Ciao, Io sono Ron Kennett.
Questo È a giunto parlare con Chris Gotwalt.
Erano andando A parlare A Voi Di modelli.
I modelli sono usato ampiamente.
Noi Speranza A Portare Alcuni aggiuntivo prospettiva
SU Come A utilizzo modelli In generale.
Noi chiamata IL parlare
"Diverso obiettivi, diverso modelli:
Come A utilizzo modelli A affilare tuo domande."
Mio parte Volere Essere UN introduzione, E Malato Dare UN esempio.
Tu lo farai Avere accesso A IL dati Io sono utilizzando.
Poi Chris Volere continuare con un Di più complesso esempio,
introdurre IL FORMA valori disponibile In JMP 17,
E fornire Alcuni conclusioni.
Noi Tutto Sapere Quello Tutto modelli Sono sbagliato,
Ma Alcuni Sono utile.
Solo Karlin disse qualcosa diverso.
Lui disse Quello IL scopo Di modelli È non A adatto IL dati,
Ma A affilare IL domanda.
Poi Questo tipo, Paolo Picasso, Lui disse qualcosa in...
Lui morto In 1973, COSÌ Voi Potere immaginare Quando Questo era disse.
I pensare In IL Presto anni '70 S.
"Computer Sono inutile. Essi Potere soltanto Dare Voi risposte."
Lui È Di più In linea con Karlin.
Mio Prendere SU questo è quello
questo presenta la differenza fondamentale fra a modello E a computer programma.
Io sono guardare A IL modello da a statistico prospettiva.
Condotta con Scatola famoso dichiarazione.
"SÌ, Alcuni Sono utile. Quale quelli?"
Per favore aiuto noi.
Cosa fare Voi Significare di Alcuni Sono utile?
Suo non molto utile A Dire Quello .
Andando a Karlin, "Affilare IL domanda."
Va bene, questo è a Bene idea.
Come Fare Noi Fare Quello?
IL punto È Quello Scatola sembra concentrato nella fase di analisi dei dati
nella visione del ciclo di vita delle statistiche, che inizia con l'individuazione del problema,
mosse A obiettivo formulazione, dati collezione, dati analisi,
risultati, operazionalizzazione Di trovare,
comunicazionale risultati, E impatto valutazione.
Karlin è Di più concentrato SU IL problema elicitazione fase.
Questi due citazioni Di Scatola E Karlin
fare riferimento A diverso fasi In Questo vita ciclo.
IL dati Io sono andando A utilizzo È UN industriale dati impostato,
174 osservazioni.
Noi Avere sensore dati.
Noi Avere 63 sensori.
Sono etichettato 1, 2, 3, 4 A 63.
Noi Avere due risposta variabili.
Questi Sono in arrivo da test Alcuni sistemi.
IL stato rapporto È bocciato/superato.
52,8% Di IL sistemi Quello erano testato fallito.
Noi Avere un altro rapporto,
Quale È a Di più dettagliato rapporto SU test risultati.
Quando i sistemi fallire,
Noi Avere Alcuni classificazione Di IL fallimento.
Test risultato È Di più dettagliato.
Stato È andare/non andare.
IL obiettivo È A determinare IL sistema stato da IL sensore dati
COSÌ Quello Noi Potere Forse Evitare IL costi E ritardi Di test,
E Noi Potere Avere Alcuni Presto previsioni SU IL fede Di IL sistema.
Uno approccio Noi Potere Prendere È A utilizzo a potenziato albero.
Noi Mettere IL stato come risposta, i 63 sensori X, fattori.
IL potenziato albero È addestrato in sequenza, uno albero A a tempo.
T Lui altro modello erano andando A utilizzo È casuale foresta,
E questo è Fatto con indipendente alberi.
Là È a sequenziale aspetto In potenziato alberi
Quello È diverso da casuale foreste.
IL impostare Di potenziato alberi coinvolge tre parametri:
IL numero Di alberi, profondità Di alberi, E IL apprendimento valutare.
Questo È Che cosa JMP dà COME un valore predefinito.
Potenziato alberi Potere Essere usato A risolvere maggior parte obiettivo funzioni.
Noi Potevo utilizzo Esso per pesce regressione,
Quale È condotta con conta Quello È a morso Più forte A raggiungere
con casuale foreste.
Erano andando A messa a fuoco SU questi due tipi Di modelli.
Quando Noi fare domanda a IL potenziato albero,
E Noi Avere a convalida impostato su
con 43 sistemi disegnato a caso COME IL convalida impostato.
Centotrentuno sistemi è usato per IL formazione impostato.
Noi Sono ottenere a 9,3% classificazione errata valutare.
Tre fallito sistemi.
Noi Sapere che loro fallito Perché Noi Avere Esso In IL dati,
erano In realtà classificato COME passaggio.
IL 20 Quello passato, 19 erano classificato COME passaggio.
IL falso previsto passaggio È 13 %.
Noi Potere Aspetto A IL variabile colonna contributi.
Noi Vedere Quello Sensore 56, 18, 11, E 61 Sono IL superiore quattro
In termini Di contribuendo A Questo classificazione.
Noi Vedere Quello In IL formazione impostato, Noi avevo zero classificazione errata.
Noi Potrebbe Avere Alcuni Sopra adatto a me n Questo BT applicazione.
Se Noi Aspetto A IL sollevare curva,
40 % Di IL sistemi, Noi Potere Ottenere Sopra due sollevare
Quale È le prestazioni che ci fornisce questo classificatore.
Se Noi Tentativo IL fischi trappola foresta,
un altro opzione, Ancora, Noi Fare IL Stesso cosa.
Noi utilizzo IL Stesso convalida impostato.
IL valori predefiniti Di JMP Sono dare tu alcuni parametri
per IL numero Di alberi
E IL numero Di caratteristiche A Essere selezionato A ogni modalità.
Questo È Come IL casuale foresta funziona.
Voi Dovrebbe Essere consapevole Quello Questo È non molto Bene
Se Voi Avere categorico variabili E mancante dati,
Quale È non Nostro caso Qui.
Ora, IL classificazione errata valutare È 6.9, inferiore di Prima.
SU IL formazione impostato, Noi avevo Alcuni classificazione errata.
IL casuale foresta applicato A IL test stato,
Quale significa Quando Noi Avere IL dettagli SU IL fallimenti È 23.4,
COSÌ Cattivo prestazione.
Anche, SU IL formazione impostato, Noi Avere 5% classificazione errata.
Ma Noi Avere Ora a più ampio allineare Di opzioni
e questo spiega Alcuni Di IL inferiore prestazione.
In IL sollevare curva SU IL test risultati,
Noi In realtà, con abbastanza Bene prestazione,
Potere scegliere su IL superiore 10 % Di IL sistemi con a leva Di Sopra 10.
COSÌ Noi Avere oltre un dieci piega aumento per 10 % Di IL sistemi
relativo A IL grande media.
Ora Questo È posare a domanda- Ricordare IL argomento Di IL parlare-
Che cosa Sono Noi guardare A?
Fare Noi Volere A identificare superiore punto Bene sistemi?
IL casuale foresta volevo Fare Quello con IL test risultato.
O Fare Noi Volere A predire a alto proporzione Di passaggio?
IL albero bootstrap volevo offerta Quello.
A secondario domanda È A Aspetto A Che cosa È che colpisce Questo classificazione.
Noi Potere Aspetto A IL colonna contributi SU IL potenziato albero.
Tre Di IL quattro in alto variabili spettacolo su Anche SU IL casuale foresta.
Se Noi utilizzo IL stato superato/non superato,
O IL dettagliato risultati,
Là È a quantità Di somiglianza SU IL importanza Di IL sensori.
Questo È Appena dare Voi Alcuni sfondo.
Chris È andando A seguire su con UN valutazione Di IL sensibilità
Di Questo variabile importanza, IL utilizzo Di SHAP v valori
e altre cose interessanti.
Questo va Indietro A interrogativo Che cosa È tuo obiettivo,
E Come È IL modello aiutare Voi figura fuori IL obiettivo
E Forse affilatura IL domanda Quello viene da IL dichiarazione Di IL obiettivo.
Chris, suo tutto tuo.
Grazie, Ron.
Io sono andando A scegliere su da Dove Ron lasciato fuori
E cercare a modello Quello Volere predire se O non a unità È Bene O non,
E Se Esso non è, cosa c'è IL probabile fallimento modalità Quello ha risultato?
Questo volevo Essere utile in quello Se a modello È Bene A predire Bene unità,
Noi Maggio non Avere A soggetto loro A tanto ulteriore test.
Se IL modello dà a previsto fallimento modalità,
erano capace A Ottenere a Testa inizio SU diagnosi E fissaggio IL problema,
E possibilmente, Noi Maggio Essere capace A Ottenere Alcuni suggerimenti
SU Come A migliorare IL produzione processo In IL futuro.
Io sono andando A andare Attraverso IL sequenza
Di Come I avvicinato rispondere Questo domanda da IL dati.
I Volere A Dire A IL inizio Quello Questo È semplicemente IL sentiero Quello I preso
COME I chiesto domande Di IL dati E ha agito SU vario modelli Quello I sega.
Là Sono letteralmente molti altro modi Quello uno Potevo procedere con Questo.
C'è Spesso non Veramente a veramente corretto risposta,
Appena a criterio per se O non IL modello È Bene Abbastanza,
E IL quantità Quello tu sei capace A Ottenere Fatto
In IL tempo Quello Voi Avere A Ottenere a risultato Indietro.
I Avere NO dubbio Quello Là Sono Meglio modelli fuori Là
di Che cosa I venni su con Qui.
Nostro obiettivo È A spettacolo UN attuale processo Di affrontare a previsione problema,
illustrando Come uno Potere mossa inoltrare
di iterando Attraverso cicli Di modellazione E visualizzazione,
seguito di osservando IL risultati E usando loro A chiedere un altro domanda
Fino a Noi Trovare qualcosa Di UN risposta.
I Volere Essere usando JMP COME a statistico svizzero esercito coltello,
usando molti utensili In JMP
E seguente IL intuizione I Avere Di modellazione dati
Quello ha costruito su Sopra molti anni.
Primo, andiamo Appena Prendere a Aspetto
A IL frequenze Di IL vario test risultato categorie.
Noi Vedere Quello IL più grande E maggior parte frequente categoria È Bene.
BENE probabilmente Avere IL maggior parte fortuna essendo capace A predire Quello categoria.
SU IL altro mano, IL sos categoria ha soltanto due eventi
COSÌ suo andando A Essere molto difficile per noi A Essere capace A Fare tanto con Quello categoria.
Noi Maggio Avere A impostato Quello uno da parte.
BENE Vedere Di Quello.
Velocità II, IMP, E Freno
Sono Tutto abbastanza raro con cinque O sei eventi ogni.
Là Maggio Essere Alcuni limitazioni In Che cosa erano capace A Fare con loro COME BENE.
I Dire Questo Perché Noi Avere 174 osservazioni
E Noi Avere 63 predittori.
COSÌ Noi Avere a quantità Di predittori per a molto piccolo numero Di osservazioni,
Quale È In realtà Anche più piccolo Quando Voi considerare IL frequenze
Di Alcuni Di IL categorie Quello erano provando A predire.
Erano andando A Avere A lavoro iterativamente di facendo visualizzazioni In modellazione,
riconoscere modelli, chiedendo domande,
E Poi recitazione SU quelli con un altro modellazione fare un passo iterativamente
In ordine A Trovare a modello questo è andando A Fare a Bene lavoro
Di predire questi risposta categorie.
I Avere IL dati ordinato di test risultati,
COSÌ Quello IL Bene risultati Sono A IL inizio,
seguito di ogni Di IL diverso fallimento modalità d affinché dopo Quello.
I andato avanti E colorato ogni Di IL righe di test risultati COSÌ Quello Noi Potere Vedere
Quale osservazione appartiene A a particolare risposta categoria.
COSÌ Poi I andato in IL modello- guidato multivariato controllare grafico
E I portato In Tutto Di IL sensori COME processo variabili.
Da I avevo IL Bene test risultati A IL inizio,
I etichettato quelli COME storico osservazioni.
Questo ci dà a T² grafico.
Suo scelto 13 principale componenti COME suo base.
Che cosa Noi Vedere Qui
È Quello IL grafico È dominato di questi due punti Giusto Qui
E Tutto Di IL altro punti Sono molto piccolo In valore
relativo A quelli due.
Questi due punti accadono A Essere l'SOS punti.
Essi Sono molto serio valori anomali In IL sensore letture.
Da Noi Anche soltanto Avere due osservazioni Di quelli,
Io sono andando A andare avanti E Prendere quelli fuori Di IL dati impostato
E Dire, beh, SOS è ovviamente COSÌ Cattivo Quello IL sensori
Dovrebbe Essere Appena volare spento IL grafici.
Se Noi incontrare Esso, erano Appena andando A andare avanti
E Tentativo A preoccupazione noi stessi con IL altro valori
Quello non Avere Questo spento- IL- grafici comportamento.
Commutazione A a tronco d'albero scala, Noi Vedere Quello IL Bene test risultati
Sono abbastanza BENE -comportato bene.
Poi c'è definitivo segnali
In IL dati per IL diverso fallimento modalità.
Ora Noi Potere trapano giù a poco morso più profondo,
prendendo a Aspetto A IL contributo trame per IL storico dati,
IL Bene test risultato dati, E IL fallimento modalità
A Vedere Se Qualunque modelli emergere In IL sensori Quello Noi Potere atto su.
Io sono andando A rimuovere quelli due SOS osservazioni
E selezionare IL Bene unità.
Se I fare clic con il tasto destro In IL complotto,
I Potere Portare su a contributo complotto
per IL Bene unità, E Poi I Potere andare Sopra A IL unità
Dove Là era a fallimento, E I Potere Fare IL Stesso cosa,
E BENE Essere capace A confrontare IL contributo trame lato di lato.
COSÌ Che cosa Noi Vedere Qui Sono IL contributo trame
per IL passaggio unità E IL fallire unità.
IL contributo trame
Sono IL quantità Quello ogni colonna È contribuendo A IL T ²
per a particolare riga.
Ciascuno di IL barre Là corrispondere A UN individuale sensore per Quello riga.
Contributo trame Sono colorato verde Quando Quello colonna È entro tre sigma,
usando UN individui E in movimento allineare grafico,
E suo rosso Se suo fuori Di controllare.
Qui Noi Vedere maggior parte Di IL sensori Sono In controllare per IL Bene unità,
E maggior parte Di IL sensori Sono fuori Di controllare per IL fallito unità.
Che cosa I era sperando per Qui
volevo Avere stato Se Là era soltanto a sottoinsieme Di IL colonne
O sensori Quello erano fuori Di controllare oltre IL fallito unità.
O Se I era capace A Vedere modelli
Quello cambiato attraverso IL diverso fallimento modalità,
Quale volevo aiuto Me isolare Che cosa variabili Sono importante
per predire IL test risultato risultato.
Purtroppo, bello tanto Tutto Di IL sensori
Sono In controllare Quando cose Sono Bene,
E maggior parte Di loro Sono fuori Di controllare Quando cose Sono Cattivo.
Quindi andremo a Avere A utilizzo Alcuni Di più sofisticato modellazione
A Essere capace A attrezzatura Questo previsione problema.
Avendo non trovato nulla In IL colonna contributi trame,
Io sono andando A Indietro su E ritorno A IL due modelli Quello Ron trovato.
Qui Sono IL colonna contributi per quelli due modelli,
E Noi Vedere Quello c'è Alcuni accordo In termini Di
Che cosa Sono IL maggior parte importante sensori.
Ma potenziato albero trovato a un po' più grande impostato Di sensori COME essendo importante
Sopra IL autoscontro foresta.
Quale Di questi due modelli Dovrebbe Noi Fiducia Di più?
Se Noi Aspetto A IL complessivamente modello adatto rapporto,
Noi Vedere Quello IL potenziato albero modello ha a molto alto formazione RS Perché Di 0,998
E a un po' v più piccola alidazione RS Perché Di 0,58.
Questo sembra Piace UN sovradimensionato situazione.
Quando Noi Aspetto A IL casuale foresta, Esso ha a un po' più piccolo formazione RS Perché,
Forse a Di più realistico uno, di IL autoscontro foresta,
E ha a un po' più grande convalida RS Perché.
IL generalizzazione prestazione Di IL casuale foresta
È fiduciosamente a poco morso Meglio.
Io sono inclinato A Fiducia IL casuale foresta modello a poco morso Di più.
Parte Di Questo È andando A Essere basato su Appena IL folclore Di questi due modelli.
Potenziato alberi Sono rinomato per essendo veloce, altamente accurato modelli
Quello lavoro BENE SU molto grande set di dati.
Mentre IL sentito dire È Quello casuale foreste Sono Di più accurato SU più piccolo set di dati.
Essi Sono abbastanza robusto, disordinato, E rumoroso dati.
C'è a lungo storia Di usando questi tipi Di modelli
per variabile selezione Quello va Indietro A a carta In 2010
Quello ha stato citato Quasi 1200 volte.
COSÌ Questo È a popolare approccio per variabile selezione.
I fatto a simile ricerca per potenziamento,
E I non l'ha fatto abbastanza Vedere COME tanto storia in giro variabile selezione
per potenziato alberi COME I fatto per casuale foreste.
Per Questo dato dati impostare r luce Qui,
Noi Potere Fare a sensibilità analisi A Vedere Come affidabile
IL colonna contributi Sono per questi due diverso approcci,
usando IL simulazione capacità In JMP Professionista.
Che cosa Noi Potere Fare È creare a casuale convalida colonna
Quello È a formula colonna
Quello Voi Potere reset E Volere partizione IL dati
in casuale formazione E resistere set Di IL Stesso porzioni
COME IL originale convalida colonna.
Noi Potere Avere Esso ripetere questi due analisi
E Mantenere traccia Di IL colonna contributo porzioni
per ogni Di questi ripartizionamenti.
Noi Potere Vedere Come coerente IL la storia è
fra IL potenziato albero modelli E IL casuale foreste.
Questo È bello facile A Fare.
Noi andiamo e basta A IL Fare Validazione Colonna utilità
E Quando Noi Fare a nuovo colonna, Noi chiedere Esso A Fare a formula colonna
COSÌ che esso Potevo Essere reinizializzato.
Poi Noi Potere ritorno A IL autoscontro foresta piattaforma,
Giusto- clic SU IL colonna contributo porzione,
selezionare Simulare.
Sarà Portare su a dialogo
chiedendo noi Quale Di IL ingresso colonne Noi Volere A interruttore fuori.
Io sono andando A scegliere IL convalida colonna,
E Io sono andando A interruttore In in sostituzione Di Esso,
Questo casuale convalida formula colonna.
Erano andando A Fare questo cento volte.
Bootstrap foresta È andando A Essere ripetere
usando nuovo casuale partizioni Di IL dati in formazione E convalida.
Erano andando A Aspetto A IL distribuzione Di IL porzioni
attraverso Tutto IL simulazione corre.
Questo Volere generare a set di dati
Di colonna contributo porzioni per ogni sensore.
Noi Potere Prendere Questo E andare in IL grafico costruttore
E Prendere a Aspetto E Vedere Come coerente quelli colonna contributi Sono
attraverso Tutto questi casuale partizioni Di IL dati.
Qui È a complotto Di IL colonna contributo porzioni
da ogni Di IL 100 casuale rimpasti Di IL convalida colonna.
Quei punti Noi Vedere In grigio qui,
Sensore 18 sembra A Essere costantemente a grande collaboratore, COME fa Sensore 61.
Noi Anche Vedere con questi rosso croci,
quelli Sono IL colonna contributi da IL originale analisi Quello Ron fatto.
IL complessivamente storia Quello Questo racconta È Quello IL tendenza
i s Quello ogni volta IL originale colonna contributo era piccolo,
quelli Rif simulato colonna contributi Anche curato A Essere piccolo.
Quando IL colonna contributi erano grande In IL originale analisi,
Essi curato A rimanere grande.
Erano ottenere a relativamente coerente storia da IL autoscontro foresta
In termini Di Che cosa colonne Sono importante.
Ora Noi Potere Fare IL Stesso cosa con IL potenziato albero,
E IL risultati non sono abbastanza COME coerente COME Essi erano con IL autoscontro foresta.
COSÌ Qui È a grappolo Di colonne
Dove IL iniziale colonna contributi venni molto piccolo
Ma Essi avevo a Di più sostanziale contributo
In Alcuni Di IL casuale rimpasti Di IL convalida colonna.
Quello Anche accaduto abbastanza a morso finita con questi Colonne 52 Attraverso 55 Sopra Qui.
Poi Là erano Anche Alcuni situazioni
Dove IL originale colonna contributo era abbastanza grande,
E maggior parte, Se non Tutto,
Di IL altro colonna contributi trovato In IL simulazioni erano più piccolo.
Quello succede Qui con Colonna 48,
E A Alcuni estensione Anche con Colonna 11 Sopra Qui.
IL complessivamente conclusione essendo Quello I pensare Questo convalida mescolando
È indicando Quello Noi Potere Fiducia IL colonna contributi
da IL bootstrap foresta A Essere Di più stabile di quelli Di IL potenziato albero.
Basato su Questo confronto, I pensare I Fiducia IL colonna contributi
da IL autoscontro foresta Di più,
E Io sono andando A utilizzo IL colonne Quello Esso raccomandato
COME IL base per Alcuni altro modelli.
Che cosa Id Piace A Fare
È Trovare a modello Quello È Entrambi più semplice di IL autoscontro foresta modello
E esegue Meglio In termini Di convalida impostato prestazione
per predire passaggio O fallire.
Prima procedere con IL Prossimo modellazione cose,
Io sono andando A Fare qualcosa Quello I Dovrebbe Avere probabilmente Fatto A IL molto inizio,
Quale È A Prendere a Aspetto A IL sensori In a diagramma di dispersione matrice
A Vedere Come correlato IL sensore letture Sono,
E Anche Aspetto A istogrammi Di loro COME BENE A Vedere Se loro sono valore anomalo incline
o pesantemente storto O Altrimenti altamente non- gaussiana.
Che cosa Noi Vedere Qui È Là È bello forte multicollinearità
tra IL ingresso variabili generalmente.
Erano soltanto guardare A a sottoinsieme Di loro Qui,
Ma Questo alto multicollinearità persiste attraverso Tutto Di IL sensore letture.
Questo suggerisce Quello per Nostro modello,
Noi Dovrebbe Tentativo cose Piace IL logistica lazo,
IL logistica elastico netto, O una logistica cresta regressione
COME candidati per Nostro modello A predire passaggio O fallire.
Prima Noi Fare Quello, Noi Dovrebbe andare avanti
E Tentativo A trasformare Nostro sensore letture Qui
COSÌ Quello loro sono a poco morso Meglio- si è comportato E Di più gaussiano- guardare.
Questo È In realtà Veramente facile In JMP
Se Voi Avere Tutto Di IL colonne su In IL distribuzione piattaforma,
Perché Tutto Voi Avere A Fare È Presa giù Tutto , scegliere Adatto Johnson,
E Questo Volere adatto Johnson distribuzioni A Tutto IL ingresso variabili.
Questo È a famiglia Di distribuzioni
Quello È basato SU a quattro parametro trasformazione A normalità.
COME a risultato, Noi Avere a Carino caratteristica In Là
Quello Noi Potere Anche trasmissione usando Alt Clic,
Dove Noi Potere salva a trasformazione da IL originale scala
A a scala Quello fa IL colonne Di più normalmente distribuito.
Se Noi andare Indietro A IL dati tavolo,
BENE Vedere Quello per ogni sensore colonna, a trasformare colonna ha stato aggiunto.
Se Noi Portare questi trasformato colonne su con a diagramma di dispersione matrice
E alcuni istogrammi,
Noi chiaramente Vedere Quello IL dati Sono meno storto
E Di più normalmente distribuito di IL originale sensore colonne erano.
Ora IL bootstrap foresta modello Quello Ron trovato
soltanto Veramente raccomandato a piccolo numero Di colonne
per utilizzo In IL modello.
Perché Di IL alto collinearità tra IL colonne,
IL sottoinsieme Quello Noi avuto Potevo facilmente Essere parte
Di a più grande gruppo Di colonne Quello Sono correlato con uno un altro.
Esso Potevo Essere benefico A Trovare Quello più grande gruppo Di colonne
E lavoro con Quello A IL Prossimo modellazione palcoscenico.
UN esplorativo modo A Fare Questo
È A andare Attraverso IL grappolo variabili piattaforma in JMP .
Erano andando A lavoro con IL normalizzato versione Di IL sensori
Perché Questo piattaforma È PCA E fattore analisi basato,
E Volere fornire Di più affidabile risultati Se erano lavorando con dati
Quello Sono circa normalmente distribuito.
Una volta erano In IL variabile raggruppamento piattaforma,
Noi Vedere Quello Là È molto chiaro,
forte associazioni tra IL ingresso colonne.
Esso ha identificato Quello Là Sono Sette cluster,
E IL più grande grappolo, IL uno Quello spiega IL maggior parte variazione,
ha 25 membri.
IL impostato Di grappolo membri È elencato Qui SU IL Giusto.
Andiamo confrontare Questo con IL autoscontro foresta.
Qui SU IL Sinistra, Noi Avere IL colonna contributi
da IL autoscontro foresta modello Quello Voi Dovrebbe Essere familiare con di Ora.
SU IL Giusto, Noi Avere IL lista Di membri
Di Quello più grande grappolo Di variabili.
Se Noi Aspetto da vicino, BENE Vedere Quello IL i primi sette contribuendo termini
Tutto accadere A appartenere A Questo grappolo.
Io sono andando A ipotizzare Quello Questo impostato Di 25 colonne
Sono Tutto imparentato A Alcuni sottostante meccanismo
Quello cause IL unità A passaggio O fallire.
Che cosa I Volere A Fare Prossimo È I Volere A adatto modelli
usando IL generalizzato regressione piattaforma con IL variabili In Grappolo 1 Qui.
Esso volevo Essere noioso Se I avevo A andare Attraverso
E individualmente scegliere questi colonne fuori E Mettere loro in IL lancio dialogo.
Fortunatamente, c'è a tanto Più facile modo
Dove Voi Potere Appena selezionare IL righe In Quello tavolo
E IL colonne Volere Essere selezionato In IL originale dati tavolo
COSÌ Quello Quando Noi andare in IL adatto modello lancio dialogo,
Noi Potere Appena clic Aggiungere
E quelli colonne Volere Essere automaticamente aggiunto per noi COME modello effetti.
Una volta I avuto in IL Generalizzato Regressione piattaforma,
I andato avanti E adatto a lazo modello E elastico netto modello
E a cresta modello avere loro confrontato Qui A ogni altro,
E Anche A IL logistica regressione modello Quello venni su di predefinito.
Erano vedere Quello IL lazo modello È facendo a poco morso Meglio di IL riposo
In termini Di suo convalida generalizzato RS Perché.
IL differenza fra questi metodi
È Quello c'è diverso quantità Di variabile selezione
E multicollinearità gestione In ogni Di loro.
Regressione logistica ha NO multicollinearità gestione
E NO variabile selezione.
IL lazo È Di più Di a variabile selezione algoritmo,
Sebbene Esso ha a poco morso Di multicollinearità gestione In Esso
Perché suo a penalizzato metodo.
Cresta regressione ha NO variabile selezione
E È pesantemente orientato in giro multicollinearità gestione.
IL elastico netto È a ibrido fra IL lazo E cresta regressione.
In Questo caso, Che cosa Noi Veramente cura Di
È Appena IL modello questo è andando A eseguire IL migliore.
Noi permettere IL convalida A guida noi.
Erano andando A Essere lavorando con IL lazo modello da Qui SU.
Ecco IL previsione profilatore per IL lazo modello Quello era selezionato.
Noi Vedere Quello IL lazo algoritmo ha selezionato otto sensori
COME essendo predittivo Di passaggio O fallire.
Esso ha Alcuni Grande strumenti integrati
per comprensione Che cosa IL importante variabili Sono,
Entrambi In IL modello complessivamente E, nuovo A JMP Professionista 17,
Noi Avere IL capacità A capire
Che cosa variabili Sono maggior parte importante per UN individuale previsione.
Noi Potere utilizzo IL variabile importanza utensili A risposta IL domanda,
"Che cosa Sono IL importante variabili In IL modello?"
Noi Avere a varietà Di diverso opzioni per Questo.
Noi Avere a varietà Di diverso opzioni per Come Questo Potevo Essere Fatto.
Ma Perché Di IL multicollinearità E Perché Questo È non un molto grande modello,
Io sono andando A andare avanti
E utilizzo IL dipendente ricampionato input tecnica,
Da Noi Avere multicollinearità In IL dati,
E Questo ha dato noi a classifica Di IL maggior parte importante termini.
Noi Vedere Quello Colonna 18 È IL maggior parte importante,
seguito di Colonna 27 E Poi 52, Tutto IL modo giù.
Noi Potere confrontare Questo A IL autoscontro foresta modello,
E Noi Vedere Quello c'è accordo Quello Variabile 18 È importante,
lungo con 52, 61, E 53.
Ma uno Di IL termini Quello Noi Avere tirato In
Perché Di IL variabile raggruppamento fare un passo Quello Noi avevo Fatto,
Sensore 27 giri fuori A Essere IL secondo maggior parte importante predittivo
In Questo lazo modello.
Noi abbiamo fiduciosamente guadagnato qualcosa di fusione a più ampio netto Attraverso Quello fare un passo.
Noi abbiamo trovato a termine Quello non l'ha fatto giro su
In O Di IL bootstrap foresta O IL potenziato albero metodi.
Noi Anche Vedere Quello IL lazo modello ha UN RS Perché Di 0,9,
mentre IL autoscontro foresta modello avevo UN RS Perché Di 0,8.
Abbiamo a più semplice modello Quello ha UN Più facile modulo A capire
E È Più facile A lavoro con,
E Anche ha a più alto predittivo capacità di IL bootstrap foresta modello.
Ora, IL variabile importanza metrica In IL profilatore
Avere stato Là per abbastanza Alcuni tempo.
IL domanda Quello Essi risposta È, "Quale predittori Avere il più grande impatto
SU IL forma Di IL risposta superficie Sopra IL dati O Sopra a regione?"
In JMP 17 Professionista, Noi Avere a nuovo tecnica chiamato FORMA Valori
Quello È UN additivo decomposizione Di UN individuale previsione.
Esso racconta Voi di Come tanto ogni individuale variabile contribuisce
A a separare previsione,
Piuttosto di parlando Di variabilità spiegato Sopra IL Totale spazio.
IL risoluzione Di IL domanda questo è risposto di Shapley valori
È lontano Di più locale di O IL variabile importanza utensili
O IL colonna contributi i n IL bootstrap foresta.
Noi Potere ottenere IL Shapley Valori di andando A IL rosso triangolo menu per IL profilatore,
E BENE Trovare IL opzione per loro Sopra Qui, quarto da IL metter il fondo a.
Quando Noi scegliere IL opzione, IL profilatore salva Indietro FORMA colonne
per Tutto Di IL ingresso variabili A IL modello.
Questo È, Di corso, accadendo per ogni riga In IL tavolo.
Che cosa Voi Potere Vedere È Quello IL FORMA V valori Sono dare Voi IL effetto
Di ogni Di IL colonne SU IL predittivo modello.
Questo È utile In a Totale quantità Di diverso modi,
E per Quello motivo, suo ottenuto a quantità Di Attenzione in modo intelligibile IA,
Perché Esso consente noi A Vedere
cosa il contributi Sono Di ogni colonna A a nero scatola modello.
Qui, Io ho tracciato IL FORMA V valori per IL colonne Quello Sono predittivo
In IL scorso modello in forma Quello Noi Appena costruito.
Se Noi commutare Indietro E via fra IL Bene unità E IL unità Quello fallito,
Noi Vedere IL Stesso storia Quello noi abbiamo stato vedere
con IL variabile importanza metrica per Questo,
Quello Colonna 18 E Colonna 27 Sono importante In predire passaggio O fallire.
Erano vedere Questo A a più alto livello Di risoluzione
di Noi Fare con IL variabile importanza metrica,
Perché ogni Di questi punti corrisponde A UN individuale riga
In IL originale set di dati.
Ma In Questo caso, I non Vedere IL FORMA Valori
Veramente dare noi Qualunque nuovo informazioni.
I avevo sperato Quello di commutazione Attraverso
IL altro fallimento modalità, Forse I Potevo Trovare a modello
A aiuto burlone fuori diverso sensori
Quello Sono Di più importante per particolare fallimento modalità.
Ma IL soltanto cosa I era capace A Trovare era Quello Colonna 18
avevo a un po' più forte impatto SU IL Velocità Tipo 1 fallimento modalità
di IL altro fallimento modalità.
A Questo punto, noi abbiamo avevo Alcuni successo
usando quelli Grappolo 1 colonne In a binario passaggio/ fallire modello.
Ma Quando I rotto fuori IL FORMA Valori
per Quello modello, di IL diverso modalità di guasto
I non era capace A discernere a modello O tanto Di a modello.
Che cosa I fatto Prossimo era I andato avanti
E adatto IL fallimento modalità risposta colonna test risultati
usando IL Grappolo 1 colonne,
Ma I andato avanti E escluso Tutto IL passaggio righe
COSÌ Quello IL modellazione procedura volevo messa a fuoco esclusivamente
SU perspicace Quale fallimento modalità è dato Quello Noi Avere a fallimento.
I provato IL multinomiale lazo, elastico netto, E cresta,
E I era particolarmente Contento con IL lazo modello
Perché Esso ha dato Me a convalida RS Perché Di Di 0,94.
Avendo stato bello Contento con Quello,
I andato avanti E salvato IL probabilità formule
per ogni Di IL fallimento modalità.
Ora IL compito È A Venire su con a semplice regola
Quello inviare processi Quello previsione formula
A Fare a decisione Di Quale fallimento modalità.
I chiamata Questo IL partizione trucco.
Il trucco della partizione è Dove I Mettere In IL probabilità formule
per a categorico risposta, O Anche a multinomiale risposta.
I Mettere quelli probabilità formule In come X.
I utilizzo Mio categorico risposta COME Mio E.
Questo È IL Stesso risposta Quello era usato
per Tutto Di questi tranne per passare, In realtà.
I conservare IL Stesso convalida colonna Quello Io ho stato lavorando con IL Totale tempo.
Ora Quello Io sono In IL partizione piattaforma,
Io sono andando A colpo Diviso a coppia Di volte, E Io sono andando A Speranza
Quello I FINE su con UN facilmente comprensibile decisione regola
questo è facile A comunicare.
Quello Maggio O Maggio non accadere.
A volte Esso opere, A volte Esso non lo fa.
COSÌ I diviso una volta, E Noi FINE su vedere Quello
ogni volta IL probabilità Di passaggio È più alto di 0,935,
Noi Quasi certamente Avere a passaggio.
Non molti passa Sono Sinistra Sopra SU IL altro lato.
I Prendere un altro diviso.
Noi Trovare a decisione regola SU ITM
Quello È altamente predittivo Di ITM COME a fallimento modalità.
Diviso Ancora.
Noi Trovare Quello ogni volta Motore È meno di 0,945,
erano O predire Motore O Freno.
Noi Prendere un altro diviso.
Noi Trovare Quello ogni volta Velocità Tipo 1, la sua probabilità È più grande di 0,08
o probabilmente In a Velocità Tipo 1 situazione O In a Velocità T tipo 2 situazione.
Ogni volta Velocità Tipo 1 È meno di 0,79,
erano probabile In a pinza fallimento modalità O UN IMP fallimento modalità.
Che cosa Fare Noi Avere Qui? Noi Avere a semplice decisione regola.
Erano andando A non Essere capace A rottura questi fallimento modalità giù tanto ulteriore
a causa di IL molto piccolo numero Di attuale eventi Quello Noi Avere.
Ma Noi Potere giro Questo in a semplice regola
per identificazione unità Quello Sono probabilmente Bene,
E Se loro sono non, Noi Avere UN idea Di Dove A Aspetto A aggiustare IL problema.
Noi Potere salva Questo decisione regola fuori COME a foglia etichetta formula.
Noi Vedere Quello SU IL convalida impostato,
Quando Noi predire suo Bene, è buono per la maggior parte Di IL tempo.
Noi fatto Avere uno classificazione errata Di a Velocità Tipo 2 fallimento
Quello era In realtà previsto A Essere Bene.
Prevedere pinze O IMP, suo Tutto Sopra IL posto.
Quello foglia era non super utile.
Prevedere ITM è 100 %.
Ogni volta Noi predire a motore O freno,
SU IL convalida impostato, Noi Avere a motore O a freno fallimento.
Quando Noi predire a Velocità Tipo 1 o 2,
Esso fatto a bello Bene lavoro Di raccolta Quello su
con Quello uno eccezione Di IL separare Velocità Tipo 2 unità
Quello era In IL convalida impostato,
E Quello accaduto A Avere stato classificato erroneamente.
Noi Avere UN facilmente operativo regola Qui Quello Potevo Essere usato A ordinare prodotti
E Dare noi a Testa inizio SU Dove Noi Bisogno A Aspetto A aggiustare cose.
I pensare Questo era a bello stimolante problema,
Perché Noi non l'ha fatto Avere a Totale quantità Di dati.
Ma Noi non l'ha fatto Avere a quantità Di righe,
Ma Noi avevo a quantità Di diverso categorie A predire
e un Totale quantità Di possibile predittori A utilizzo.
Noi abbiamo ottenuto Là di prendendo a serie Di passi,
chiedendo domande,
A volte prendendo a fare un passo Indietro E chiedendo a più grande domanda.
Altro volte, restringimento In SU particolare sub- problemi.
A volte Nostro escursioni erano fruttuoso, E A volte Essi non lo erano.
Nostro scopo Qui È A illustrare
Come Voi Potere fare un passo Attraverso a modellazione processo,
Attraverso Questo sequenza Di chiedendo domande
usando modellazione E visualizzazione utensili A guida tuo Prossimo fare un passo,
E in movimento SU Fino a tu sei capace A Trovare
a utile, attuabile, predittivo modello.
Grazie Voi molto tanto per tuo Attenzione.
Noi Aspetto inoltrare A parlando A Voi In Nostro Domande e risposte sessione in arrivo su Prossimo.
