欢迎， 和 感谢 你 为了 加入 我的 海报 推介会
在 这个 年 跳转C 会议。
我的 姓名 是 凯特琳·肖基 ,
和 我是 a 高级的 统计 工程师 在 康宁 屬於。
如何 做 你 得到 a 一瞥 的 a 产品 质量
前 它 完成 这 生产 过程？
我们 选择 到 建造 a 模型 那 将要 预测 这 产品 质量 结果
前 它 有 完全的 这 全部的 过程。
那里 是 二 主要的 好处 的 这 方法。
一 是 这 运营 团队
接收 立即的 反馈 在 如何 这 部分 将要 履行
和 能 调整 这 过程 在 真实的 时间。
这 第二 是 那 我们 能 民主 这 产品 可接受 或者 不是。
喜欢 I 只是 提及， 这 主要的 客观的 的 这 工作
是 到 建造 a 预测 模型 使用 a 很少 造型 方法
到 理解 和 预测 产品 质量
基于 在 肯定 产品 测量。
我们的 主要的 步骤 在 建筑 这 模型
是 数据 收藏， 模型 发展， 测试 和 执行。
首先， 为了 这 数据 收藏 阶段， 部分 是 集 在 这 结尾
的 这 生产 线 和 合适的 产品 测量 是 完全的。
这 部分 是 然后 受到 到 这 质量 测试。
这 产品 测量 和 质量 测量 结果
是 合并 进入 a 数据 放 和 用过的 为了 建筑 这 模型。
在 这 案件， 这 质量 测量 结果
是 合并 进入 a 数据 放 和 用过的 为了 建筑 这 模型。
在 这 案件， 这 质量 测量 是 这 回复
和 全部 这 产品 测量 是 这 预测因子。
这 数据集 包括 767 预测变量 和 990 观察 或者 部分。
这 东西 能 拿 a 长的 时间 到 执行。
自从 是 建筑 a 模型， 它是 重要的 到 得到 作为 大的 的 a 范围
的 产品 测量 和 质量 测量 结果 作为 我们 能。
如果 我们 离开 这 这 准确性 和 模型 预测
是 更多的 持续的 穿过 这 范围。
本质上， 这 允许 这 模型 到 准确 预测 在 全部 级别
的 这 产品 质量 结果。
一次 这 数据集 是 编译，
它 是 彻底 检查 到 确保 它 是 作为 干净的 作为 可能的。
后 这 数据 收藏 和 打扫，
这 第二 阶段 的 模型 发展 是 開始了。
为了 这， 我们 开始 和 多变的 聚类。
步 经过 回归， 消除 高度 相关 变量
和 选择 这 最多 重要的 个。
和 所以 许多 预测变量 我们 首次申请 多变的 聚类。
这 方法 允许 为了 这 减少 在 这 数字 的 变量。
多变的 聚类 组 这 预测因子，
这 变量 进入 集群 那 分享 常见的 特征。
每个 簇 能 是 代表 经过 a 单身的 成分 或者 多变的。
A 片段 的 这 簇 概括 从 跳转 是 显示，
哪个 表示 那 85 % 的 这 变化
是 解释 经过 聚类。
簇 12 有 49 各位成员，
和 V 232 是 这 最多 代表 的 那 簇。
这 变量 那 是 已识别 作为 这 最多 代表 一
是 然后 用过的 在 这 下一个 方法 的 逐步 回归。
逐步 回归 是 用过的
在 这 已识别 聚集 变量 到 选择 这 最多 重要的 一
到 我们 在 这 模型，
和 更远 减少 这 数字 的 变量。
为了 这， 这 向前 方向
和 最低限度 已更正 AIC 停止 规则 是 用过的。
这 方向 控件 如何 变量 进入 和 离开 这 模型。
这 向前 方向 方法 那 条款 是 输入 进入 这 模型
那 有 这 最小 p 值。
这 停止 规则 是 用过的 到 决定 哪个 模型 是 已选定。
这 已更正 AIC 是 基于 在 消极的 二， 法律 的 可能性，
和 这 模型 和 这 最小 已更正 AIC 是 a 首选 模型。
从 这， 51 变量 是 输入 进入 这 模型
的 这 99 可用的 变量
从 这 多变的 聚类 步。
在 这 观点， 我们 有 减少 这 数字
的 变量 从 767 到 51
使用 多变的 聚类 和 逐步 回归。
这 最终的 方法 是 到 合身 a 广义的 回归 模型。
为了 这， 这 法律 的 普通的 分配
是 用过的 和 一个 自适应 套索 估计 方法。
为了 这， 这 长的 普通的 分配 是 用过的
和 一个 自适应 套索 估计 方法。
这 法律 的 普通的 分配 是 这 最好的
合身 为了 这 回复， 所以 是 选择 到 使用 在 这 回归 模型。
这 自适应套索 估计 方法
是 a 受到处罚 回归 技术
哪个 收缩 这 尺寸 的 这 回归 系数
和 减少 这 方差 在 这 估计。
这 帮助 到 提升 预测 能力 的 这 模型。
还 这 数据 放 曾是 分裂 进入 a 训练 和 验证 放。
这 训练 放 有 744 观察， 和 这 验证 放 有 246.
从 这， 这 导致 模型 生产 a .81 广义的 R 平方
为了 这 训练 放 和 .8 为了 这 验证 放。
这些 R平方 是 可接受 为了 我们的 过程 那 我们 将要 现在 评价
这 准确性 和 可预测性 的 这 导致 模型。
现在 那 我们 有 a 模型， 我们 需要 到 审查 它是 准确性
和 可预测性 到 看 如果 它 会 是 合适的 到 使用 在 生产。
在 正在做 这，
a 图形 是 制作 那 比较 a 预测 质量 测量
为了 a 具体的 部分 到 这 实际的 质量 测量。
在 这 图形 xx 节目 这 预测 价值，
和 这 yx 节目 这 实际的。
还， 这 质量 测量 是 已分桶 进入 三 组
基于 在 它是 价值， 哪个 是 显示
经过 这 三 颜色 在 这 图形。
在 一般的， 这 模型 预测 这 质量 测量得很好。
它 做 出现 那 这 模型 可能 合身 更好的
在 这 降低 产品 质量 范围
比 这 上， 哪个 可能 是 到期的 到 更多的 观察 在 这 降低 范围。
作为 提及， 这 质量 测量
曾是 已分桶 进入 三 不同的 类别 基于 在 它是 价值。
这 曾是 还 完毕 为了 这 预测 质量 测量。
为了 每个 观察， 如果 这 质量 测量 类别
是 这 相同的 作为 a 预测 测量 类别，
它 是 已分配 到 一。
如果 不是， 它 是 已分配 到 零。
为了 两个都 这 训练 和 验证 套， 这 平均的 的 这些 一 和 零
是 计算 和 是 用过的 作为 这 准确度 措施。
我们 看 那 训练 放 有 一个 准确性 的 87.5%
和 这 验证 放 有 一个 准确性 的 84%。
为了 这 模型 到 是 已移动 到 这 测试 阶段，
准确性 必须 是 多于 a 肯定 限制，
和 两个都 的 这些 准确性 价值观 是。
这 将要 允许 我们 到 移动 到 这 测试 阶段 的 这 项目。
在 添加， 我们 看 在 这 困惑 矩阵
到 可视化 这 准确性 的 这 模型
经过 比较 这 实际的 到 这 预测 类别。
理想情况下， 这 离开 对角线 的 每个 矩阵 应该 是 全部 零，
和 这 对角线 从 顶部 左边 到 底部 正确的 包含 全部 这 计数。
这 矩阵 展示 在 这 海报 那 这 更高 计数 是 沿着
那 对角线 和 降低 数字 在 这 离开 对角线，
但 差异 仍然 存在 之中 这 三 类别。
为了 例子， 在 这 训练 放， 那里 是 二十九 实例 在哪里 这 实际的
质量 测量 的 这 三 曾是 预测 作为 a 二。
在 这 相同的 案件 为了 这 验证 放， 那里 是 12.
这 困惑 矩阵 帮助 到 理解 在哪里 这些 差异 是
所以 更远 调查 能 是 完毕 和 改进 制成。
全面的 尽管， 这 模型 有 一个 准确性 多于 那 需要 限制，
在哪里 我们的 下一个 步 会 是 这 测试 和 执行 阶段。
现在 那 我们的 模型 是 通过 这 发展 阶段，
它是 时间 到 测试 它 在 居住 情況。
为了 这， 这 模型 是 用过的 在下面 工程 控制
到 决定 如何 出色地 它 预测 这 质量 测量
在 小的， 受控 实验。
这 是 完毕 经过 这 工程 团队
和 支持 从 这 项目 团队 什么时候 必要的。
一次 这 工程 团队 是 使满意 和 这 测试，
这 模型 是 完全 实施的 进入 生产 和 监控 超过 时间。
在 结论， 这 模型 发展 过程
有 允许 我们 到 建造
预测 模型 为了 这 生产 过程。
这 方法 的 多变的 聚类，
逐步 多变的 选择 在 广义的 回归
是 这 最多 合适的 和 最好的 学生 到 使用
为了 这 应用。
和 更远 研究 和 调查，
其他 方法 可以 是 潜在 应用
到 提升 模型 表现 甚至 更多的。
从 a 生产 立场， 这 益处 的 这 模型
是 那 这 运营 团队 将要 收到 立即的 反馈 在 如何 a 部分
或者 团体 的 部分 将要 履行， 和 能 摄取 这 调
和 调 这 过程 在 真实的 时间。
我们 能 还 认为 这 产品 可接受 或者 不是。
如果 被拒绝， 这 产品 是 已处置 的 和 将要 不是 继续 通过 这 过程，
哪个 超过 时间 减少 生产 成本。
最后， ID 喜欢 到 给 a 巨大的 特别的 感谢 你
到 Zvouno 和 雨 和 这 全部的 项目 团队
在 康宁公司。
感谢 你 为了 加入 和 倾听 到 我的 海报 推介会。
