いらっしゃいませ、 そして 感謝 あなた のために 接合 私の ポスター プレゼンテーション
で これ 年 ジャンプC 会議。
私の 名前 は ケイトリン・ショーキー ,
そして 私は a シニア 統計的 エンジニア で コーニング 法人化。
どうやって する あなた 得る a 垣間見る の a 製品 品質
前に それ 完了する その 生産 プロセス？
私たちは 選んだ に 建てる a モデル それ 意思 予測する その 製品 品質 結果
前に それ もっている 完了 その 全体 プロセス。
そこには は 二 選考科目 利点 の これ アプローチ。
1つ は その 操作 チーム
受け取る インスタント フィードバック の上 どうやって その 部品 意思 実行する
そして できる 調整する その プロセス で 本物 時間。
その 2番 は それ 私たちは できる デモ その 製品 許容できる または ない。
のように I ただ 言及された、 その 主要 客観的 の これ 仕事
は に 建てる a 予測的な モデル 使用して a 少し モデリング アプローチ
に 理解する そして 予測する 製品 品質
ベース の上 ある 製品 測定値。
私たちの 選考科目 手順 で 建物 これ モデル
は データ コレクション、 モデル 発達、 テスト そして 実装。
まず、 のために その データ コレクション 段階、 部品 は 収集された で その 終わり
の その 生産 ライン そして 適切な 製品 測定値 は 完了しました。
その 部品 は それから 対象 に その 品質 テスト。
その 製品 測定値 そして 品質 測定 結果
は 組み合わせた の中へ a データ セット そして 使用済み のために 建物 その モデル。
で これ 場合、 その 品質 測定 結果
は 組み合わせた の中へ a データ セット そして 使用済み のために 建物 その モデル。
で これ 場合、 その 品質 測定 は その 応答
そして 全て その 製品 測定値 は その 予測子。
その データセット 構成 767 予測因子 そして 990 観察 または 部品。
これ もの できる 取る a 長さ 時間 に 実行する。
以来 だった 建物 a モデル、 その 重要 に 得る として 大きい の a 範囲
の 製品 測定値 そして 品質 測定 結果 として 私たちは できる。
もし 私たちは 離れる これ その 正確さ そして モデル 予測
は もっと 一貫性のある 横切って その 範囲。
本質的には、 これ 許可する その モデル に 正確に 予測する で 全て レベル
の その 製品 品質 結果。
一度 その データセット は コンパイルされた、
それ は 徹底的に 検査された に 確保する それ は として クリーン として 可能。
後 その データ コレクション そして クリーニング、
その 2番 段階 の モデル 発達 は 開始しました。
のために これ、 私たちは 始める と 変数 クラスタリング。
ステップ による 回帰、 取り除く 非常に 相関関係 変数
そして 選択 その ほとんど 重要 もの。
と それで 多くの 予測因子 私たちは 最初に適用する 変数 クラスタリング。
これ 方法 許可する のために その 削減 で その 番号 の 変数。
変数 クラスタリング グループ その 予測因子、
その 変数 の中へ クラスター それ 共有 一般 特性。
それぞれ クラスタ できる なれ 代表される による a シングル 成分 または 変数。
A スニペット の その クラスタ まとめ から ジャンプ は 示されている、
どれの 示す それ 85 % の その 変化
は 説明 による クラスタリング。
クラスタ 12 もっている 49 メンバー、
そして V 232 は その ほとんど 代表 の それ クラスタ。
その 変数 それ は 特定された として その ほとんど 代表 もの
は それから 使用済み で その 次 方法 の 段階的に 回帰。
段階的に 回帰 は 使用済み
の上 その 特定された クラスター化された 変数 に 選択 その ほとんど 重要 1つ
に 私たち で その モデル、
そして さらに遠く 減らす その 番号 の 変数。
のために これ、 その フォワード 方向
そして 最小 修正済み AIC 停止 ルール は 使用済み。
その 方向 コントロール どうやって 変数 入力 そして 離れる その モデル。
その フォワード 方向 手段 それ 条項 は 入力された の中へ その モデル
それ 持っている その 最小 p値。
その 停止 ルール は 使用済み に 決定する どれの モデル は 選択されました。
その 修正済み AIC は ベース の上 ネガティブ 二、 法 の 可能性、
そして その モデル と その 最小 修正済み AIC は a 好ましい モデル。
から これ、 51 変数 は 入力された の中へ その モデル
の その 99 利用可能 変数
から その 変数 クラスタリング ステップ。
で これ ポイント、 私たちは 持っている 減少 その 番号
の 変数 から 767 に 51
使用して 変数 クラスタリング そして 段階的に 回帰。
その ファイナル 方法 は に フィット a 一般化された 回帰 モデル。
のために これ、 その 法 の 普通 分布
は 使用済み と 一つの 適応型 投げ縄 推定 方法。
のために これ、 その 長さ 普通 分布 は 使用済み
と 一つの 適応型 投げ縄 推定 方法。
その 法 の 普通 分布 は その 最高
フィット のために その 応答、 それで は 選ばれた に 使用 で その 回帰 モデル。
その 適応型投げ縄 推定 方法
は a 罰せられる 回帰 技術
どれの 縮小する その サイズ の その 回帰 係数
そして 減らす その 分散 で その 見積もり。
これ 役立つ に 改善する 予測的な 能力 の その モデル。
また その データ セット だった スプリット の中へ a トレーニング そして 検証 セット。
その トレーニング セット もっている 744 観察、 そして その 検証 セット もっている 246.
から これ、 その 結果として モデル 生産する a .81 一般化された R平方
のために その トレーニング セット そして .8 のために その 検証 セット。
これら R平方 は 許容できる のために 私たちの プロセス それ 私たちは 意思 今 評価する
その 正確さ そして 予測可能性 の その 結果として モデル。
今 それ 私たちは 持っている a モデル、 私たちは 必要 に レビュー その 正確さ
そして 予測可能性 に 見る もし それ だろう なれ 適切な に 使用 で 生産。
で やっている これ、
a グラフ は 生産された それ 比較する a 予測された 品質 測定
のために a 特定の 一部 に その 実際の 品質 測定。
で その グラフ xx ショー その 予測された 価値、
そして その yx ショー その 実際の。
また、 その 品質 測定 は バケット の中へ 三つ グループ
ベース の上 その 価値、 どれの は 表示されている
による その 三つ 色 の上 その グラフ。
で 一般的な、 その モデル 予測する その 品質 測定良好。
それ する 現れる それ その モデル 5月 フィット より良い
で その より低い 製品 品質 範囲
よりも その アッパー、 どれの 5月 なれ 期限 に もっと 観察 で その より低い 範囲。
として 言及された、 その 品質 測定
だった バケット の中へ 三つ 違う カテゴリー ベース の上 その 価値。
これ だった また 終わり のために その 予測的な 品質 測定。
のために それぞれ 観察、 もし その 品質 測定 カテゴリ
は その 同じ として a 予測された 測定 カテゴリ、
それ は 割り当てられた に 1つ。
もし ない、 それ は 割り当てられた に ゼロ。
のために 両方 その トレーニング そして 検証 セット、 その 平均 の これら もの そして ゼロ
は 計算された そして は 使用済み として その 精度 測定。
私たちは 見る それ トレーニング セット もっている 一つの 正確さ の 87.5%
そして その 検証 セット もっている 一つの 正確さ の 84％。
のために その モデル に なれ 移動した に その テスト 段階、
正確さ しなければならない なれ その上 a ある 制限、
そして 両方 の これら 正確さ 価値観 は。
これ 意思 許可する 私たち に 動く に その テスト 段階 の その プロジェクト。
で 追加、 私たちは 見て で その 混乱 マトリックス
に 視覚化する その 正確さ の その モデル
による 比較する その 実際の に その 予測された カテゴリー。
理想的には、 その オフ 対角線 の それぞれ マトリックス すべき なれ 全て ゼロ、
と その 対角線 から トップ 左 に 底 右 含む 全て その カウントします。
その 行列 見せる の上 その ポスター それ その より高い カウント は 平行
それ 対角線 と より低い 数字 で その オフ 対角線、
しかし 矛盾 まだ 存在する の間で その 三つ カテゴリー。
のために 例、 で その トレーニング セット、 そこには は 29 インスタンス どこ その 実際の
品質 測定 の その 三つ だった 予測された として a 二。
で その 同じ 場合 のために その 検証 セット、 そこには は 12.
その 混乱 マトリックス 役立つ に 理解する どこ これら 矛盾 は
それで さらに遠く 調査 できる なれ 終わり そして 改善 作った。
全体 けれど、 その モデル もっている 一つの 正確さ その上 それ 必要 制限、
どこ 私たちの 次 ステップ だろう なれ その テスト そして 実装 段階。
今 それ 私たちの モデル は を通して その 発達 段階、
その 時間 に テスト それ で ライブ 状況。
のために これ、 その モデル は 使用済み 下 エンジニアリング コントロール
に 決定する どうやって 良い それ 予測する その 品質 測定
で 小さい、 制御された 実験。
これ は 終わり による その エンジニアリング チーム
と サポート から その プロジェクト チーム いつ 必要。
一度 その エンジニアリング チーム は 満足 と これ テスト、
その モデル は 完全に 実装された の中へ 生産 そして 監視 以上 時間。
で 結論、 これ モデル 発達 プロセス
もっている 許可された 私たち に 建てる
予測的な モデル のために その 生産 プロセス。
その 方法 の 変数 クラスタリング、
段階的に 変数 選択 で 一般化された 回帰
だった その ほとんど 適切な そして 最高 学生 に 使用
のために これ 応用。
と さらに遠く 研究 そして 調査、
他の 方法 できた なれ 潜在的に 適用済み
に 改善する モデル パフォーマンス 平 もっと。
から a 生産 立場、 その 利点 の これ モデル
は それ その 操作 チーム 意思 受け取る インスタント フィードバック の上 どうやって a 一部
または グループ の 部品 意思 実行する、 そして できる 摂取する その 曲
そして 曲 その プロセス で 本物 時間。
私たちは できる また 考える その 製品 許容できる または ない。
もし 拒否された、 その 製品 は 処分された の そして 意思 ない 続く を通して その プロセス、
どれの 以上 時間 減らす 生産 コスト。
最後に、 私は のように に 与える a 巨大な 特別 感謝 あなた
に ズヴォーノと 雨 そして その 全体 プロジェクト チーム
で コーニング社。
感謝 あなた のために 接合 そして リスニング に 私の ポスター プレゼンテーション。
