時候 我們 做 這 功能 美國能源部 分析， 一般註冊 自動地 適合 模型 到 這些 係數 在後面 這 場景 和 結合 這 導致 模型 和 這 意思是 功能 和 這 形狀 成分 到 預測 這 形狀 的 這 光譜 在 新的 價值觀 的 這 輸入 參數。
如果 我們 看 在 這 主要的 成分 分析， 我們 能 看 那 這 小波 模型 有 創建 a 意思是 功能 的 全部 這 光譜 那 我們已經 放 作為 輸入， 和 然後 它 有 創建 不同的 形狀 功能。 我們 決定 到 停止 在 六。 什麼 這 形狀 功能 描述 是 這 變化 的 這 數據 那 我們 是 分析。
作為 你 能 看 從 這 左邊， 這 第一的 形狀 功能 是 會計 為了 72 % 的 這 變化， 儘管 這 第二 是 會計 為了 22 %。 一起， 這 帳戶 稱為 六 帳戶 為了 99.5 % 的 這 變化。 作為 一個 例子， 我們 能 看 在 主要的 成分 2、 和 我們 能 看 那 大約 3,737， 那裡 是 a 減少。 那裡 是 a 減。 那 方法 那 增加 這 主要的 成分 2 將 減少 這 頂峰 在 3,737。
這 是 只是 一個 例子 到 說 那 已經 從 這些 六 形狀 函數， 我們 能 得到 a 很多 的 資訊. 如果 我們 有 主題 事 知識， 關於 這 紅外線的 光譜學 和 這 催化劑 系統。 已經 這裡， 我們 花費 相當 a 很多 的 時間 尋找 在 這 主要的 成分， 但 這 是 不是 什麼 我們 是 去 到 重點 在 在 這 下一個 幻燈片。
什麼 我們 想 到 看 在 反而 是 這 功能 美國能源部 分析。 這裡 我們 有 作為 出色地 a 分析器， 但 我們 能 現在 插頭 這 生產 參數 那 我們 得到 從 這 第一的 模型 那 我們 發達。 所以， 會心 這 目標 生產 參數 那 我們 想 到 使用， 我們 能 產生 a 偽造的 光譜 或者 合成的 光譜， 我們 能 稱呼 它。 這 是 a 光譜 的 a 樣本 那 曾是 絕不 生產。 它 可以 是 錯誤的， 但 它 能 給 一些 想法 到 這 科學家 關於 什麼 你 會 預計 到 得到 從 這些 新的 生產 參數。
到 和 向上， 我們 能 說 那 現在 我們 移動 從 生產 參數 到 紅外線的 光譜。 我們 有 a 第二 模型 那 用途 這 小波 模型 到 產生 合成的 光譜。 I 想像 這 到 是 喜歡 什麼時候 你是 烘焙 a 蛋糕， 現在 你 有 這 食譜 但 你 得到 也 a 快照 圖片 的 這 最終的 蛋糕。 它 沒有 解釋 你 如何 到 做 它 但 它 添加 資訊 關於 什麼 你 想 到 達到。
最後， 我們 能 移動 從 模型 到 測試。 那 方法 那 我們 能 給 這 研發 團隊 a 新的 食譜 和 也 這 合成的 光譜 的 那個食譜。 一起 和 這 資訊, 他們 能 嘗試 到 發展 這 新的 催化劑 和 看 如果 這 模型 是 已驗證 或者 是 錯誤的。
其他 事物 這 團體 能 做 是 看 後退 在 這 以前的 樣品。 現在 我們 有 一半 的 這 樣品 那 是 不是 已測試。 那些 是 這 黑色的 點 在 這 滑動。 我們 能 看 為了 異常值。 是 那裡 a 樣本 那 可以 執行 真的 好的 那 我們 沒有 看起來 在？ 我們 實際上 有 一。 所以 那是 其他 測試 我們 能 做。
尋找 在 未來 工作， I 額外 這 滑動 那 曾是 在 這 開始 只是 到 說 那 我們 專注 在 這 生產 參數 和 這 和 光譜， 但 我們 沒有 真的 看起來 在 這些 21 更多的 列 的 特性 數據。
在 這 未來， 我們 可以 花費 一些 時間 嘗試 到 確認 這 最多 預測 參數 在 這些 21 列 和 創造 或許 a 新的 模型 從 這 特性 數據 到 這 回覆 和 使用 這 模型 作為 a 篩檢 模型 到 避免 測試 樣品 那 會 不是 執行 作為 好的。 那是 這 結尾 的 這 推介會。
