756829_de-DE

liliconcom

Nutzung der Extrapolationssteuerungsfunktion in JMP® Pro 16 zur Optimierung realer Bergbauprozesse (2021-US-30MP-844)

Xinjie Tong, leitender Forschungsstatistiker, Dow

Ziel der Fallstudie ist die Bewertung von zwölf Schäumertypen hinsichtlich ihrer Leistung bei der Mineralgewinnung im Bergbau. Neben dem Schäumertyp umfassen die Eingangsvariablen auch die Partikelgröße (codierter Wert: 0, 0,35, 1) als kontinuierliche Variable und den Wassertyp (Typ A, Typ B, Typ C) als kategoriale Variable. Die Antwortvariable ist die Effizienz der Mineralgewinnung.

Mithilfe der Extrapolationssteuerung im Vorhersageprofiler wurde eine mögliche Extrapolation für Wassertyp B bei einer Partikelgröße von 1 basierend auf der regulierten T-Quadrat-Metrik beobachtet. Diese Extrapolation wurde durch ein Ungleichgewicht im DOE verursacht, da die Messung für Wassertyp B nur bei einer Partikelgröße von 0,35 durchgeführt wurde. Die Extrapolationssteuerung wurde aktiviert, um die Effizienz der Mineralgewinnung zu optimieren und zuverlässige optimale Lösungen zu erzielen.

Das Extrapolationsproblem verschwand, als das DOE erweitert und ausgeglichener wurde. Die Extrapolationssteuerung ermöglichte ein sofortiges Verständnis dafür, wie die Erweiterung eines unausgewogenen DOE die Benutzerfreundlichkeit des Vorhersagemodells erheblich verbessern konnte.

Automatisch generiertes Transkript ...

Lautsprecher	Transkript
Josh Staunton	Hi.
Xinjie Tong	hallo Josh.
Josh Staunton	hi, das ist spritzig.
Xinjie Tong	Ja, gut.
Josh Staunton	Vielen Dank, dass Sie sich dazu bereit erklärt haben. Ich bin gespannt auf Ihre Präsentation.
Xinjie Tong	Vielen Dank, wie können wir also anfangen?
	oder irgendetwas anderes, bevor wir anfangen.
Josh Staunton	ja, es gibt nur eine kurze Checkliste, die ich nur durchgehen wollte. Falls Sie also welche haben.
	Dein „Ich bin dein Telefon“, das immer noch irgendwie eingeschaltet ist.
Xinjie Tong	Nun ja.
Josh Staunton	ja, da ist eins.
Xinjie Tong	Tolle Erinnerung. Danke.
Josh Staunton	Und ich brauche nur eine kurze mündliche Bestätigung, dass Sie wissen, was hier aufgezeichnet wird, also dass Sie verstehen, dass dies für den JMP Discovery Summit aufgezeichnet wird.
	Konferenz und Sie werden, es wird öffentlich in der Job-Benutzer-Community verfügbar sein, um die Erlaubnis für diese Aufzeichnung und Verwendung zu erteilen.
	Ja, ja, okay, gut.
	Formalität, sie sind großartig und.
	Mir gefällt Ihr Hintergrund, alles sieht gut aus und ich schätze, das Einzige, was Sie tun, ist, ob Ihr Display auf 1920 mal 10 eingestellt ist.
Xinjie Tong	Eigentlich nicht.
	klar wissen.
Xinjie Tong	Anzeigeeinstellungen ganz schnell.
	Ich bin bei 119, 20 mal 1080.
Josh Staunton	Oh, perfekt.
Xinjie Tong	ja gut.
Josh Staunton	Ja, das ist es, perfekt, und Sie werden dies tun, indem Sie die Extrapolationskontrollfunktion und den optimierten Belohnungs-Mining-Prozess 2021 von JMP Pro 16 für 30 MP nutzen.
	Großartig, also werde ich es tun.
	Möchten Sie sehen, ob Sie mit der Präsentation beginnen können? Legen Sie einfach Ihre Folien bereit und …
	Wenn von Ihrer Seite alles gut aussieht, werde ich mein Video stoppen, stummschalten und es einfach an Sie weiterleiten.
Xinjie Tong	Also, wir können es ganz schnell versuchen, okay?
Josh Staunton	Wenn Sie präsentieren möchten, kann ich das einfach sicherstellen.
	Wir können Ihre Folien sehen.
Xinjie Tong	ja, ähm, also muss ich zuerst meinen Bildschirm freigeben.
	Ja.
Xinjie Tong	Und Sie sehen meinen Bildschirm.
	ja, okay, also, ich werde wahrscheinlich eine DEMO machen, aber wahrscheinlich nicht.
	Ich muss eine Demo machen. Wenn ich das mache, mache ich vielleicht nur das, ist das in Ordnung, und gehe dann zurück zu den Folien.
Josh Staunton	Genau, ja, das ist es, das ist in Ordnung.
	Und Sie wissen, dass wir im Video keine Bearbeitungen vornehmen werden, wir werden Teile herausschneiden, die Sie kennen.
	Aber damit Sie wissen, ob Sie einen Fehler machen, wenn Sie.
	Versuchen Sie einfach, es beizubehalten.
	irgendwie rollen wir da durch, wir sind hier alle Menschen, es ist okay, einen Fehler zu machen.
	Wenn Sie glauben, Sie wüssten es, aber wenn Sie wirklich glauben, dass es eine Katastrophe war, würden Sie es gerne sehen.
	Jetzt können Sie einfach.
	Wir können, wir können, wir können von vorne anfangen, es ist keine große Sache, aber ja, aber lassen Sie nicht zu, dass Sie ein kleiner Fehler stört, machen Sie einfach weiter.
	Das wird er sein.
	ja ja.
Xinjie Tong	Und ich glaube, die Präsentation dauert ungefähr 20 Minuten.
	Okay, das ist es.
	Die Anforderungen mögen.
Josh Staunton	Wissen Sie, ich bin nicht sicher, ob jeder ein bisschen anders ist, aber Sie wissen, dass ich das nicht tue.
	ja, mach dir nicht zu viele Gedanken über die Zeit, das sind eher Richtlinien, versuch es einfach, weißt du.
	Okay, Dan, holen Sie raus, was Sie recherchiert haben, dann können wir es uns ansehen.
Xinjie Tong	Okay, klingt gut. Wenn das der Fall ist, werde ich vielleicht mit der Präsentation beginnen.
Josh Staunton	ja, also ich werde mein Video starten und dann, ja, er wollte sich nur eine Minute Zeit nehmen, oder Sie können jederzeit beginnen, wenn Sie bereit sind.
Xinjie Tong	Oh, ich muss keine Produktion machen, stimmt das oder?
Josh Staunton	Nein, Sie könnten es einfach sagen, Sie könnten Ihren Namen sagen, und Sie wissen, was Sie durchmachen werden und.
	irgendwie hineinrollen.
Xinjie Tong	Okay, okay.
Josh Staunton	Okay, alles klar, ich schalte meine Kamera aus und gehe zu Ihnen, aber viel Glück, danke.
Xinjie Tong	Danke schön.
	Also, mein Name ist Xinjie Tong und in meiner Präsentation geht es darum, wie wir die Extrapolationssteuerungsfunktion in JMP Pro 16 bei einem realen Bergbauproblem einsetzen, bei dem wir versucht haben, die Effizienz der Mineralienentfernung im Bergbauprozess zu optimieren.
	Ich werde also eine Fallstudie zum Mining-Prozess vorstellen und dann etwas mehr über die ebenfalls erwähnte Extrapolationskontrollmetrik erfahren, wie wir unter Berücksichtigung der Extrapolation optimieren und wie das Extrapolationsproblem möglicherweise durch die Verwendung einer DOE-Erweiterung gelöst werden kann.
	Hier ist eine Folie, die die derzeit in JMP 16 Pro verwendeten Extrapolationskontrollmetriken vorstellt. Alle diese Informationen stammen aus dem Video in der JMP-Community.
	Hergestellt von SAS, wie Sie unten in der Referenz finden können. Es gibt also zwei Hauptmetriken, die in JMP verwendet werden.
	Einer davon ist der Hebel, der in linearen Plattformen verwendet wird, insbesondere wenn wir kleinste Quadrate anpassen. Es gibt noch einen weiteren
	Metrik namens regularisiertes Hotelling-T-Quadrat, das jetzt in nichtlinearen Plattformen wie GenReg, neuronalen partiellen kleinsten Quadraten, implementiert ist. Für die Hebelwirkung gilt also:
	Es ist eine Funktion der Designmatrix der Trainingsdaten sowie des Vorhersagepunkts. Es hängt also von der Modellform ab. Bei einem linearen Modell ist es außerdem proportional zur Vorhersagevarianz.
	Anders ist es jedoch beim regulierten T-Quadrat: Es handelt sich um eine unbeaufsichtigte Version, also nicht um eine Funktion irgendeiner Form des Modells.
	Und hier ist die Gleichung, die ich aus diesem Video geklaut habe.
	Dies ist das Beispiel, das auch aus diesem Video stammt, um zu zeigen, wie sich die Optimierung unterscheiden kann, wenn Sie eine Extrapolation im Auge behalten.
	Hier ist also ein Beispiel, bei dem wir drei Eingabevariablen haben und wie wir hier sehen können, weisen MaxPulse und RunPulse eine starke positive Korrelation auf.
	Wenn wir die Extrapolationskontrolle nicht berücksichtigen, wird uns das Modell sagen, dass der blaue Punkt das Optimum ist. Es befolgt jedoch nicht die Beziehung in den Trainingsdaten, daher ist es nicht sehr
	Zuverlässig. Das Modell extrapoliert. Wenn wir die Extrapolationssteuerung aktivieren, schlägt es diesen roten Punkt vor, der nun realistischer ist. Dies zeigt, wie die Extrapolationssteuerung die Entscheidungsfindung wirklich unterstützen und unrealistische Vorhersagen vermeiden kann.
	Ich werde nun über die Fallstudie sprechen, die ich während meiner Beschäftigung bei Dow kennengelernt habe. In dieser Fallstudie geht es um den Bergbauprozess. Unser Ziel war es, die Bergbaubedingungen zu optimieren, um die Effizienz der Mineraliengewinnung zu steigern.
	Wir haben 120 Zeilen in diesem Datensatz und wir haben drei Eingabevariablen und eine Ausgabevariable.
	Als Eingabevariable haben wir den Wassertyp, eine kategorische Variable mit drei Ebenen, also habe ich sie als Typ A, B und C codiert.
	Wir haben auch 12 Arten von Aufschäumern verwendet, und sie sind auch kategorisch. Wir haben eine numerische Variable, nämlich die Partikelgröße, und ich habe sie mit 0, 1 und auch 0,35 kodiert.
	Hier ist die Ausgabe die Entfernungseffizienz, ein Wert zwischen null und eins, und alle Werte sind hier codiert, um die eigentlichen Informationen zu schützen.
	Das Problem mit diesem Datensatz besteht darin, dass aufgrund der Entwurfsphase tatsächlich eine gewisse Kollinearität vorliegt. Wenn wir uns also diesen Grafik-Builder ansehen, können wir die Datenstruktur mithilfe des Graph Builders, einer Plattform in JMP, sehr einfach visualisieren.
	Hier habe ich den Aufschäumertyp als Umrandung verwendet, sodass sich jedes Kästchen auf einen Aufschäumertyp bezieht und wir dann die Partikelgröße auf der Y-Achse und den Wassertyp auf der X-Achse betrachten.
	Das Problem besteht also darin, dass wir bei Wasser der Klasse B nur eine Partikelgrößenstufe haben, nämlich die mittlere Stufe. Daher besteht eine Kolinearität, wenn wir versuchen, die Partikelgröße abzuschätzen.
	und interagiert mit Typ B. Es ist in diesem Fall also nicht schätzbar.
	Aufgrund dieses Ungleichgewichts oder einer gewissen Abhängigkeit treten Extrapolationsprobleme auf und hier kann uns die Extrapolationskontrollfunktion wirklich dabei helfen, jegliche Risiken aufgrund dieses unvollständigen Datensatzes zu vermeiden.
	Also habe ich das Modell mithilfe verschiedener Plattformen in JMP erstellt und verglichen, um die Metriken und ihren potenziellen Einfluss auf unsere Entscheidungsfindung zu ermitteln.
	Bevor ich ein Modell anpasse, beginne ich normalerweise mit der Designbewertung. Dies ist eine der Funktionen von JMP. Diese Plattform ermöglicht es uns, zu verstehen,
	Welche Terme können aus einem Datensatz geschätzt werden? Ich werde das kurz demonstrieren. Hier ist mein Datensatz. Ich habe drei Eingabevariablen und eine Ausgabevariable. Wir können zum DOE gehen.
	Designdiagnose und Designbewertung. Hier ist die Y-Antwort optional, daher ziehe ich meine drei Eingaben hierher und klicke auf „OK“.
	Und jetzt sagt es mir, dass es, wenn ich nur die Haupteffekte berücksichtige, diese schätzen kann und ich mir meine Diagnosen ansehen kann, wie etwa Ihre Vorhersagevarianz innerhalb des gesamten Raums ... Entwurfsraum und auch einige Diagnosen.
	Ich möchte jedoch die wechselseitigen Interaktionen schätzen. Wenn ich also auf wechselseitige Interaktionen klicke,
	Diese Warnung wird angezeigt und teilt mir mit, dass dieser Datensatz nicht zu allen Begriffen der Zwei-Wege-Interaktion passen kann und dass die Begriffe, die nicht geschätzt werden können, entfernt wurden.
	Und wenn wir hier nachsehen, stellen wir fest, dass die Interaktion zwischen Wassertyp und bestimmter Größe gelöscht wurde, und zwar aufgrund des Kolinearitätsproblems, das ich gerade erwähnt habe.
	Wenn wir hier nachsehen, werden wir feststellen, dass diese Diagnosen auf Grundlage der neuen Modellbegriffe aktualisiert wurden. Jetzt weiß ich, dass
	Aufgrund der Kollinearität kann ich nicht alle Terme schätzen. Ich kann daher nur mit den Termen beginnen, die in das Modell passen. Anschließend gehe ich zurück zu meinen Folien und beginne mit dem Aufbau des Modells.
	Das erste Modell, das ich angepasst habe, war innerhalb der GenReg-Plattform. Der Grund dafür ist meine Antwort, die eine Effizienz darstellt. Es ist ein Wert zwischen null und eins, und ich denke normalerweise an die Beta-Verteilung, die nur in diesem GenReg realisiert werden kann.
	In unserem Fall liegt die Verteilung zwar zwischen Null und Eins, aber sie ähnelt eher der Normalverteilung und es gibt keine hohe Frequenz in der Nähe von Null oder Eins, was die Verwendung der Normalverteilung problematisch macht.
	Ich habe also sowohl Beta- als auch Normalwerte in meinem Modell ausprobiert, das in dieses GenReg passt. Ich habe auch das vollständige Modell und die verschiedenen Methoden zur Modellreduktion ausprobiert. Also
	Ich habe AICc und BIC verglichen und festgestellt, dass ich eine Normalverteilung verwenden könnte und die Lasso-Reduktionsmethode im Vergleich zum vollständigen Modell einen kleineren AICc oder BIC ergibt. Das ist wahrscheinlich die Methode, mit der ich weitermachen werde.
	Aber jetzt können wir die Normalverteilung verwenden und mir ist klar geworden, dass wir tatsächlich dasselbe Modell anpassen können, aber auf unterschiedlichen Plattformen.
	Als Nächstes habe ich die Methode „Least Squares“ verwendet, eine lineare Plattform in JMP, und dort dasselbe Modell eingefügt.
	Jetzt kann ich den Hebel als Kontrollmaß für die Extrapolation verwenden, während ich bei GenReg das regulierte Hotelling-T-Quadrat verwendet habe. Jetzt kann ich also vergleichen, wie sich diese beiden Maße tatsächlich unterscheiden oder wie ähnlich sie sind.
	Kommen wir nun zum metrischen Vergleich und einigen Ergebnissen. Hier ist meine Karte, ich habe also mit demselben vollständigen Modell begonnen.
	Und ich habe das Modell innerhalb von GenReg angepasst und die Methode der kleinsten Quadrate angewendet, wo unterschiedliche Metriken verwendet wurden. Neben dem Vergleich der Metriken wollte ich auch sehen, wie sich die Leistung der Metriken ändert, wenn ich ein vollständiges Modell im Vergleich zu einem reduzierten Modell verwende, indem ich die Modellform ändere.
	Hier werde ich eine weitere Demo zeigen und wir können auch sehen, wie wir die Extrapolationssteuerungsfunktion in einem Profiler verwenden können. Ich werde also mit diesem GenReg beginnen, das dasselbe Skript ist.
	Nur damit Sie es wissen: Ich klicke auf den Modelldialog. Hier wurde das Modell eingerichtet. Effizienz für Y, diese Begriffe wurden im Evaluierungsdesign definiert und verwenden Beta oder Normal.
	Klicken Sie dann auf „Ausführen“. Ich habe also zwei Modelle gespeichert. Das erste ist die Normalverteilung mit Modellreduktion. Das zweite ist die Normalverteilung mit vollständigem Modell. Wenn wir also zunächst mit einem vollständigen Modell beginnen, können wir Folgendes tun: Klicken Sie hier, um den Profiler zu aktivieren.
	Und im Profiler
	neu ist, dass wir jetzt auf die Extrapolationssteuerung klicken und die Warnung ausschalten können.
	So, jetzt gibt es keine Details, also wenn ich die Details sehen möchte, muss ich schnell Details extrapolieren
	und es zeigt uns den Schwellenwert in der Metrik. Wenn wir uns also entlang der Partikelgröße bewegen können und die Metrik sich ändert, sie aber innerhalb des Schwellenwerts liegen, gibt es keine Warnung.
	Wenn wir jedoch zu Typ B übergehen, wo diese Kolinearität besteht, sehen wir diese mögliche Extrapolationswarnung bei sehr hoher oder sehr geringer Partikelgröße.
	Eine weitere Möglichkeit besteht darin, statt der Warnung direkt die Extrapolationssteuerung zu aktivieren. Dabei wird nur der Bereich angezeigt, in dem keine Extrapolation erfolgt.
	Nun möchte ich erwähnen, dass der Schwellenwert hier 16,3 beträgt. Was passiert, wenn wir ein reduziertes Modell anpassen? Ändert das den Schwellenwert und auch den Extrapolationsbereich? Jetzt kann ich zu meinem reduzierten Modell gehen und meinen Profiler aktivieren, den ich bereits aktiviert habe. Und hier ist ...
	Wenn ich auf „Extrapolationsdetails“ klicke und es aktiviere, sehen wir, dass es denselben Schwellenwert und denselben Extrapolationsbereich hat. Dieses regulierte T-Quadrat ist hier also unbeaufsichtigt und ändert sich nicht, wenn wir ein vollständiges Modell im Vergleich zu einem reduzierten Modell verwenden.
	Und wenn wir statt GenReg die Fit-Lease-Squares verwenden, eine lineare Plattform, kann der Hebel zur Modellextrapolation genutzt werden. Hier ist also mein vollständiges Modell. Ich klicke auf „Faktor-Profiling“ und aktiviere den Profiler.
	Ähnlich können wir hier auf die Extrapolationssteuerung klicken und die Warnung sowie die Extrapolationsdetails aktivieren.
	Hier ist der Schwellenwert also anders, weil er auf Grundlage einer anderen Gleichung berechnet wurde. Also ähnlich wie zuvor, Typ B ... Typ A und C haben keine Extrapolation, aber für Typ B ist es tatsächlich ... es gibt überall die extrapolierte Erwärmung.
	Wenn ich diesen Wert auf 0,35 setze, ist dies der einzige Punkt, bei dem keine Extrapolation stattfindet. Um das deutlicher zu zeigen, kann ich die Extrapolationssteuerung aktivieren. Dann sehen Sie, dass der Punkt, der B-Wasser enthielt,
	Es ist nur in der Lage, diese einzelne Partikelgröße vorherzusagen, die im Experiment beobachtet wurde. Das sagt uns also, dass
	Angesichts des Datensatzes und unter Verwendung der Hebelwirkung als Maßstab können wir keine andere Partikelgröße vorhersagen, wenn wir Wasser verwenden ... Wasser Typ B.
	Im Vergleich zum GenReg, bei dem das regulierte T-Quadrat verwendet wurde, ist dies strenger, da im anderen Szenario ein engerer Bereich vorhergesagt werden konnte. Und das liegt wiederum daran, dass dieses unbeaufsichtigt ist und sich dieses stärker an der Modellform orientiert.
	Hier haben wir also einen Schwellenwert von 0,5. Ich habe das reduzierte Modell ausprobiert, als ich Hebelwirkung nutzte. Der Schwellenwert wurde ebenfalls geändert, da er von der Modellform abhängt. Bei einem kleineren Modell ist also auch der Schwellenwert niedriger. Und hier ist die Vergleichstabelle.
	In diesem speziellen Fall sehen wir, dass die Hebelwirkung strenger ist als beim regulierten T-Quadrat.
	Jetzt interessierte mich, wie wir mit dieser Extrapolationskontrollfunktion optimieren können, denn das ist das Ziel unseres Projekts.
	Hier ist die endgültige Ausgabe. Sie zeigt alle Eingabevariablen. Der blaue Punkt ist der Punkt, den ich ohne Extrapolation optimiert habe. Er deutet auf diesen Punkt hin, der in den Daten nicht beobachtet wurde.
	Wenn wir jedoch die Extrapolationskontrolle in Betracht ziehen, deutet dies auf etwas hin, das den Trainingsdaten ähnlicher ist, und wir haben jetzt mehr Vertrauen … Vertrauen in sie.
	Wir können auch Visualisierungen mit und ohne Extrapolationskontrolle durchführen. Ich möchte das auch kurz demonstrieren.
	weil ich glaube, dass dies die Zukunft ist, die ich am meisten liebe, wenn wir uns zum Beispiel dazu entschließen würden ...
	Entschuldigung, ich werde dies zur besseren Veranschaulichung einfach schließen.
	Wenn wir uns also dazu entschließen, diesen Profiler zu verwenden, dieses Modell, können wir fortfahren und sicherstellen, dass wir die Extrapolationssteuerung aktivieren. Dann können wir auf „Zufallstabelle ausgeben“ klicken.
	Und dadurch werden alle potenziellen Bedingungen generiert, die das Modell ohne Extrapolation vorhersagen kann.
	Ich habe jetzt also 5.000 Läufe und kann hier klicken, um ganz einfach die Verteilung oder die Histogramme der einzelnen Parameter anzuzeigen.
	Wenn ich auf Typ A klicke, können wir sehen, dass das Modell den gesamten Bereich zwischen null und eins für die Partikelgröße vorhersagen kann.
	Ähnliches gilt für Typ C, aber wenn wir Typ B haben, kann dieser aufgrund dieses zusätzlichen … nur einen engen Bereich der Partikelgröße vorhersagen.
	Entschuldigung, Extrapolation. Hier können wir also wirklich unter Berücksichtigung der Extrapolationskontrolle optimieren und simulieren.
	Und außerdem können wir aus dieser Datei den Grafik-Builder verwenden
	und erstellen Sie dieses Diagramm, in dem wir sehen können, dass wir, wenn wir keine Extrapolationskontrolle haben, alle Bereiche haben, wobei die Farbe die Effizienz darstellt, die vorhergesagte Effizienz.
	Aber mit der Extrapolationssteuerung können wir nicht alle diese Bereiche vorhersagen und das ist eine sehr gute Visualisierung basierend auf dieser Simulationsfunktion.
	Meine letzte Frage wäre: Was passiert, wenn ich diese Bereiche wirklich schätzen möchte? Dazu müssen wir die Daten korrigieren oder erweitern, damit das Modell den gesamten Bereich vorhersagen kann. Wir können jetzt Daten erweitern, was ebenfalls zu den Funktionen von JMP gehört.
	Was wir also mit erweitertem Design tun können, ist, eine neue Blockvariable hinzuzufügen, sodass die neuen Läufe getrennt werden können … in einem zweiten Block gruppiert werden können.
	Außerdem können wir die Modellterme definieren, die wir schätzen möchten. Jetzt möchte ich alle wechselseitigen Interaktionen schätzen.
	Und hier ist eine Visualisierung der erweiterten Läufe, also die roten Punkte sind alle erweiterten Läufe und jetzt, da wir die Daten in
	Bei Wassertyp B kann das System alle Werte der Partikelgröße schätzen und es gibt kein Kollinearitätsproblem mehr. Und auch im Profiler sehen wir, dass bei Typ B der gesamte Bereich vorhergesagt werden kann.
	Hier ein paar Erkenntnisse. Es gibt viele Quellen für Extrapolation, z. B. wenn es Abhängigkeiten zwischen Eingabevariablen gibt oder wenn ein anderer Term vorliegt, den Sie nicht schätzen können, aber
	in Ihr Modell einbezogen werden. In jeder prädiktiven Modellierungswelt ist auch das maschinelle Lernen enthalten. Wir müssen die Extrapolationskontrolle berücksichtigen, da sie die Plausibilitätsprüfung darstellt
	Für die Welt der Vorhersagen und dank JMP 16 Pro ist diese Funktion für uns sehr einfach zu verwenden. Außerdem lässt sich sehr einfach zeigen, wie sich die Struktur des Datensatzes auf die Benutzerfreundlichkeit des Modells auswirkt. Also
	Deshalb habe ich diese hier erstellt und möchte sie mit der breiteren Community teilen, um zu zeigen, wie hilfreich diese Funktion ist. Das ist meine gesamte Präsentation. Hier sind die Referenz und ein Haftungsausschluss.
Josh Staunton	Großartig.
Xinjie Tong	Ist das okay?
Josh Staunton	Danke, das war großartig, ich liebe es.
	Ich liebe es, den Prädiktor in ihrem Profil zu sehen.
	Profil.
	Das war eine tolle Leistung, er hat alles ohne Probleme überstanden.
Xinjie Tong	Danke, danke, ich hoffe, es ist nicht zu viel.
	Nun, ich würde sagen, es ist für Anfänger, also ist es nicht sehr komplex.
Josh Staunton	Für mich war es so, als ob es ein kleiner Fortschritt wäre, aber nein, das war keine großartige Idee. Er fing an, über erweiterte Designs zu sprechen, das ist definitiv die nächste Stufe.
	Das.
	Ja, das ist so ziemlich alles. Wir werden, wie gesagt, das hier irgendwie herausschneiden, Sie wissen schon, die Vorder- und die Rückseite, und dann ist es noch nicht sicher, wann es voraussichtlich auf der Website erscheinen wird, aber es wird in Kürze dort sein.
	Nochmals vielen Dank, dass Sie sich die Zeit und Mühe genommen haben, dies mit uns zu teilen.
	Mit unserer Community.
Xinjie Tong	ja, natürlich.
	ja, klingt gut.
Josh Staunton	Alles klar, machen Sie's gut, und hoffentlich sehen wir uns bald bei einer dieser Veranstaltungen.
Xinjie Tong	Ja.
	Danke, ich freue mich darauf.
	Vielen Dank für die Gelegenheit.
Josh Staunton	Oh ja, vielen Dank, alles klar, tschüss.
Xinjie Tong	Tschüss, schönen Tag noch.
	Du auch.

Erweiterte statistische ModellierungAutomatisierung und SkriptingGrundlegende Datenanalyse und -modellierungVersuchsplanungPrädiktive Modellierung und maschinelles LernenQualitäts- und ProzesstechnikZuverlässigkeitsanalyse