Hallo, alle. Danke für Kommen Zu unser Video. Mein Name Ist Ryan Parker, Und Heute Ich bin gehen Zu gegenwärtig mit Ton Marktschreier um manche neu Werkzeuge Das Wir haben hinzugefügt Zu analysieren Spektral Daten mit Die Funktionalität Daten Forscher In JMP Pro 17. Erste, I Nur gesucht Zu Start aus mit manche von Die motivierend Daten Sätze Das geführt uns Zu hinzufügen diese neu Werkzeuge. Sie sind Wirklich motiviert von diese chemometrisch Anwendungen, dürfen definitiv Sei angewandt Zu andere Bereiche, Aber für Beispiel, Wir haben Das Spektroskopie Daten Wo Die Erste Ding Du könnte beachten mit Das Ist wir haben bekommen a viel von Daten Punkte abgetastet, Aber Wir Auch haben manche sehr scharf Gipfel In unser Daten. Das ist gehen Zu Sei a wiederkehrend Thema Wo Wir haben a brauchen Zu Wirklich identifizieren diese scharf Merkmale Das Die bestehende Werkzeuge Wir haben In JMP Sind a wenig schwierig Zu Wirklich erfassen diese. Für Beispiel, war Denken um Zusammensetzung von Materialien oder Wie Wir dürfen erkennen Biomarker Und Daten. Diese Sind drei spektroskopisch Beispiele Das Also sehen bei.
Ein anderer Beispiel von Daten Das Ist von Interesse Ist Das Masse Spektrometrie Daten. Hier war Denken um a Masse Zu Aufladung Verhältnis Das Wir dürfen verwenden Zu Konstrukt a Spektrum Wo Die Gipfel In Die Spektrum, sie sind repräsentieren Proteine Das Sind von Interesse In Die Bereich von Anwendung. Eins Beispiel Ist Vergleichen diese Spektren zwischen anders Patienten, sagen a geduldig mit Krebs oder a geduldig ohne, Und Die Standort von diese Proteine Ist sehr wichtig Zu identifizieren Unterschiede In diese zwei Gruppen.
Ein anderer Beispiel Ist Chromatographie Daten. Hier Wir dürfen denken um war mit manche chemisch Mischung über, war mit a Material das ist gehen Zu helfen uns quantifizieren relativ Beträge von Die verschieden Komponenten Das Sind In diese Mischungen. Von mit Die Zurückbehaltung Zeit In Das Verfahren, Wir dürfen versuchen Zu identifizieren Die anders Komponenten. Für Beispiel, Wenn Du nicht wissen Das, I War nicht bewusst bis I gestartet Zu arbeiten mit Das Daten, versuchen Zu imitieren Olive Öl Ist a groß handeln. Wir dürfen verwenden diese Daten Sätze Zu Figur aus, Okay, was ist a WAHR Olive Öl, oder was ist Nur manche andere Gemüse Öl Das jemand könnte Sei versuchen Zu passieren aus als ein Olive Öl?
Der Erste Ding I wollen Zu Tun Ist gehen durch manche von Die neu Vorverarbeitung Optionen Das wir haben hinzugefügt Zu helfen arbeiten mit spektral Daten vor Wir erhalten Zu Die Modellieren Bühne. Wir haben a neu Werkzeug angerufen Die Standard Normal Vielfalt, a multiplikativ streuen Korrektur Wo Du haben Wenn Du haben Licht streuen In dein Daten, Die Savitzky-Golay-Filter, welche Ist Die Glättung Schritt Wann Du haben spektral Daten Das Also erhalten hinein. Endlich, a neu Werkzeug Zu durchführen a Basislinie Korrektur für Die Daten Zu entfernen Trends Das du bist nicht Wirklich interessiert In Das Du wollen Zu erhalten aus Erste.
Okay, Also was ist Standard Normal Variante? Momentan In JMP, Wir haben Die Fähigkeit Zu Nur standardisieren dein Daten In FDE. Aber Wann Du verwenden Das Werkzeug, es ist Nur Einnahme Die bedeuten von alle von Die Funktionen Und a global Varianz Und Skalierung Es Das Weg, Aber mit Standard Normal Variante, war Denken um Die Person bedeutet Und Abweichungen von jede von Die Funktionen Zu standardisieren Und entfernen diese Effekte vor Wir gehen Zu Analyse. Wann immer Ich bin An Die Rechts Hier, nach Durchführung Die Standard Normal Variante, Wir dürfen sehen, Okay, Dort War manche gesamt bedeutet Und Jetzt sie sind alle zusammen Und beliebig Überschuss Varianz Ist genommen aus vor Wir gehen Zu Analyse.
Multiplizieren von streuen Korrektur Ist Die nächste Schritt, Und es ist ein Alternative Zu Standard Normal Variante. In manche Fälle du bist Denken du bist gehen Zu... Wann immer Du verwenden Es, Du Mai Ende hoch mit ähnlich Ergebnisse. Der Unterschied Hier Ist Die Motivation für mit multiplizieren von streuen Korrektur. Das ist Wann Du haben Licht streuen, oder Du denken Du könnte haben Licht streuen Weil von Die Weg Das Du gesammelt Die Daten.
Was passiert Ist für jeder Funktion, war gehen Zu fit Das einfach linear Modell Wo wir haben bekommen a Neigung Und ein abfangen, Und war gehen Zu verwenden diese geschätzt Koeffizienten Zu Jetzt standardisieren unser Daten Das war gehen Zu arbeiten mit. Wir subtrahieren aus Die abfangen Und teilen von Die Neigung, Und Jetzt Wir haben Die standardisiert Version. A gewinnen, Du dürfen Ende hoch mit ähnlich Ergebnisse als Standard Normal Varianz.
Jetzt Die nächste Vorverarbeitung Schritt Ich bin gehen Zu Abdeckung Ist Die Savitzky-Golay-Filter. Wann Du haben spektral Daten, vor Wir erhalten Zu Die Modellieren Bühne, Die neu Modellieren Werkzeuge Wir haben, sie sind entwickelt In solch a Weg Das sie sind versuchen Zu wählen hoch alle Die wichtig Stücke von Die Daten. Wenn Du haben Lärm, Wir brauchen Zu Tun a Schritt Wo Wir glatt Das Erste. Das ist Wo Die Savitzky-Golay-Filter kommt In. Was war tun Ist war gehen Zu fit ein Ende- Grad Polynovial über a angegeben Bandbreite Das Wir dürfen wählen Zu helfen versuchen Zu entfernen beliebig Lärm aus Die Daten. In FDE, momentan, war gehen Zu gehen voraus Und wählen diese am besten Parameter für Du, Die Grad Und Die Breite Zu versuchen Zu minimieren Die Modell Fehler Das Wir erhalten.
Eins Ding I Tun wollen Zu Punkt aus Ist Das Wir Tun erfordern a regulär Netz Zu gib uns Das Betrieb, welche Wille kommen hoch wieder In Die Zukunft, Aber FDE Ist gehen Zu erstellen eins für Du. Wir Auch haben Das reduziert Netz Option verfügbar Wenn Du wollen feiner Kontrolle Erste vor Du verlassen An uns Herstellung Das Auswahl für Du. Der Hübsch Ding um Das Savitzky-Golay-Filter Ist Weil von Die Weg Die Modell Ist fit, Wir Jetzt haben Zugang Zu Derivate. Das Ist etwas Das hat kommen hoch vor Zu spektral Daten, Und Jetzt Das Wir haben Das, wir haben bekommen a Hübsch Weg für Du Zu Zugang Und arbeiten mit Modellieren diese Derivat Funktionen.
Der zuletzt eins I wollen Zu Abdeckung Ist Die Basislinie Korrektur. Was Basislinie Korrektur Ist tun Ist es ist Denken um Dort könnte Sei gesamt Trends In unser Daten Das Wir wollen Zu erhalten loswerden von. Das Daten Satz An Die Rechts hat Nur a sehr klein Unterschiede wie linear Unterschied In Die Funktionen. Was war Denken um Ist, Okay, Wir nicht Wirklich wollen Zu Pflege um Das, Wir wollen Zu erhalten loswerden von Es. Was Das Werkzeug Ist gehen Zu erlauben Du Zu Tun Ist wählen Die Basislinie Modell Das Du wollen. Ich n Das Fall, es ist Nur a Wirklich einfach linear Modell, Aber Du Mai haben manche Wo du hast bekommen exponentiell oder logarithmisch Trends Das Du wollen Zu erhalten loswerden von. Und Also Wir haben Das verfügbar. Dann Du dürfen wählen dein Korrektur Region.
Für Die am meisten Teil, du bist gehen Zu wollen Zu richtig Die gesamte Funktion, Aber Es Mai Sei möglich Das Vielleicht nur Die Anfang oder Die Ende von Die Funktion Ist Wo Du wollen Zu richtig. Wir Ende hoch mit diese Basislinie Regionen Das Sind diese Blau Linien. Wenn Wir klicken Das hinzufügen Taste, es wird geben uns a Paar von Blau Linien. War gehen Zu ziehen diese um Zu Teile von Die Funktion Das Wir glauben Sind real. Alle Die Gipfel In diese Daten Ist etwas Das Wir nicht Wirklich wollen Zu berühren. Das Ist Die Teil von Die Funktionen Das Wir wollen Zu halten Und analysieren Und Ist gehen Zu geben Die Information Das war interessiert In. Auch Wenn Du wählen Das innerhalb Region, irgendetwas das ist innerhalb diese Regionen Ist Was Wille erhalten korrigiert. Du bist entweder gehen Zu Tun eins oder Die andere, Rechts? Du bist gehen Zu entweder verlassen Es allein oder du bist gehen Zu ändern nur innerhalb Das In diese Daten Sätze.
Endlich, Du nicht sehen Es Hier, Aber Du dürfen Auch hinzufügen Anker Punkte. Es Mai Sei, abhängig An dein Daten, einfach Zu Nur angeben a wenige Punkte Das Du wissen Das beschreibt Die gesamt Trend. Wann Du klicken hinzufügen, du wirst erhalten a Rot Linie, Und das ist gehen Zu erzählen Du Das, wo immer I ziehen Das Linie, es ist definitiv gehen Zu Sei inklusive In Die Modell vor I richtig Die Basislinie. Wann Du klicken Okay Hier, du wirst Nur Ende hoch mit a neu Daten Satz Das hat Die Trend ENTFERNT.
Okay, Also Das bringt uns Zu Die Modellieren Bühne. Was wir haben hinzugefügt für JMP Pro 17 Sind Wavelet Modelle. Okay, Also Was Sind Wavelet Modelle? Sie Sind Basis Funktion Modelle, nicht wie irgendetwas Wir haben momentan In JMP, Aber Sie dürfen haben sehr dramatisch Merkmale. Was diese Merkmale Sind tun Sind Portion uns wählen hoch diese scharf Gipfel oder diese groß Änderungen In Die Funktion. Wir Auch haben Die einfach Ihr Wavelet, welche Ist Nur a Schritt Funktion. Wenn Es dreht sich aus Das etwas Wirklich einfach Ist wie Die Schritt Funktion passt am besten, Wir Wille geben Du Das als Also. Du dürfen sehen Wir haben a wenige anders Optionen Das Sind Wirklich... Wenn Du denken um Biegen diese Wavelets Und Dehnen ihnen aus, das ist Wie Wir Sind Modellieren Die Daten Zu Wirklich wählen hoch alle diese Merkmale von Interesse.
Zu Nur motivieren Das, I wollen Zu zeigen Du Die aktuell gehen- Zu In JMP, welche Ist a B- Spline Modell, welche hat a sehr schwierig Zeit Kommissionierung hoch An diese Merkmale ohne beliebig Hand- Abstimmung. B- Spline Modell Ist tun a wenig bisschen besser. Es Trotzdem hat manche Probleme Kommissionierung hoch Die Gipfel, Aber Es könnte In manche Wege Sei Die am besten. Direkt funktional PCA, tun fast als Gut als P-sp Linien, Aber nicht ganz. Dann Wir haben Wavelets. War Wirklich Kommissionierung hoch Die Gipfel Die am besten. In Das besondere Daten Satz, es ist nicht Beschlag ihnen perfekt, Aber Wir würde denken suchen bei Diagnostik, Die Wavelet Modell Ist definitiv Die eins Wir würde wollen Zu gehen mit.
Wieder, Wir haben diese fünf anders Wavelet Modell Typen, Und Was war gehen Zu Tun Ist Also fit alle diese für Du Also Das Du nicht haben Zu Sorge um Kommissionierung Und wählen. Draußen von Die Ihre Wellen, alle von Die andere Wavelet Typen haben a Parameter. Wir haben a Netz Das Wir Sind gehen Zu suchen über für Du In Zusatz Zu Die Typ.
Jetzt Es Mai Sei möglich Das Dort Sind manche Fälle Wo Benutzer haben sagte, Hey, Das besondere Wavelet Typ Ist genau Wie Mein Daten sollen Sei vertreten, Also Du dürfen ändern Die Standard Modell, Aber von Standard, war gehen Zu wählen Die Modell das ist gehen Zu optimieren Das Modell Auswahl Kriterien, Die AISC. Wirklich Was Du dürfen denken um Hier Ist Dort könnte Sei potenziell a viel von Parameter In jeder eins von diese Wavelet Modelle. War effektiv mit a Lasso Modell Zu versuchen Zu entfernen aus beliebig Parameter Das Wirklich Nur sind nicht Beschlag Die Daten. Wir erhalten a spärlich Darstellung, NEIN Gegenstand Die Wavelet Modell. Wir gesehen Das früher Wo Wir haben Zu haben unser Daten An Die Netz. Es ist Die Dasselbe Ding mit Wavelets. Wenn Du Nur Start gehen durch Die Wavelet Modelle Und dein Daten Sind nicht An Die Netz, Also erstellen eins für Du. Aber wieder, Nur gesucht Zu Punkt aus Du dürfen verwenden Das reduzieren Netz Option Zu haben feiner Kontrolle.
Okay, Also etwas anders Das Wir zeigen Das dürfen helfen geben Du manche Einblick hinein Wie diese Modelle arbeiten Ist Das Koeffizient Handlung. Was es ist erzählen uns Ist Das X Achse Ist Die Normal X von Die Eingang Raum von dein Funktion, Aber Die Y Achse Ist Die Auflösung. Diese Spitze Auflösungen Hier, du bist Denken um gesamt bedeutet. Als Wir erhalten hinein diese hoch Beschlüsse, diese Sind Die Dinge Das Sind Happening Wirklich schließen zusammen. A Rot Linie bedeutet es ist a Negativ Koeffizient. Blau bedeutet es ist positiv. Sie sind skaliert Also Das sie sind alle interpretierbar gegen jede andere. Der größten Linien geben Du Die Idee Wo Die größten Koeffizienten Sind. Wir dürfen sehen Das Die höher Frequenz Artikel Sind Wirklich Hier bei Die Ende von Die Funktion. Wir haben manche gesamt Trends, Aber Nur etwas Zu denken um Das diese Wavelet Modelle Sind suchen bei anders Auflösungen von dein Daten.
Etwas anders Das wir haben hinzugefügt vor Wir erhalten Zu unser Demo mit Ton Ist Wavelets DAMHIRSCHKUH. In FDE, Wir haben a funktional DAMHIRSCHKUH Das Ist Arbeiten mit funktional Rektor Komponenten. Wenn Du nicht wissen diese Sind, das ist Okay. Alle Du brauchen Zu wissen Ist Das mit Wellen, Wir haben Koeffizienten für alle von diese Wavelet Funktionen. In Das DAMHIRSCHKUH Analyse, war Denken um Modellieren Die Koeffizienten direkt. Der Auflösung erzählt Du ein Idee von Wenn es ist a hoch- Frequenz Artikel oder niedrig- Frequenz Artikel. Dann Das Nummer In Die Klammern Ist erzählen Du Die Standort. Du dürfen denken, Okay, diese Artikel Hier Sind In Die Dreien, Und das ist Wo manche von Das höchste Merkmale war Das Wir gesehen In Das Koeffizient Handlung. Diese haben Was war Berufung Die höchste Energie.
Energie In Das Fall Ist Nur... Wenn Wir Punktzahl alle Die Koeffizienten, Wir hinzufügen ihnen hoch, Du dürfen denken von Das Sein als Die gesamt Energie. Also Das Energie Nummer Hier Ist a relativ Energie Und Geben Du ein Idee von Wie viel Energie Es Ist erklären In Die Daten. Der Hübsch Ding Wirklich um mit Die Koeffizient Ansatz Ist diese haben direkt Interpretation Rechts Zu Die Standort Und Zu Die Auflösung. Ein Alternative Das Du dürfen versuchen Und vergleichen gegen funktional PCA oder funktional DAMHIRSCHKUH Wenn Du haben Das Interpretierbarkeit von Die Koeffizienten. Jetzt I denken Krank Hand Es über Zu Ton. Er ist bekommen a Demo für Du Zu sehen Wie Du verwenden diese Modelle In JMP Pro.
Danke, Ryan. Lasst uns nehmen a sehen bei ein Beispiel Das Wir gefunden. Ryan erwähnt knapp Die Olive Öl Daten Satz Das Wir gefunden. Es ist a Probe von 120 anders Öle. Am meisten von ihnen Sind Olive Öle, manche von ihnen Sind Mischungen oder Gemüse Öle. Was Wir gesucht Zu sehen Ist, dürfen Wir verwenden Das hoch- Leistung flüssig Chromatographie Daten? Kann Wir verwenden Das Information Zu klassifizieren Die Öl? Kann Wir sehen bei Die Spektralland sagen Das Ist ein Olive Öl oder Das Ist nicht ein Olive Öl?
Diese Daten kam aus von a Studie aus a Universität In Spanien, Und Ryan Und I gelernt a viel um Olive Öl In Die Verfahren. Für Beispiel, Olive Öl Ist Genau genommen a Obst Saft, welche I tat nicht wissen. Lasst uns nehmen a sehen bei unser Daten. Jede Reihe In unser Daten Satz Ist a anders Olive Öl oder andere Öl, Und Die Reihen darstellen Die Spektren. Also verwenden Die Funktionalität Daten Forscher, Und es wird nehmen Nur a zweite Zu fit Die Wavelet Modelle. Y du wirst sehen Hier, Wir fit unser anders Wavelets. Als Ryan erwähnt früher, Wir versuchen a Hand voll von anders Wavelets Und Wir geben Du Die am besten eins.
In Das Fall, Die Simlet 20 War Die am besten Wavelet In Bedingungen von Wie Also Es passt unser Daten. Wir dürfen sehen Hier Wo wir haben überlagert diese tailliert Wavelets mit Die Daten Das Das Wavelet Modell passt Wirklich Also. L und sagen Du hatte a bevorzugt Wavelet Funktion Das Du gesucht Zu verwenden stattdessen, Du dürfen stets klicken um In Das Bericht Und es wird aktualisieren welche Wavelet war verwenden. Wenn Wir gesucht Die Simlet 10 stattdessen, alle Du haben Zu Tun Ist klicken An Das Reihe In Die Tisch, Und Also schalten Zu Die Simlet 10 stattdessen. Lasst uns gehen zurück Zu Die 20 Und Also nehmen a sehen bei unser Koeffizienten.
In Die Wavelet Bericht, Wir haben Das Tisch von Wavelet Koeffizienten. Als Ryan War Spruch früher, diese geben uns Information um Wo Die Gipfel Sind In Die Daten. Der weiter Wavelet, Wir denken um Das wie ein abfangen, Also das ist wie ein gesamt bedeuten. Dann jeder eins von diese Wavelet Koeffizienten mit a Auflösung Ist... Es Linien hoch mit a anders Teil von Die Funktion. Das Auflösung eins Ist Die niedrigste Frequenz Auflösung, Und Es geht alle Die Weg hoch Zu Auflösung 12. Diese Sind viel höher Frequenz Auflösungen.
Als Du dürfen sehen, wir haben auf Null gesetzt a viel von diese aus. In Tatsache, Das ganz Block von Wavelet Koeffizienten Ist auf Null gesetzt aus. Das Nur geht Zu zeigen Das war Glättung. Wenn Wir gebraucht alle von diese Beschlüsse, Es würde neu erstellen Die Funktion perfekt, Aber Wir null ihnen aus Und Das gibt uns a viel glatter Funktion. Wir fit Die Wavelet Modell Zu unser spektral Und Wir denken Wir haben a Gut Modell. Lasst uns nehmen diese Koeffizienten Und war gehen Zu verwenden diese Zu vorhersagen ob oder nicht ein Öl Ist Olive Öl. Ich habe bekommen Das In a anders Daten Satz.
Jetzt Ich habe importiert alle von diese Wavelet Koeffizienten hinein a neu Daten Satz Und Ich habe kombiniert Es mit Was Typ von Öl Es Ist. Es ist entweder Olive Öl oder es ist andere, Und wir haben bekommen alle von diese Wavelet Koeffizienten Das war gehen Zu verwenden Zu vorhersagen Das. Der Weg Wir Tun Das Ist mit Die verallgemeinert Regression Plattform. War gehen Zu Modell Die Typ mit alle von unser anders Wavelet Koeffizienten. Seit es ist a binär Antwort, Wir wählen Die Binomial- Verteilung, Und war interessiert In Modellieren Die Wahrscheinlichkeit Das ein Öl Ist Olive Öl. Weil Wir nicht wollen Zu verwenden alle von diese Wavelet Koeffizienten, war gehen Zu verwenden Die Lasso Zu Tun Variable Auswahl.
Jetzt wir haben gebraucht Die Lasso Und wir haben bekommen a Modell mit Nur 14 Parameter. Von alle von diese Wavelet Koeffizienten Das Wir berücksichtigt für unser Modell, Wir nur Wirklich benötigt 14 von ihnen. Wir dürfen nehmen a sehen, wir haben auf Null gesetzt aus a viel von diese Wavelet Koeffizienten. Lasst uns nehmen a sehen bei Die Verwirrung Matrix. Verwenden unser Modell, Wir Genau genommen perfekt vorhergesagt ob oder nicht eins von diese Öle Ist ein Olive Öl oder es ist etwas anders. Das ist hübsch Gut. Wir nahm unser Wavelet Koeffizienten Und Wir ausgewählt Die 13 am meisten wichtig Weil eins von diese 14 Parameter Ist Die abfangen. Wir nur benötigt 13 von diese Wavelet Koeffizienten Zu vorhersagen welche Öl Wir hatte.
In Tatsache, Wir dürfen nehmen a sehen bei Wo diese Wavelet Koeffizienten fallen An unser Funktion. Was Wir haben Hier Ist Wir haben Die Durchschnitt Olive Öl Spektralin Blau Und Die andere Öle In Rot, Und jede von diese gestrichelt Linien Linien hoch mit Die Koeffizienten Das Wir gebraucht. Manche von diese Wirklich machen a viel von Sinn. Für Beispiel, hier ist eins von Die Wavelet Koeffizienten Das Ist wichtig, Und Du dürfen sehen Das es gibt a groß Unterschied In Die Olive Öl verfolgen Und Die andere Öl.
Ebenfalls, über Hier, Wir dürfen sehen Das es gibt a groß Unterschied zwischen Die zwei Dort. Du dürfen sehen durch Und sehen Das a viel von diese Standorte Wirklich Tun machen Sinn. Es macht Sinn Das Wir dürfen verwenden Das Teil von Die Kurve Zu diskriminieren zwischen Die anders Typen von Öl. Wir Nur Gedanke Das War a Wirklich Cool Beispiel von mit Wavelets Zu vorhersagen etwas anders. Nicht Das Olive Öl ist nicht Spaß, Aber Ryan Und I beide haben jung Kinder Und war beide groß Fans von Die Welt.
Wir Auch gefunden a neu Welt Daten Satz Wo jemand hatte aufgezeichnet Warten mal für eins von Die beliebt Fahrten bei Disney Welt. Es ist angerufen Die Sieben Zwerge Geist Zug . Es ist a Rolle Untersetzer bei Disney Welt. Jemand hatte aufgezeichnet Warten mal hindurch Die Tag für mehrere Jahre Wert von Daten. I Auch erwähnt diese Sind a Teilmenge von Die Daten. Eins von Die Probleme Ist Die Parks Sind offen für anders Beträge von Zeit jede Tag, Und manche von Die Beobachtungen Sind fehlen. Wir Teilmenge Es runter Und bekommen Es Zu a mehr überschaubar Daten Satz. I würde sagen Das Das Beispiel Ist inspiriert von real Daten, Aber es ist nicht genau real Daten einmal Wir massiert Es a wenig bisschen.
Wenn Wir Graph unser Daten, Wir dürfen sehen... Der horizontal Achse Hier Ist Die Zeit von Tag, Und Die Vertikale Achse Ist Die Warten Zeit. In Die Mitte von Die Tag, Die Warten Zeit für Das Fahrt neigt Zu Sei Die höchste. Wir dürfen sehen um bei anders Tage von Die Woche. Sonntag, Montag Ist a wenig bisschen mehr beschäftigt. Dienstag Ist a wenig weniger beschäftigt, Samstag Ist Die am meisten beschäftigt. Wir dürfen Tun Die Dasselbe Ding suchen bei Die Jahre. Das Ist 2015, 2016, 2017. Es Aussehen wie jeder Jahr es ist bekommen länger Und länger Warten mal bis etwas passiert In 2021. I denken Wir alle wissen Warum Warten mal bei ein Amüsement Park würde Sei weniger In 2021. Wir haben bekommen ein Idee Das Du dürfen verwenden Das Information, wie Tag von Die Woche, Jahr Und Monat, Zu vorhersagen Was Das Warten Zeit Kurve Wille sehen wie. Lasst uns sehen Wie Wir Tun Das In FDE.
Krank Nur laufen Mein Skript Hier. Was wir haben Erledigt Ist Also kommen Zu Die Speisekarte Und fragen Zu fit unser Wavelet Modell. Es dauert Nur a zweite, Aber Wirklich nicht Das lang Zu fit mehrere Jahre Wert von Daten. Das Zeit war nicht mit Die Simlet mehr. War mit Das Daubechies Wavelet Funktion. Was Ryan erwähnt früher War Die Wavelet DAMHIRSCHKUH Besonderheit. Jetzt, Was I nicht zeigen War Das wir haben Auch geladen Zeit von Die Tag von Die Woche Und Die Jahr Und Die Monat In Die FDE. War gehen Zu verwenden diese Variablen Zu vorhersagen Die Wavelet Koeffizienten. Lasst uns gehen Zu Die Rot Dreieck Speisekarte Und Also fragen für Wavelet DAMHIRSCHKUH.
Jetzt, Was Ist Happening hinter Die Szenen Ist war mit Tag von Die Woche, Monat, Und Jahr Zu vorhersagen diese Wavelet Koeffizienten, Und Dann Wir setzen Es alle zurück zusammen Also Das Wir dürfen sehen Wie Die vorhergesagt Warten Zeit Änderungen als a Funktion von diese ergänzend Variablen. Jetzt, von Kurs, Wir zusammenfassen Es In a Hübsch Profiler. Wir dürfen Wirklich schnell sehen Die Effekte von Monat. Wenn war Nur gehen von Die Durchschnitt Warten Zeit von Das besondere Fahrt, Wir dürfen sehen Das September neigt Zu haben Die niedrigste Warten Zeit. Wir dürfen Wirklich schnell sehen Die COVID Wirkung. Der Warten mal war Hier In 2019, Und Dann Wann Wir ging nach vorne Zu 2020, Sie Wirklich fallen gelassen. Du dürfen sehen um Zu sehen welche Tag von Die Woche neigt Zu Sei weniger beschäftigt, welche Monate sind weniger beschäftigt. Ich t's Wirklich a Cool Weg Zu sehen bei Wie diese Warten mal ändern als a Funktion von anders Faktoren. Dank Du für Aufpassen. Das ist alle Wir haben für Heute Und Wir Hoffnung du wirst geben Die Wavelet Merkmale In FDE a versuchen. Danke.
