Accueillir, et remercier toi pour adhésion mon affiche présentation
à ce années JMP C conférence.
Mon nom est Kaitlin Shorkey ,
et Je suis a senior statistique ingénieur à Corning Incorporée.
Comment faire toi obtenir a aperçu de a produit qualité
avant il complète le production processus?
Nous choisi à construire a modèle que volonté prédire le produit qualité résultat
avant il a complété le entier processus.
Là sont deux majeur avantages de ce approche.
Un est le opérations équipe
reçoit instantané retour sur comment le parties volonté effectuer
et peut ajuster le processus dans réel temps.
Le deuxième est que nous peut dem le produit acceptable ou pas.
Comme I juste mentionné, le principal objectif de ce travail
est à construire a prédictif modèle en utilisant a peu modélisation approches
à comprendre et prédire produit qualité
basé sur certain produit mesures.
Notre majeur mesures dans bâtiment ce modèle
sont données collection, modèle développement, essai et mise en œuvre.
Tout d’abord, pour le données collection phase, parties sont collecté à le fin
de le production doubler et approprié produit mesures sont complété.
Le parties sont alors soumis à le qualité test.
Le produit mesures et qualité mesures résultats
sont combiné dans a données ensemble et utilisé pour bâtiment le modèle.
Dans ce cas, le qualité mesures résultats
sont combiné dans a données ensemble et utilisé pour bâtiment le modèle.
Dans ce cas, le qualité mesures est le réponse
et tous le produit mesures sont le prédicteurs.
Le ensemble de données consiste 767 prédicteurs et 990 observations ou parties.
Ce truc peut prendre a long temps à exécuter.
Depuis étaient bâtiment a modèle, c'est important à obtenir comme grand de a gamme
de produit mesures et qualité mesures résultats comme nous peut.
Si nous partir ce le précision et modèle prédictions
sont plus cohérent à travers le gamme.
Essentiellement, ce permet le modèle à avec précision prédire à tous niveaux
de le produit qualité résultats.
Une fois le ensemble de données est compilé,
il est soigneusement examiné à assurer il est comme faire le ménage comme possible.
Après le données collection et nettoyage,
le deuxième phase de modèle développement est commencé.
Pour ce, nous commencer avec variable regroupement.
Étape par régression, retirer très corrélé variables
et sélectionner le la plupart important ceux.
Avec donc beaucoup prédicteurs nous postulez en premier variable regroupement.
Ce méthode permet pour le réduction dans le nombre de variables.
Variable regroupement groupes le prédicteurs,
le variables dans groupes que partager commun caractéristiques.
Chaque grappe peut être représenté par a célibataire composant ou variable.
A fragment de le grappe résumé depuis JMP est montré,
lequel indique que 85 % de le variation
est expliqué par regroupement.
Grappe 12 a 49 membres,
et V 232 est le la plupart représentant de que grappe.
Le variables que sont identifié comme le la plupart représentant ceux
sont alors utilisé dans le suivant méthode de étape par étape régression.
Étape par étape régression est utilisé
sur le identifié groupé variables à sélectionner le la plupart important un
à nous dans le modèle,
et plus loin réduit le nombre de variables.
Pour ce, le avant direction
et minimum corrigé AIC arrêt règle est utilisé.
Le direction contrôles comment variables entrer et partir le modèle.
Le avant direction moyens que termes sont entré dans le modèle
que avoir le le plus petit valeur p.
Le arrêt règle est utilisé à déterminer lequel modèle est choisi.
Le corrigé AIC est basé sur négatif deux, loi de probabilité,
et le modèle avec le le plus petit corrigé AIC est a préféré modèle.
Depuis ce, 51 variables sont entré dans le modèle
de le 99 disponible variables
depuis le variable regroupement étape.
À ce indiquer, nous avoir réduit le nombre
de variables depuis 767 à 51
en utilisant variable regroupement et étape par étape régression.
Le final méthode est à ajuster a généralisé régression modèle.
Pour ce, le loi de normale distribution
est utilisé avec un adaptatif lasso estimation méthode.
Pour ce, le long normale distribution est utilisé
avec un adaptatif lasso estimation méthode.
Le loi de normale distribution est le meilleur
ajuster pour le réponse, donc est choisi à utiliser dans le régression modèle.
Le lasso adaptatif estimation méthode
est a pénalisé régression technique
lequel rétrécit le taille de le régression coefficient
et réduit le variance dans le estimation.
Ce aide à améliorer prédictif capacité de le modèle.
Aussi le données ensemble était diviser dans a entraînement et validation ensemble.
Le entraînement ensemble a 744 observations, et le validation ensemble a 246.
Depuis ce, le résultant modèle produit a .81 généralisé R-carré
pour le entraînement ensemble et .8 pour le validation ensemble.
Ces R-carrés sont acceptable pour notre processus que nous volonté maintenant évaluer
le précision et prévisibilité de le résultant modèle.
Maintenant que nous avoir a modèle, nous besoin à revoir c'est précision
et prévisibilité à voir si il serait être approprié à utiliser dans production.
Dans faire ce,
a graphique est produit que compare a prédit qualité mesures
pour a spécifique partie à le réel qualité mesures.
Dans le graphique le xx spectacles le prédit valeur,
et le yx spectacles le réel.
Aussi, le qualité mesures est en seau dans trois groupes
basé sur c'est valeur, lequel est montré
par le trois couleurs sur le graphique.
Dans général, le modèle prédit le qualité puits de mesure.
Il fait apparaître que le modèle peut ajuster mieux
dans le inférieur produit qualité gamme
que le supérieur, lequel peut être exigible à plus observations dans le inférieur gamme.
Comme mentionné, le qualité mesures
était en seau dans trois différent catégories basé sur c'est valeur.
Ce était aussi fait pour le prédictif qualité mesures.
Pour chaque observation, si le qualité mesures catégorie
est le même comme a prédit mesures catégorie,
il est attribué à un.
Si pas, il est attribué à zéro.
Pour les deux le entraînement et validation ensembles, le moyenne de ces ceux et zéros
est calculé et est utilisé comme le précision à mesure.
Nous voir que entraînement ensemble a un précision de 87,5%
et le validation ensemble a un précision de 84%.
Pour le modèle à être déplacé à le essai phase,
précision doit être au-dessus de a certain limite,
et les deux de ces précision valeurs sont.
Ce volonté permettre nous à se déplacer à le essai phase de le projet.
Dans ajout, nous regarder à le confusion matrice
à visualiser le précision de le modèle
par comparer le réel à le prédit catégories.
Idéalement, le désactivé diagonales de chaque matrice devrait être tous zéros,
avec le diagonale depuis haut gauche à bas droite contenant tous le compte.
Le matrices montrer sur le affiche que le plus haut compte sont le long de
que diagonale avec inférieur Nombres dans le désactivé diagonale,
mais divergences toujours exister parmi le trois catégories.
Pour exemple, dans le entraînement ensemble, là sont 29 cas où le réel
qualité mesures de le trois était prédit comme a deux.
Dans le même cas pour le validation ensemble, là sont 12.
Le confusion matrice aide à comprendre où ces divergences sont
donc plus loin enquêtes peut être fait et améliorations fait.
Dans l'ensemble cependant, le modèle a un précision au-dessus de que nécessite limite,
où notre suivant étape serait être le essai et mise en œuvre phases.
Maintenant que notre modèle est à travers le développement phase,
c'est temps à test il dans en direct situations.
Pour ce, le modèle est utilisé sous ingénierie contrôle
à déterminer comment Bien il prédit le qualité mesures
dans petit, contrôlé expérience.
Ce est fait par le ingénierie équipe
avec soutien depuis le projet équipe quand nécessaire.
Une fois le ingénierie équipe est satisfait avec ce essai,
le modèle est pleinement mis en œuvre dans production et surveillé sur temps.
Dans conclusion, ce modèle développement processus
a autorisé nous à construire
prédictif modèles pour le production processus.
Le méthodes de variable regroupement,
étape par étape variable sélection dans généralisé régression
étaient le la plupart approprié et meilleur étudiants à utiliser
pour ce application.
Avec plus loin recherche et enquête,
autre méthodes pourrait être potentiellement appliqué
à améliorer modèle performance même plus.
Depuis a production point de vue, le avantage de ce modèle
est que le opérations équipe volonté recevoir instantané retour sur comment a partie
ou groupe de parties volonté effectuer, et peut ingérer le régler
et régler le processus dans réel temps.
Nous peut aussi considérer le produit acceptable ou pas.
Si rejeté, le produit est disposé de et volonté pas continuer à travers le processus,
lequel sur temps réduit production frais.
Dernièrement, Identifiant comme à donner a énorme spécial remercier toi
à Zvouno et Pluie et le entier projet équipe
à Corning Incorporated.
Remercier toi pour adhésion et écoute à mon affiche présentation.
