歡迎， 和 感謝 你 為了 加入 我的 海報 推介會
在 這 年 跳轉C 會議。
我的 姓名 是 凱特琳·肖基 ,
和 我是 a 進階的 統計 工程師 在 康寧 屬於。
如何 做 你 得到 a 一瞥 的 a 產品 品質
前 它 完成 這 生產 過程？
我們 選擇 到 建造 a 模型 那 將要 預測 這 產品 品質 結果
前 它 有 完全的 這 全部的 過程。
那裡 是 二 主要的 好處 的 這 方法。
一 是 這 營運 團隊
接收 立即的 回饋 在 如何 這 部分 將要 執行
和 能 調整 這 過程 在 真實的 時間。
這 第二 是 那 我們 能 民主 這 產品 可接受 或者 不是。
喜歡 I 只是 提及， 這 主要的 客觀的 的 這 工作
是 到 建造 a 預測 模型 使用 a 很少 造型 方法
到 理解 和 預測 產品 品質
基於 在 肯定 產品 測量。
我們的 主要的 步驟 在 大樓 這 模型
是 數據 收藏， 模型 發展， 測試 和 執行。
首先， 為了 這 數據 收藏 階段， 部分 是 集 在 這 結尾
的 這 生產 線 和 合適的 產品 測量 是 完全的。
這 部分 是 然後 受到 到 這 品質 測試。
這 產品 測量 和 品質 測量 結果
是 合併 進入 a 數據 放 和 用過的 為了 大樓 這 模型。
在 這 案件， 這 品質 測量 結果
是 合併 進入 a 數據 放 和 用過的 為了 大樓 這 模型。
在 這 案件， 這 品質 測量 是 這 回覆
和 全部 這 產品 測量 是 這 預測因子。
這 數據集 包括 767 預測變數 和 990 觀察 或者 部分。
這 東西 能 拿 a 長的 時間 到 執行。
自從 是 大樓 a 模型， 它是 重要的 到 得到 作為 大的 的 a 範圍
的 產品 測量 和 品質 測量 結果 作為 我們 能。
如果 我們 離開 這 這 準確性 和 模型 預測
是 更多的 持續的 穿過 這 範圍。
本質上， 這 允許 這 模型 到 準確 預測 在 全部 等級
的 這 產品 品質 結果。
一次 這 數據集 是 編譯，
它 是 徹底 檢查 到 確保 它 是 作為 乾淨的 作為 可能的。
後 這 數據 收藏 和 打掃，
這 第二 階段 的 模型 發展 是 開始了。
為了 這， 我們 開始 和 多變的 聚類。
步 經過 回歸， 消除 高度 相關 變數
和 選擇 這 最多 重要的 個。
和 所以 許多 預測變數 我們 首次申請 多變的 聚類。
這 方法 允許 為了 這 減少 在 這 數位 的 變數。
多變的 聚類 群組 這 預測因子，
這 變數 進入 叢集 那 分享 常見的 特徵。
每個 簇 能 是 代表 經過 a 單身的 成分 或者 多變的。
A 片段 的 這 簇 概括 從 跳轉 是 顯示，
哪個 表示 那 85 % 的 這 變化
是 解釋 經過 聚類。
簇 12 有 49 各位成員，
和 V 232 是 這 最多 代表 的 那 簇。
這 變數 那 是 已識別 作為 這 最多 代表 一
是 然後 用過的 在 這 下一個 方法 的 逐步 回歸。
逐步 回歸 是 用過的
在 這 已識別 聚集 變數 到 選擇 這 最多 重要的 一
到 我們 在 這 模型，
和 更遠 減少 這 數位 的 變數。
為了 這， 這 向前 方向
和 最低限度 已更正 AIC 停止 規則 是 用過的。
這 方向 控制項 如何 變數 進入 和 離開 這 模型。
這 向前 方向 方法 那 條款 是 輸入 進入 這 模型
那 有 這 最小 p 值。
這 停止 規則 是 用過的 到 決定 哪個 模型 是 已選定。
這 已更正 AIC 是 基於 在 消極的 二， 法律 的 可能性，
和 這 模型 和 這 最小 已更正 AIC 是 a 首選 模型。
從 這， 51 變數 是 輸入 進入 這 模型
的 這 99 可用的 變數
從 這 多變的 聚類 步。
在 這 觀點， 我們 有 減少 這 數位
的 變數 從 767 到 51
使用 多變的 聚類 和 逐步 回歸。
這 最終的 方法 是 到 合身 a 廣義的 回歸 模型。
為了 這， 這 法律 的 普通的 分配
是 用過的 和 一個 自適應 套索 估計 方法。
為了 這， 這 長的 普通的 分配 是 用過的
和 一個 自適應 套索 估計 方法。
這 法律 的 普通的 分配 是 這 最好的
合身 為了 這 回覆, 所以 是 選擇 到 使用 在 這 回歸 模型。
這 自適應套索 估計 方法
是 a 受到處罰 回歸 科技
哪個 收縮 這 尺寸 的 這 回歸 係數
和 減少 這 變異數 在 這 估計。
這 幫助 到 提升 預測 能力 的 這 模型。
也 這 數據 放 曾是 分裂 進入 a 訓練 和 驗證 放。
這 訓練 放 有 744 觀察， 和 這 驗證 放 有 246.
從 這， 這 導致 模型 生產 a .81 廣義的 R 平方
為了 這 訓練 放 和 .8 為了 這 驗證 放。
這些 R平方 是 可接受 為了 我們的 過程 那 我們 將要 現在 評價
這 準確性 和 可預測性 的 這 導致 模型。
現在 那 我們 有 a 模型， 我們 需要 到 審查 它是 準確性
和 可預測性 到 看 如果 它 會 是 合適的 到 使用 在 生產。
在 正在做 這，
a 圖形 是 製作 那 比較 a 預測 品質 測量
為了 a 具體的 部分 到 這 實際的 品質 測量。
在 這 圖形 xx 節目 這 預測 價值，
和 這 yx 節目 這 實際的。
也, 這 品質 測量 是 已分桶 進入 三 群組
基於 在 它是 價值， 哪個 是 顯示
經過 這 三 顏色 在 這 圖形。
在 一般的， 這 模型 預測 這 品質 測量得很好。
它 做 出現 那 這 模型 可能 合身 更好的
在 這 降低 產品 品質 範圍
比 這 上， 哪個 可能 是 到期的 到 更多的 觀察 在 這 降低 範圍。
作為 提及， 這 品質 測量
曾是 已分桶 進入 三 不同的 類別 基於 在 它是 價值。
這 曾是 也 完畢 為了 這 預測 品質 測量。
為了 每個 觀察， 如果 這 品質 測量 類別
是 這 相同的 作為 a 預測 測量 類別，
它 是 已分配 到 一。
如果 不是， 它 是 已分配 到 零。
為了 兩個都 這 訓練 和 驗證 套， 這 平均的 的 這些 一 和 零
是 計算 和 是 用過的 作為 這 準確度 措施。
我們 看 那 訓練 放 有 一個 準確性 的 87.5%
和 這 驗證 放 有 一個 準確性 的 84%。
為了 這 模型 到 是 已移動 到 這 測試 階段，
準確性 必須 是 多於 a 肯定 限制，
和 兩個都 的 這些 準確性 價值觀 是。
這 將要 允許 我們 到 移動 到 這 測試 階段 的 這 專案.
在 添加， 我們 看 在 這 錯亂 矩陣
到 視覺化 這 準確性 的 這 模型
經過 比較 這 實際的 到 這 預測 類別。
理想情況下， 這 離開 對角線 的 每個 矩陣 應該 是 全部 零，
和 這 對角線 從 頂部 左邊 到 底部 正確的 包含 全部 這 計數。
這 矩陣 展示 在 這 海報 那 這 更高 計數 是 沿著
那 對角線 和 降低 數位 在 這 離開 對角線，
但 差異 仍然 存在 之中 這 三 類別。
為了 例子， 在 這 訓練 放， 那裡 是 二十九 實例 在哪裡 這 實際的
品質 測量 的 這 三 曾是 預測 作為 a 二。
在 這 相同的 案件 為了 這 驗證 放， 那裡 是 12.
這 錯亂 矩陣 幫助 到 理解 在哪裡 這些 差異 是
所以 更遠 調查 能 是 完畢 和 改進 製成。
全面的 儘管， 這 模型 有 一個 準確性 多於 那 需要 限制，
在哪裡 我們的 下一個 步 會 是 這 測試 和 執行 階段。
現在 那 我們的 模型 是 透過 這 發展 階段，
它是 時間 到 測試 它 在 居住 情況。
為了 這， 這 模型 是 用過的 在下面 工程 控制
到 決定 如何 出色地 它 預測 這 品質 測量
在 小的， 受控 實驗。
這 是 完畢 經過 這 工程 團隊
和 支援 從 這 專案 團隊 什麼時候 必要的。
一次 這 工程 團隊 是 使滿意 和 這 測試，
這 模型 是 完全 實施的 進入 生產 和 監控 超過 時間。
在 結論， 這 模型 發展 過程
有 允許 我們 到 建造
預測 模型 為了 這 生產 過程。
這 方法 的 多變的 聚類，
逐步 多變的 選擇 在 廣義的 回歸
是 這 最多 合適的 和 最好的 學生 到 使用
為了 這 應用。
和 更遠 研究 和 調查，
其他 方法 可以 是 潛在 應用
到 提升 模型 表現 甚至 更多的。
從 a 生產 立場， 這 益處 的 這 模型
是 那 這 營運 團隊 將要 收到 立即的 回饋 在 如何 a 部分
或者 團體 的 部分 將要 履行， 和 能 攝取 這 調
和 調 這 過程 在 真實的 時間。
我們 能 也 認為 這 產品 可接受 或者 不是。
如果 被拒絕， 這 產品 是 已處置 的 和 將要 不是 繼續 透過 這 過程，
哪個 超過 時間 減少 生產 成本。
最後， ID 喜歡 到 給 a 巨大的 特別的 感謝 你
到 Zvouno 和 雨 和 這 全部的 專案 團隊
在 康寧公司。
感謝 你 為了 加入 和 傾聽 到 我的 海報 推介會。
