こんにちは、 私は ロン ケネット。
これ は a ジョイント 話す と クリス ゴットワルト。
だった 行く に 話す に あなた について モデル。
モデルは 使用済み 広範囲に。
私たちは 希望 に 持ってくる いくつかの 追加 視点
の上 どうやって に 使用 モデル で 一般的な。
私たちは 電話 その 話す
"違う 目標、 違う モデル:
どうやって に 使用 モデル に 研ぐ あなたの 質問があります。」
私の 一部 意思 なれ 一つの イントロ、 そして 病気 与える 一つの 例。
あなたは 持っている アクセス に その データ 私は 使用しています。
それから クリス 意思 続く と もっと 複雑な 例、
導入 その シャープ 価値観 利用可能 で ジャンプ 17,
そして 提供する いくつかの 結論。
私たちは 全て 知る それ 全て モデル は 間違っている、
しかし いくつかの は 役に立つ。
一人で カーリン 言った 何か 違う。
彼 言った それ その 目的 の モデル は ない に フィット その データ、
しかし に 研ぐ その 質問。
それから これ 男、 パブロ ピカソ、 彼 言った ...の中に何か
彼 死亡した で 1973年、 それで あなた できる 想像する いつ これ だった 言った。
I 考える で その 早い '70 秒。
「コンピューター は 使い物にならない。 彼らは できる のみ 与える あなた 答えます。
彼 は もっと で ライン と カーリン。
私の 取る の上 これはそれです
これは 重要な違い 間 a モデル そして a コンピューター プログラム。
私は 見ている で その モデル から a 統計学者の 視点。
取引 と ボックスの 有名な 声明。
"はい、 いくつかの は 役に立つ。 どれの のものですか？
お願いします ヘルプ 私たち。
何をする あなた 平均 による いくつかの は 役に立つ？
その ない とても 役に立つ に 言う それ .
カーリンへ向かう、 「研ぐ その 質問。"
わかった、 それは a 良い アイデア。
どうやって する 私たちは する それ？
その ポイント は それ 箱 思われる 集中した データ分析フェーズについて
統計のライフサイクルビューでは、 問題の抽出から始まり、
動き に ゴール 処方、 データ コレクション、 データ 分析、
調査結果、 運用化 の 発見、
コミュニケーション 調査結果、 そして インパクト 評価。
カーリンは もっと 集中した の上 その 問題 誘発 段階。
これら 二 引用 の 箱 そして カーリン
参照する に 違う ステージ で これ 人生 サイクル。
その データ 私は 行く に 使用 は 一つの 工業用 データ セット、
174 件の観察結果。
私たちは 持っている センサー データ。
私たちは 持っている 63 センサー。
彼らです ラベル付き 1、2、3、4 に 63.
私たちは 持っている 二 応答 変数。
これら は 来る から テスト いくつかの システム。
その 状態 報告 は 不合格/合格。
52.8% の その システム それ だった テスト済み 失敗した。
私たちは 持っている 別の 報告、
どれの は a もっと 詳細な 報告 の上 テスト 結果。
いつ システム 失敗、
私たちは 持っている いくつかの 分類 の その 失敗。
テスト 結果 は もっと 詳細。
状態 は 行く/行かない。
その ゴール は に 決定する その システム 状態 から その センサー データ
それで それ 私たちは できる 多分 避ける その コスト そして 遅延 の テスト、
そして 私たちは できる 持っている いくつかの 早い 予測 の上 その 信仰 の その システム。
1つ アプローチ 私たちは できる 取る は に 使用 a ブースト 木。
私たちは 置く その 状態 応答として、63 個のセンサー X の係数。
その ブースト 木 は 訓練を受けた 順次、 1つ 木 で a 時間。
T 彼 他の モデル だった 行く に 使用 は ランダム 森、
そして それは 終わり と 独立した 木々。
そこには は a 一連 側面 で ブースト 木々
それ は 違う から ランダム 森林。
その 設定 の ブースト 木々 含まれる 三つ パラメータ:
その 番号 の 木々、 深さ の 木々、 そして その 学ぶ レート。
これ は 何 ジャンプ 与える として デフォルト。
ブースト 木々 できる なれ 使用済み に 解決する ほとんど 客観的 機能。
私たちは できた 使用 それ のために ポアソン 回帰、
どれの は 取引 と カウント それ は a 少し もっと強く に 成し遂げる
と ランダム 森林。
だった 行く に 集中 の上 これら 二 種類 の モデル。
いつ 私たちは 適用する その ブースト 木、
そして 私たちは 持っている a 検証 セット 上
と 43 システム 描かれた ランダムに として その 検証 セット。
131のシステム 使用される のために その トレーニング セット。
私たちは は 取得 a 9.3% 誤分類 レート。
三つ 失敗した システム。
私たちは 知る 彼らは 失敗した なぜなら 私たちは 持っている それ で その データ、
だった 実は 分類された として 合格。
その 20 それ 合格した、 19 だった 分類された として 合格。
その 間違い 予測された 合格 は 13 %.
私たちは できる 見て で その 変数 カラム 貢献。
私たちは 見る それ センサー 56, 18歳 11, そして 61 は その トップ 4つ
で 条項 の 貢献する に これ 分類。
私たちは 見る それ で その トレーニング セット、 私たちは 持っていた ゼロ 誤分類。
私たちは かもしれない 持っている いくつかの 以上 フィッティングi n これ BT 応用。
もし 私たちは 見て で その リフト 曲線、
40 % の その システム、 私たちは できる 得る 以上 二 リフト
どれの は この分類器が提供するパフォーマンス。
もし 私たちは 試す その ブーイング トラップ 森、
別の オプション、 また、 私たちは する その 同じ もの。
私たちは 使用 その 同じ 検証 セット。
その デフォルト の ジャンプ は 与える あなたにいくつか パラメータ
のために その 番号 の 木々
そして その 番号 の 特徴 に なれ 選択された で それぞれ モード。
これ は どうやって その ランダム 森 動作します。
あなた すべき なれ わかっている それ これ は ない とても 良い
もし あなた 持っている カテゴリカル 変数 そして ない データ、
どれの は ない 私たちの 場合 ここ。
今、 その 誤分類 レート は 6.9、 より低い よりも 前に。
の上 その トレーニング セット、 私たちは 持っていた いくつかの 誤分類。
その ランダム 森 適用済み に その テスト 状態、
どれの 手段 いつ 私たちは 持っている その 詳細 の上 その 失敗 は 23.4、
それで 悪い パフォーマンス。
また、 の上 その トレーニング セット、 私たちは 持っている 5% 誤分類。
しかし 私たちは 持っている 今 a より広い 範囲 の オプション
そしてそれは説明している いくつかの の その より低い パフォーマンス。
で その リフト 曲線 の上 その テスト 結果、
私たちは 実は、 と とても 良い パフォーマンス、
できる 選ぶ 上 その トップ 10 % の その システム と a てこの作用 の その上 10.
それで 私たちは 持っている 10以上 折り畳み 増加 のために 10 % の その システム
相対的 に その 壮大な 平均。
今 これ は ポーズ a 質問- 覚えて その トピック の その 話す-
何 は 私たちは 見ている で？
する 私たちは 欲しい に 識別する トップ スコア 良い システムですか?
その ランダム 森 だろう する それ と その テスト 結果。
または する 私たちは 欲しい に 予測する a 高い 割合 の 合格？
その ブートストラップツリー だろう オファー それ。
A 二次 質問 は に 見て で 何 は 影響を与える これ 分類。
私たちは できる 見て で その カラム 貢献 の上 その ブースト 木。
三つ の その 4トップ 変数 見せる 上 また の上 その ランダム 森。
もし 私たちは 使用 その 状態 合格/不合格、
または その 詳細な 結果、
そこには は a 多く の 類似性 の上 その 重要性 の その センサー。
これ は ただ 与える あなた いくつかの 背景。
クリス は 行く に フォローする 上 と 一つの 評価 の その 感度
の これ 変数 重要性、 その 使用 の シャープv 値
そしてもっと面白いもの。
これ 行く 戻る に 尋問 何 は あなたの ゴール、
そして どうやって は その モデル 助ける あなた 形 外 その ゴール
そして 多分 研ぎ その 質問 それ 来る から その 声明 の その ゴール。
クリス、 その すべてあなたのものです。
ありがとう、 ロン。
私は 行く に 選ぶ 上 から どこ ロン 中断
そして 求める a モデル それ 意思 予測する かどうか または ない a ユニット は 良い または ない、
そして もし それ そうではない、 何ですか その おそらく 失敗 モード それ もっている 結果はどうなりましたか?
これ だろう なれ 役に立つ その中で もし a モデル は 良い で 予測する 良い ユニット、
私たちは 5月 ない 持っている に 主題 彼ら に 多くの さらに遠く テスト。
もし その モデル 与える a 予測された 失敗 モード、
だった できる に 得る a 頭 始める の上 診断 そして 修正 その 問題、
そして おそらく、 私たちは 5月 なれ できる に 得る いくつかの ヒント
の上 どうやって に 改善する その 生産 プロセス で その 未来。
私は 行く に 行く を通して その 順序
の どうやって I 近づいた 答える これ 質問 から その データ。
I 欲しい に 言う で その 最初 それ これ は 単に その パス それ I 取った
として I 尋ねた 質問 の その データ そして 行動した の上 様々な パターン それ I 見た。
そこには は 文字通り 多くの 他の 方法 それ 1つ できた 進む と これ。
そこには 頻繁 ない 本当に a 本当に 正しい 答え、
ただ a 基準 のために かどうか または ない その モデル は 良い 十分、
そして その 額 それ あなたは できる に 得る 終わり
で その 時間 それ あなた 持っている に 得る a 結果 戻る。
I 持っている いいえ 疑い それ そこには は より良い モデル 外 そこには
よりも 何 I 来た 上 と ここ。
私たちの ゴール は に 見せる 一つの 実際の プロセス の タックル a 予測 問題、
図示 どうやって 1つ できる 動く フォワード
による 反復する を通して サイクル の モデリング そして 視覚化、
続いて による 観察する その 結果 そして 使用して 彼ら に 聞く 別の 質問
それまで 私たちは 探す 何か の 一つの 答え。
I 意思 なれ 使用して ジャンプ として a 統計的 スイス 軍 ナイフ、
使用して 多くの ツール で ジャンプ
そして 続く その 直感 I 持っている について モデリング データ
それ もっている 建てられた 上 以上 多くの 年。
初め、 さあ ただ 取る a 見て
で その 周波数 の その 様々な テスト 結果 カテゴリー。
私たちは 見る それ その 最大 そして ほとんど 頻繁 カテゴリ は 良い。
良い おそらく 持っている その ほとんど 運 いる できる に 予測する それ カテゴリ。
の上 その 他の 手、 その SOS カテゴリ もっている のみ 二 イベント
それで その 行く に なれ とても 難しい のために 私たち に なれ できる に する 多くの と それ カテゴリ。
私たちは 5月 持っている に セット それ 1つ さて。
良い 見る について それ。
ベロシティII、 インプ、 そして ブレーキ
は 全て かなり レア と 五 または 六 イベント それぞれ。
そこには 5月 なれ いくつかの 制限 で 何 だった できる に する と 彼ら として 良い。
I 言う これ なぜなら 私たちは 持っている 174 観察
そして 私たちは 持っている 63 予測子。
それで 私たちは 持っている a 多く の 予測因子 のために a とても 小さい 番号 の 観察、
どれの は 実は 平 小さい いつ あなた 考慮する その 周波数
の いくつかの の その カテゴリー それ だった 試して に 予測する。
だった 行く に 持っている に 仕事 反復的に による やっている 視覚化 で モデリング、
認識する パターン、 尋ねる 質問、
そして それから 演技 の上 それらの と 別の モデリング ステップ 反復的に
で 注文 に 探す a モデル それは 行く に する a 良い 仕事
の 予測する これら 応答 カテゴリー。
I 持っている その データ ソートされた による テスト 結果、
それで それ その 良い 結果 は で その 始まり、
続いて による それぞれ の その 違う 失敗 モードd となることによって その後 それ。
I 行った 先に そして 色付き それぞれ の その 行 による テスト 結果 それで それ 私たちは できる 見る
どれの 観察 所属する に a 特定の 応答 カテゴリ。
それで それから I 行った の中へ その モデル- 駆動された 多変量 コントロール チャート
そして I 持ってくる で 全て の その センサー として プロセス 変数。
以来 I 持っていた その 良い テスト 結果 で その 始まり、
I ラベル付き それらの として 歴史的 観察。
これ 私たちに与える a T² チャート。
その 選ばれた 13 主要 コンポーネント として その 基礎。
何 私たちは 見る ここ
は それ その チャート は 支配された による これら 二 ポイント 右 ここ
そして 全て の その 他の ポイント は とても 小さい で 価値
相対的 に それらの 二。
これら2つのポイントが起こる に なれ SOS ポイント。
彼らは は とても 深刻な 外れ値 で その センサー 読み物。
以来 私たちは また のみ 持っている 二 観察 の それらの、
私は 行く に 行く 先に そして 取る それらの 外 の その データ セット
そして 言う、 さて、SOSは 明らかに それで 悪い それ その センサー
すべき なれ ただ フライング オフ その チャート。
もし 私たちは 出会い それ、 だった ただ 行く に 行く 先に
そして 試す に 懸念 私たち自身 と その 他の 価値観
それ しない 持っている これ オフ- その- チャート 行動。
切り替え に a ログ 規模、 私たちは 見る それ その 良い テスト 結果
は かなり 良い -行儀が良かった。
それから そこには 明確な 信号
で その データ のために その 違う 失敗 モード。
今 私たちは できる ドリル 下 a 少し 少し もっと深く、
服用 a 見て で その 貢献 プロット のために その 歴史的 データ、
その 良い テスト 結果 データ、 そして その 失敗 モード
に 見る もし どれでも パターン 出現する で その センサー それ 私たちは できる 活動 その上。
私は 行く に 取り除く それらの 2つのSOS 観察
そして 選択 その 良い ユニット。
もし I 右クリック で その プロット、
I できる 持ってくる 上 a 貢献 プロット
のために その 良い ユニット、 そして それから I できる 行く 以上 に その ユニット
どこ そこには だった a 失敗、 そして I できる する その 同じ もの、
そして 良い なれ できる に 比較する その 貢献 プロット 側 による 側。
それで 何 私たちは 見る ここ は その 貢献 プロット
のために その 合格 ユニット そして その 失敗 ユニット。
その 貢献 プロット
は その 額 それ それぞれ カラム は 貢献する に その T ²
のために a 特定の 行。
それぞれの その バー そこには 対応する に 一つの 個人 センサー のために それ 行。
貢献 プロット は 色付き 緑 いつ それ カラム は 内で 三つ シグマ、
使用して 一つの 個人 そして 動く 範囲 チャート、
そして その 赤 もし その 外 の コントロール。
ここ 私たちは 見る ほとんど の その センサー は で コントロール のために その 良い ユニット、
そして ほとんど の その センサー は 外 の コントロール のために その 失敗した ユニット。
何 I だった 期待して のために ここ
だろう 持っている された もし そこには だった のみ a サブセット の その 列
または センサー それ だった 外 の コントロール 上の その 失敗した ユニット。
または もし I だった できる に 見る パターン
それ 変更された 横切って その 違う 失敗 モード、
どれの だろう ヘルプ 自分 隔離する 何 変数 は 重要
のために 予測する その テスト 結果 結果。
残念ながら、 かわいい 多くの 全て の その センサー
は で コントロール いつ もの は 良い、
そして ほとんど の 彼ら は 外 の コントロール いつ もの は 悪い。
そこで私たちは 持っている に 使用 いくつかの もっと 洗練された モデリング
に なれ できる に 取り組む これ 予測 問題。
持つ ない 見つかった 何でも で その カラム 貢献 プロット、
私は 行く に 戻る 上 そして 戻る に その 二 モデル それ ロン 見つかった。
ここ は その カラム 貢献 のために それらの 二 モデル、
そして 私たちは 見る それ そこには いくつかの 合意 で 条項 の
何 は その ほとんど 重要 センサー。
しかし ブースト 木 見つかった a 幾分 大きい セット の センサー として いる 重要
以上 その ブートストラップ 森。
どれの の これら 二 モデル すべき 私たちは 信頼 もっと？
もし 私たちは 見て で その 全体 モデル フィット 報告、
私たちは 見る それ その ブースト 木 モデル もっている a とても 高い トレーニング RS なぜ の 0.998
そして a 幾分 小さいv アリデーション RS なぜ の 0.58。
これ 見た目 のように 一つの 過剰適合 状況。
いつ 私たちは 見て で その ランダム 森、 それ もっている a 幾分 小さい トレーニング RS なぜ、
多分 a もっと 現実的 1つ、 よりも その ブートストラップ 森、
そして それは a 幾分 大きい 検証 RS なぜ。
その 一般化 パフォーマンス の その ランダム 森
は うまくいけば a 少し 少し より良い。
私は 傾斜した に 信頼 その ランダム 森 モデル a 少し 少し もっと。
一部 の これ は 行く に なれ ベース その上 ただ その 民間伝承 の これら 二 モデル。
ブースト 木々 は 有名な のために いる 速い、 非常に 正確な モデル
それ 仕事 良い の上 とても 大きい データセット。
一方 その 伝聞 は それ ランダム 森林 は もっと 正確な の上 小さい データセット。
彼らは は かなり 屈強、 乱雑な、 そして うるさい データ。
そこには a 長さ 歴史 の 使用して これら 種類 の モデル
のために 変数 選択 それ 行く 戻る に a 紙 で 2010
それ もっている された 引用 ほとんど 1200 回。
それで これ は a 人気のある アプローチ のために 変数 選択。
I した a 似ている 検索 のために ブースト、
そして I しなかった とても 見る として 多くの 歴史 その周り 変数 選択
のために ブースト 木々 として I した のために ランダム 森林。
のために これ 与えられた データ セットr ライト ここ、
私たちは できる する a 感度 分析 に 見る どうやって 信頼性のある
その カラム 貢献 は のために これら 二 違う アプローチ、
使用して その シミュレーション 機能 で ジャンプ プロ。
何 私たちは できる する は 作成する a ランダム 検証 カラム
それ は a 式 カラム
それ あなた できる リセット そして 意思 パーティション その データ
の中へ ランダム トレーニング そして ホールドアウト セット の その 同じ 部分
として その オリジナル 検証 カラム。
私たちは できる 持っている それ 再放送 これら 二 分析
そして 保つ 追跡 の その カラム 貢献 部分
のために それぞれ の これら 再パーティション化。
私たちは できる 見る どうやって 一貫性のある その 物語は
間 その ブースト 木 モデル そして その ランダム 森林。
これ は かわいい 簡単 に する。
ただ行くだけ に その 作る 検証 カラム ユーティリティ
そして いつ 私たちは 作る a 新しい カラム、 私たちは 聞く それ に 作る a 式 カラム
それで それは できた なれ 再初期化されました。
それから 私たちは できる 戻る に その ブートストラップ 森 プラットフォーム、
右- クリック の上 その カラム 貢献 部分、
選択 シミュレーションします。
それは 持ってくる 上 a ダイアログ
尋ねる 私たち どれの の その 入力 列 私たちは 欲しい に スイッチ 外。
私は 行く に 選ぶ その 検証 カラム、
そして 私は 行く に スイッチ で 代わりに の それ、
これ ランダム 検証 式 カラム。
だった 行く に する これは100 回。
ブートストラップ 森 は 行く に なれ 再放送
使用して 新しい ランダム パーティション の その データ の中へ トレーニング そして 検証。
だった 行く に 見て で その 分布 の その 部分
横切って 全て その シミュレーション 実行されます。
これ 意思 生成する a データセット
の カラム 貢献 部分 のために それぞれ センサー。
私たちは できる 取る これ そして 行く の中へ その グラフ ビルダー
そして 取る a 見て そして 見る どうやって 一貫性のある それらの カラム 貢献 は
横切って 全て これら ランダム パーティション の その データ。
ここ は a プロット の その カラム 貢献 部分
から それぞれ の その 100 ランダム 再編 の その 検証 カラム。
これらの点 私たちは 見る で ここは灰色、
センサー 18 思われる に なれ 一貫して a 大きい 寄稿者、 として する センサー 61.
私たちは また 見る と これら 赤 十字架、
それらの は その カラム 貢献 から その オリジナル 分析 それ ロン した。
その 全体 話 それ これ 伝える は それ その 傾向
i s それ いつでも その オリジナル カラム 貢献 小さかった、
それらの 再 シミュレーション カラム 貢献 また 世話をした に なれ 小さい。
いつ その カラム 貢献 だった 大きい で その オリジナル 分析、
彼らは 世話をした に 滞在する 大きい。
だった 取得 a 比較的 一貫性のある 話 から その ブートストラップ 森
で 条項 の 何 列 は 重要。
今 私たちは できる する その 同じ もの と その ブースト 木、
そして その 結果 ない とても として 一貫性のある として 彼らは だった と その ブートストラップ 森。
それで ここ は a 束 の 列
どこ その イニシャル カラム 貢献 来た 非常に小さい
しかし 彼らは 持っていた a もっと 実質的な 貢献
で いくつかの の その ランダム 内閣改造 の その 検証 カラム。
それ また 起こった とても a 少し 終わりました これら 列 52 を通して 55 以上 ここ。
それから そこには だった また いくつかの 状況
どこ その オリジナル カラム 貢献 だった とても 大きい、
そして ほとんど、 もし ない 全て、
の その 他の カラム 貢献 見つかった で その シミュレーション だった 小さくなります。
それ 起こる ここ と カラム 48,
そして に いくつかの 範囲 また と カラム 11 以上 ここ。
その 全体 結論 いる それ I 考える これ 検証 シャッフリング
は 示す それ 私たちは できる 信頼 その カラム 貢献
から その ブートストラップ 森 に なれ もっと 安定した よりも それらの の その ブースト 木。
に基づく これ 比較、 I 考える I 信頼 その カラム 貢献
から その ブートストラップ 森 もっと、
そして 私は 行く に 使用 その 列 それ それ 推奨
として その 基礎 のために いくつかの 他の モデル。
何 私は のように に する
は 探す a モデル それ は 両方 よりシンプルに よりも その ブートストラップ 森 モデル
そして 実行する より良い で 条項 の 検証 セット パフォーマンス
のために 予測する 合格 または 失敗。
前に 進行中 と その 次 モデリング もの、
私は 行く に する 何か それ I すべき 持っている おそらく 終わり で その とても 始まり、
どれの は に 取る a 見て で その センサー で a 散布図 マトリックス
に 見る どうやって 相関関係 その センサー 読書 は、
そして また 見て で ヒストグラム の 彼ら として 良い に 見る もし 彼らは 外れ値- うつ伏せ
または重く 歪んだ または さもないと 非常に 非 ガウス分布。
何 私たちは 見る ここ は そこには は かわいい 強い 多重共線性
の間で その 入力 変数 一般的に。
だった のみ 見ている で a サブセット の 彼ら ここ、
しかし これ 高い 多重共線性 持続する 横切って 全て の その センサー 読み物。
これ 示唆する それ のために 私たちの モデル、
私たちは すべき 試す もの のように その ロジスティック 投げ縄、
その ロジスティック 弾力性のある ネット、 または ロジスティック リッジ 回帰
として 候補者 のために 私たちの モデル に 予測する 合格 または 失敗。
前に 私たちは する それ、 私たちは すべき 行く 先に
そして 試す に 変身 私たちの センサー 読書 ここ
それで それ 彼らは a 少し 少し より良い- 行儀の良い そして もっと ガウス分布 見ています。
これ は 実は 本当に 簡単 で ジャンプ
もし あなた 持っている 全て の その 列 上 で その 分布 プラットフォーム、
なぜなら 全て あなた 持っている に する は 所有 すべてダウン , 選ぶ フィット ジョンソン、
そして これ 意思 フィット ジョンソン 分布 に 全て その 入力 変数。
これ は a 家族 の 分布
それ は ベース の上 a 4つ パラメータ 変換 に 正常。
として a 結果、 私たちは 持っている a ニース 特徴 で そこには
それ 私たちは できる また 放送 Altキーを使用 クリック、
どこ 私たちは できる 保存 a 変換 から その オリジナル 規模
に a 規模 それ 作る その 列 もっと 通常 配布されます。
もし 私たちは 行く 戻る に その データ テーブル、
良い 見る それ のために それぞれ センサー カラム、 a 変身 カラム もっている された 追加した。
もし 私たちは 持ってくる これら 変身した 列 上 と a 散布図 マトリックス
そして いくつかのヒストグラム、
私たちは 明らかに 見る それ その データ は 少ない 歪んだ
そして もっと 通常 分散型 よりも その オリジナル センサー 列 だった。
今 その ブートストラップ 森 モデル それ ロン 見つかった
のみ 本当に 推奨 a 小さい 番号 の 列
のために 使用 で その モデル。
なぜなら の その 高い 共線性 の間で その 列、
その サブセット それ 私たちは 得た できた 簡単に なれ 一部
の a 大きい グループ の 列 それ は 相関関係 と 1つ 別の。
それ できた なれ 有益 に 探す それ 大きい グループ の 列
そして 仕事 と それ で その 次 モデリング ステージ。
アン 探索的な 方法 に する これ
は に 行く を通して その クラスタ 変数 プラットフォーム JMPで .
だった 行く に 仕事 と その 正規化された バージョン の その センサー
なぜなら これ プラットフォーム は PCA そして 要素 分析 に基づいて、
そして 意思 提供する もっと 信頼性のある 結果 もし だった 働く と データ
それ は 約 通常 配布されます。
一度 だった で その 変数 クラスタリング プラットフォーム、
私たちは 見る それ そこには は とても クリア、
強い 協会 の間で その 入力 列。
それ もっている 特定された それ そこには は セブン クラスター、
そして その 最大 クラスタ、 その 1つ それ 説明する その ほとんど 変化、
もっている 25 メンバー。
その セット の クラスタ メンバー は リストされている ここ の上 その 右。
さあ 比較する これ と その ブートストラップ 森。
ここ の上 その 左、 私たちは 持っている その カラム 貢献
から その ブートストラップ 森 モデル それ あなた すべき なれ おなじみ と による 今。
の上 その 右、 私たちは 持っている その リスト の メンバー
の それ 最大 クラスタ の 変数。
もし 私たちは 見て 密接に、 良い 見る それ その トップ7 貢献する 条項
全て 起こる に 属する に これ クラスタ。
私は 行く に 仮説を立てる それ これ セット の 25 列
は 全て 関連している に いくつかの 基礎となる 機構
それ 原因 その ユニット に 合格 または 失敗。
何 I 欲しい に する 次 は I 欲しい に フィット モデル
使用して その 一般化された 回帰 プラットフォーム と その 変数 で クラスタ 1 ここ。
それ だろう なれ 退屈な もし I 持っていた に 行く を通して
そして 個別に 選ぶ これら 列 外 そして 置く 彼ら の中へ その 打ち上げ ダイアログ。
幸いなことに、 そこには a 多くの より簡単に 方法
どこ あなた できる ただ 選択 その 行 で それ テーブル
そして その 列 意思 なれ 選択された で その オリジナル データ テーブル
それで それ いつ 私たちは 行く の中へ その フィット モデル 打ち上げ ダイアログ、
私たちは できる ただ クリック 追加
そして それらの 列 意思 なれ 自動的に 追加した のために 私たち として モデル 効果。
一度 I 得た の中へ その 一般化された 回帰 プラットフォーム、
I 行った 先に そして フィット a 投げ縄 モデル そして 弾力性のある ネット モデル
そして a リッジ モデル 持つ 彼ら 比較すると ここ に それぞれ 他の、
そして また に その ロジスティック 回帰 モデル それ 来た 上 による デフォルト。
だった 見る それ その 投げ縄 モデル は やっている a 少し 少し より良い よりも その 休む
で 条項 の その 検証 一般化された RS なぜ。
その 違い 間 これら 方法
は それ そこには 違う 金額 の 変数 選択
そして 多重共線性 取り扱い で それぞれ の 彼ら。
ロジスティック回帰 もっている いいえ 多重共線性 取り扱い
そして いいえ 変数 選択。
その 投げ縄 は もっと の a 変数 選択 アルゴリズム、
それでも それ もっている a 少し 少し の 多重共線性 取り扱い で それ
なぜなら その a 罰せられる 方法。
リッジ 回帰 もっている いいえ 変数 選択
そして は 重く 指向 その周り 多重共線性 取り扱い。
その 弾力性のある ネット は a ハイブリッド 間 その 投げ縄 そして リッジ 回帰。
で これ 場合、 何 私たちは 本当に ケア について
は ただ その モデル それは 行く に 実行する その 最高。
私たちは 許可する その 検証 に ガイド 私たち。
だった 行く に なれ 働く と その 投げ縄 モデル から ここ の上。
こちらは その 予測 プロファイラー のために その 投げ縄 モデル それ だった 選択されました。
私たちは 見る それ その 投げ縄 アルゴリズム もっている 選択された 八 センサー
として いる 予測的な の 合格 または 失敗。
それ もっている いくつかの 素晴らしい 組み込みツール
のために 理解 何 その 重要 変数 は、
両方 で その モデル 全体 そして、 新しい に ジャンプ プロ 17,
私たちは 持っている その 能力 に 理解する
何 変数 は ほとんど 重要 のために 一つの 個人 予測。
私たちは できる 使用 その 変数 重要性 ツール に 答え その 質問、
"何 は その 重要 変数 で その モデル？"
私たちは 持っている a バラエティ の 違う オプション のために これ。
私たちは 持っている a バラエティ の 違う オプション のために どうやって これ できた なれ 終わり。
しかし なぜなら の その 多重共線性 そして なぜなら これ は ない 非常に 大きい モデル、
私は 行く に 行く 先に
そして 使用 その 依存 再サンプリング 入力 技術、
以来 私たちは 持っている 多重共線性 で その データ、
そして これ もっている 与えられた 私たち a ランキング の その ほとんど 重要 条項。
私たちは 見る それ カラム 18 は その ほとんど 重要、
続いて による カラム 27 そして それから 52, 全て その 方法 下。
私たちは できる 比較する これ に その ブートストラップ 森 モデル、
そして 私たちは 見る それ そこには 合意 それ 変数 18 は 重要、
平行 と 52, 61, そして 53.
しかし 1つ の その 条項 それ 私たちは 持っている 引っ張られた で
なぜなら の その 変数 クラスタリング ステップ それ 私たちは 持っていた 終わり、
センサー 27 ターン 外 に なれ その 2番 ほとんど 重要 予測的な
で これ 投げ縄 モデル。
私たちは うまくいけば 獲得した 何か による 鋳造 a より広い ネット を通して それ ステップ。
私たちは 見つかった a 学期 それ しなかった 振り向く 上
で どちらか の その ブートストラップ 森 または その ブースト 木 方法。
私たちは また 見る それ その 投げ縄 モデル もっている 一つの RS なぜ の 0.9、
一方 その ブートストラップ 森 モデル 持っていた 一つの RS なぜ の 0.8。
我々は持っています a よりシンプルに モデル それ もっている 一つの より簡単に 形状 に 理解する
そして は より簡単に に 仕事 と、
そして また もっている a より高い 予測的な 容量 よりも その ブートストラップ 森 モデル。
今、 その 変数 重要性 メトリクス で その プロファイラー
持っている された そこには のために とても いくつかの 時間。
その 質問 それ 彼らは 答え は、 "どれの 予測因子 持っている 最大の インパクト
の上 その 形 の その 応答 表面 以上 その データ または 以上 a 地域？"
で ジャンプ 17 プロ、 私たちは 持っている a 新しい 技術 と呼ばれる シャープ 価値観
それ は 一つの 添加剤 分解 の 一つの 個人 予測。
それ 伝える あなた による どうやって 多くの それぞれ 個人 変数 貢献する
に a シングル 予測、
それよりも よりも 話している について 変動性 説明 以上 その 全体 空間。
その 解決 の その 質問 それは 答えた による シャプレー 価値観
は 遠い もっと 地元 よりも どちらか その 変数 重要性 ツール
または その カラム 貢献 i n その ブートストラップ 森。
私たちは できる 得る その シャプレー 価値観 による 行く に その 赤 三角形 メニュー のために その プロファイラー、
そして 良い 探す その オプション のために 彼ら 以上 ここ、 4番目から その 底。
いつ 私たちは 選ぶ その オプション、 その プロファイラー 保存 戻る シャープ 列
のために 全て の その 入力 変数 に その モデル。
これ は、 の コース、 ハプニング のために 毎 行 で その テーブル。
何 あなた できる 見る は それ その シェイプV 値 は 与える あなた その 効果
の それぞれ の その 列 の上 その 予測的な モデル。
これ は 役に立つ で a 全体 多く の 違う 方法、
そして のために それ 理由、 その 得た a 多く の 注意 理解できる AI、
なぜなら それ 許可する 私たち に 見る
何だ 貢献 は の それぞれ カラム に a 黒 箱 モデル。
ここ、 私は プロットされた その シェイプV 値 のために その 列 それ は 予測的な
で その 最後 適合モデル それ 私たちは ただ 建てられました。
もし 私たちは トグル 戻る そして 前へ 間 その 良い ユニット そして その ユニット それ 失敗した、
私たちは 見る その 同じ 話 それ 私たちは された 見る
と その 変数 重要性 メトリクス のために これ、
それ カラム 18 そして カラム 27 は 重要 で 予測する 合格 または 失敗。
だった 見る これ で a より高い レベル の 解決
よりも 私たちは する と その 変数 重要性 指標、
なぜなら それぞれ の これら ポイント 対応する に 一つの 個人 行
で その オリジナル データセット。
しかし で これ 場合、 I しない 見る その シャープ 価値観
本当に 与える 私たち どれでも 新しい 情報。
I 持っていた 希望した それ による 切り替え を通して
その 他の 失敗 モード、 多分 I できた 探す a パターン
に ヘルプ からかう 外 違う センサー
それ は もっと 重要 のために 特定の 失敗 モード。
しかし その のみ もの I だった できる に 探す だった それ カラム 18
持っていた a 幾分 より強い インパクト の上 その 速度 タイプ 1 失敗 モード
よりも その 他の 失敗 モード。
で これ ポイント、 私たちは 持っていた いくつかの 成功
使用して それらの クラスタ 1 列 で a バイナリ 合格/ 失敗 モデル。
しかし いつ I 破った 外 その シャープ 価値観
のために それ モデル、 による その 違う 故障モード
I なかった できる に 識別する a パターン または 多くの の a パターン。
何 I した 次 だった I 行った 先に
そして フィット その 失敗 モード 応答 カラム テスト 結果
使用して その クラスタ 1 列、
しかし I 行った 先に そして 除外 全て その 合格 行
それで それ その モデリング 手順 だろう 集中 排他的に
の上 洞察力のある どれの 失敗 モード それは 与えられた それ 私たちは 持っている a 失敗。
I 試した その 多項式 投げ縄、 弾力性のある ネット、 そして リッジ、
そして I だった 特に ハッピー と その 投げ縄 モデル
なぜなら それ 与えた 自分 a 検証 RS なぜ の について 0.94。
持つ された かわいい ハッピー と それ、
I 行った 先に そして 保存された その 確率 数式
のために それぞれ の その 失敗 モード。
今 その タスク は に 来る 上 と a 単純 ルール
それ 役職 プロセス それ 予測 式
に 作る a 決断 について どれの 失敗 モード。
I 電話 これ その パーティション トリック。
パーティショントリックは どこ I 置く で その 確率 数式
のために a カテゴリカル 応答、 または 平 a 多項式 応答。
I 置く それらの 確率 数式 で X として。
I 使用 私の カテゴリカル 応答 として 私の そして。
これ は その 同じ 応答 それ だった 使用済み
のために 全て の これら を除外する パスの場合、 実は。
I 保持 その 同じ 検証 カラム それ 私は された 働く と その 全体 時間。
今 それ 私は で その パーティション プラットフォーム、
私は 行く に 打つ スプリット a カップル の 回、 そして 私は 行く に 希望
それ I 終わり 上 と 一つの 簡単に 理解できる 決断 ルール
それは 簡単 に 通信する。
それ 5月 または 5月 ない 起こる。
時々 それ 作品、 時々 それ そうではありません。
それで I スプリット 一度、 そして 私たちは 終わり 上 見る それ
いつでも その 確率 の 合格 は より高い よりも 0.935、
私たちは ほとんど 確かに 持っている a 合格。
ない 多くの パス は 左 以上 の上 その 他の 側。
I 取る 別の スプリット。
私たちは 探す a 決断 ルール の上 ITM
それ は 非常に 予測的な の ITM として a 失敗 モード。
スプリット また。
私たちは 探す それ いつでも モーター は 少ない よりも 0.945、
だった どちらか 予測する モーター または ブレーキ。
私たちは 取る 別の スプリット。
私たちは 探す それ いつでも 速度 タイプ 1、 その確率 は 大きい よりも 0.08
あるいはおそらく で a 速度 タイプ 1 状況 または で a 速度T タイプ 2 状況。
いつでも 速度 タイプ 1 は 少ない よりも 0.79、
だった おそらく で a グリッパー 失敗 モード または 一つの インプ 失敗 モード。
何 する 私たちは 持っている ここ？ 私たちは 持っている a 単純 決断 ルール。
だった 行く に ない なれ できる に 壊す これら 失敗 モード 下 多くの さらに遠く
のため その とても 小さい 番号 の 実際の イベント それ 私たちは 持っている。
しかし 私たちは できる 振り向く これ の中へ a 単純 ルール
のために 識別する ユニット それ は おそらく 良い、
そして もし 彼らは ない、 私たちは 持っている 一つの アイデア の どこ に 見て に 修理 その 問題。
私たちは できる 保存 これ 決断 ルール 外 として a 葉 ラベル 式。
私たちは 見る それ の上 その 検証 セット、
いつ 私たちは 予測する その 良い、 最高だよ の その 時間。
私たちは した 持っている 1つ 誤分類 の a 速度 タイプ2 失敗
それ だった 実は 予測された に なれ 良い。
予測する グリッパー または インプ、 その 全て 以上 その 場所。
それ 葉 だった ない 素晴らしい 役に立つ。
予測する ITMは 100 %.
いつでも 私たちは 予測する a モーター または ブレーキ、
の上 その 検証 セット、 私たちは 持っている a モーター または a ブレーキ 失敗。
いつ 私たちは 予測する a 速度 タイプ 1または2、
それ した a かわいい 良い 仕事 の ピッキング それ 上
と それ 1つ 例外 の その シングル 速度 タイプ 2 ユニット
それ だった で その 検証 セット、
そして それです 起こった に 持っている された 誤分類されました。
私たちは 持っている 一つの 簡単に 運用 ルール ここ それ できた なれ 使用済み に 選別 製品
そして 与える 私たち a 頭 始める の上 どこ 私たちは 必要 に 見て に 修理 もの。
I 考える これ だった a かわいい 挑戦的 問題、
なぜなら 私たちは しなかった 持っている a 全体 多く の データ。
しかし 私たちは しなかった 持っている a 多く の 行、
しかし 私たちは 持っていた a 多く の 違う カテゴリー に 予測する
そして 全体 多く の 可能 予測因子 に 使用。
私たちは 得た そこには による 服用 a シリーズ の 手順、
尋ねる 質問、
時々 服用 a ステップ 戻る そして 尋ねる a 大きい 質問。
他の 回、 狭まる で の上 特定の サブ 問題。
時々 私たちの 遠足 だった 実り豊かな、 そして 時々 彼らは そうではなかった。
私たちの 目的 ここ は に 説明する
どうやって あなた できる ステップ を通して a モデリング プロセス、
を通して これ 順序 の 尋ねる 質問
使用して モデリング そして 視覚化 ツール に ガイド あなたの 次 ステップ、
そして 動く の上 それまで あなたは できる に 探す
a 役に立つ、 実行可能な、 予測的な モデル。
感謝 あなた とても 多くの のために あなたの 注意。
私たちは 見て フォワード に 話している に あなた で 私たちの 質疑応答 セッション 来る 上 次。
