你好， 我是 罗恩 肯尼特。
这 是 a 联合的 讲话 和 克里斯 哥特沃特。
是 去 到 讲话 到 你 关于 模型。
模型是 用过的 广泛地。
我们 希望 到 带来 一些 额外的 看法
在 如何 到 使用 模型 在 一般的。
我们 称呼 这 讲话
“不同的 目标， 不同的 模型：
如何 到 使用 模型 到 锐化 你的 问题。”
我的 部分 将要 是 一个 介绍， 和 患病的 给 一个 例子。
你会 有 使用权 到 这 数据 我是 使用。
然后 克里斯 将要 继续 与 更多的 复杂的 例子，
介绍 这 夏普 价值观 可用的 在 跳转 17，
和 提供 一些 结论。
我们 全部 知道 那 全部 模型 是 错误的，
但 一些 是 有用。
独自的 卡林 说 某物 不同的。
他 说 那 这 目的 的 模型 是 不是 到 合身 这 数据，
但 到 锐化 这 问题。
然后 这 家伙， 巴勃罗 毕加索， 他 说 ...里有东西
他 去世 在 1973年， 所以 你 能 想象 什么时候 这 曾是 说。
I 思考 在 这 早期的 70年代 秒。
“计算机 是 无用。 他们 能 仅有的 给 你 答案。”
他 是 更多的 在 线 和 卡林。
我的 拿 在 这就是
这呈现 关键区别 之间 a 模型 和 a 电脑 程序。
我是 寻找 在 这 模型 从 a 统计学家的 看法。
交易 和 盒子的 著名的 陈述。
“是的， 一些 是 有用。 哪个 ““
请 帮助 我们。
做什么 你 意思是 经过 一些 是 有用？
它是 不是 非常 有用 到 说 那 .
去卡林， “锐化 这 问题。”
好的， 那是 a 好的 主意。
如何 做 我们 做 那？
这 观点 是 那 盒子 似乎 专注 数据分析阶段
从统计的生命周期角度来看， 从问题引出开始，
动作 到 目标 配方， 数据 收藏， 数据 分析，
发现， 操作化 的 发现，
交际的 发现， 和 影响 评估。
卡林是 更多的 专注 在 这 问题 引出 阶段。
这些 二 引号 的 盒子 和 卡林
参考 到 不同的 阶段 在 这 生活 循环。
这 数据 我是 去 到 使用 是 一个 工业的 数据 放，
174 条观测结果。
我们 有 传感器 数据。
我们 有 63 传感器。
他们是 标记 1、2、3、4 到 63.
我们 有 二 回复 变量。
这些 是 未来 从 测试 一些 系統。
这 地位 报告 是 失败/通过。
52.8% 的 这 系统 那 是 经过测试 失败的。
我们 有 其他 报告，
哪个 是 a 更多的 详细的 报告 在 测试 结果。
什么时候 系统 失败，
我们 有 一些 分类 的 这 失败。
测试 结果 是 更多的 详细的。
地位 是 去/不去。
这 目标 是 到 决定 这 系统 地位 从 这 传感器 数据
所以 那 我们 能 或许 避免 这 成本 和 延误 的 测试，
和 我们 能 有 一些 早期的 预测 在 这 信仰 的 这 系统。
一 方法 我们 能 拿 是 到 使用 a 提升 树。
我们 放 这 地位 作为响应，63个传感器X，因素。
这 提升 树 是 受过训练 依次地， 一 树 在 a 时间。
T 他 其他 模型 是 去 到 使用 是 随机的 森林，
和 那是 完毕 和 独立的 樹木。
那里 是 a 顺序 方面 在 提升 树木
那 是 不同的 从 随机的 森林。
这 设置 的 提升 树木 涉及 三 参数：
这 数字 的 树木， 深度 的 树木， 和 这 学习 速度。
这 是 什么 跳转 给出 作为 默认。
增强 树木 能 是 用过的 到 解决 最多 客观的 功能。
我们 可以 使用 它 为了 泊松 回归，
哪个 是 处理 和 计数 那 是 a 少量 更难 到 达到
和 随机的 森林。
是 去 到 重点 在 这些 二 类型 的 模型。
什么时候 我们 申请 这 提升 树，
和 我们 有 a 验证 放 向上
和 43 系统 绘制 随机 作为 这 验证 放。
一百三十一个系统 被使用 为了 这 训练 放。
我们 是 得到 a 9.3% 错误分类 速度。
三 失败的 系統。
我们 知道 他们 失败的 因为 我们 有 它 在 这 数据，
是 实际上 分类 作为 经过。
这 20 那 通过， 19 是 分类 作为 经过。
这 错误的 预测 经过 是 十三 %。
我们 能 看 在 这 多变的 柱子 贡献。
我们 看 那 传感器 56， 18岁， 11， 和 61 是 这 顶部 四
在 条款 的 贡献 到 这 分类。
我们 看 那 在 这 训练 放， 我们 有 零 错误分类。
我们 可能 有 一些 超过 适合我 n 这 英国电信 应用。
如果 我们 看 在 这 举起 曲线，
40 % 的 这 系统， 我们 能 得到 超过 二 举起
哪个 是 该分类器给我们提供的性能。
如果 我们 尝试 这 嘘声 陷阱 森林，
其他 选项， 再次， 我们 做 这 相同的 事物。
我们 使用 这 相同的 验证 放。
这 默认值 的 跳转 是 给予 你一些 参数
为了 这 数字 的 树木
和 这 数字 的 特征 到 是 已选择 在 每个 模式。
这 是 如何 这 随机的 森林 作品。
你 应该 是 意识到的 那 这 是 不是 非常 好的
如果 你 有 分类 变量 和 丢失的 数据，
哪个 是 不是 我们的 案件 这里。
现在， 这 错误分类 速度 是 6.9， 降低 比 前。
在 这 训练 放， 我们 有 一些 错误分类。
这 随机的 森林 应用 到 这 测试 地位，
哪个 方法 什么时候 我们 有 这 细节 在 这 失败 是 23.4，
所以 坏的 表现。
还， 在 这 训练 放， 我们 有 5% 错误分类。
但 我们 有 现在 a 更宽 范围 的 选项
这就是解释 一些 的 这 降低 表现。
在 这 举起 曲线 在 这 测试 结果，
我们 实际上， 和 相当 好的 表现，
能 挑选 向上 这 顶部 10 % 的 这 系统 和 a 杠杆作用 的 多于 10.
所以 我们 有 超过十 折叠 增加 为了 10 % 的 这 系统
相对的 到 这 盛大 平均的。
现在 这 是 摆姿势 a 问题- 记住 这 话题 的 这 讲话-
什么 是 我们 寻找 在？
做 我们 想 到 确认 顶部 分数 好的 系统？
这 随机的 森林 会 做 那 和 这 测试 结果。
或者 做 我们 想 到 预测 a 高的 部分 的 经过？
这 引导树 会 提供 那。
A 次要的 问题 是 到 看 在 什么 是 影响 这 分类。
我们 能 看 在 这 柱子 贡献 在 这 提升 树。
三 的 这 四大顶级 变量 展示 向上 还 在 这 随机的 森林。
如果 我们 使用 这 地位 通过/失败，
或者 这 详细的 结果，
那里 是 a 很多 的 相似 在 这 重要性 的 这 传感器。
这 是 只是 给予 你 一些 背景。
克里斯 是 去 到 跟随 向上 和 一个 评估 的 这 敏感度
的 这 多变的 重要性， 这 使用 的 SHAP v 价值观
以及更多有趣的东西。
这 去 后退 到 质疑 什么 是 你的 目标，
和 如何 是 这 模型 帮助 你 数字 出去 这 目标
和 或许 锐化 这 问题 那 来 从 这 陈述 的 这 目标。
克里斯， 它是 全部属于你。
谢谢， 羅恩。
我是 去 到 挑选 向上 从 在哪里 罗恩 离开
和 寻找 a 模型 那 将要 预测 无论 或者 不是 a 单元 是 好的 或者 不是，
和 如果 它 不是， 什么是 这 可能 失败 模式 那 有 结果如何？
这 会 是 有用 在那 如果 a 模型 是 好的 在 预测 好的 单位，
我们 可能 不是 有 到 主题 他们 到 很多 更远 测试。
如果 这 模型 给出 a 预测 失败 模式，
是 有能力的 到 得到 a 头 开始 在 诊断 和 定影 这 问题，
和 可能， 我们 可能 是 有能力的 到 得到 一些 提示
在 如何 到 提升 这 生产 过程 在 这 未来。
我是 去 到 去 通过 这 顺序
的 如何 I 接近 回答 这 问题 从 这 数据。
I 想 到 说 在 这 一开始 那 这 是 简单地 这 小路 那 I 拿了
作为 I 问 问题 的 这 数据 和 表演 在 各种各样的 模式 那 I 锯。
那里 是 字面上地 许多 其他 方法 那 一 可以 继续 和 这。
有 经常 不是 真的 a 确实 正确的 回答，
只是 a 标准 为了 无论 或者 不是 这 模型 是 好的 足够的，
和 这 数量 那 你是 有能力的 到 得到 完毕
在 这 时间 那 你 有 到 得到 a 结果 后退。
I 有 不 怀疑 那 那里 是 更好的 模型 出去 那里
比 什么 I 来了 向上 和 这里。
我们的 目标 是 到 展示 一个 实际的 过程 的 铲球 a 预言 问题，
说明 如何 一 能 移动 向前
经过 迭代 通过 周期 的 造型 和 可视化，
关注 经过 观察 这 结果 和 使用 他们 到 问 其他 问题
直到 我们 寻找 某物 的 一个 回答。
I 将要 是 使用 跳转 作为 a 统计 瑞士 军队 刀，
使用 许多 工具 在 跳转
和 下列的 这 直觉 I 有 关于 造型 数据
那 有 建造 向上 超过 许多 年。
第一的， 让我们 只是 拿 a 看
在 这 频率 的 这 各种各样的 测试 结果 类别。
我们 看 那 这 最大的 和 最多 频繁 类别 是 好的。
出色地 大概 有 这 最多 运气 存在 有能力的 到 预测 那 类别。
在 这 其他 手， 这 紧急求救 类别 有 仅有的 二 事件
所以 它是 去 到 是 非常 难的 为了 我们 到 是 有能力的 到 做 很多 和 那 类别。
我们 可能 有 到 放 那 一 放在一边。
出色地 看 关于 那。
速度 II， 进口商， 和 制动
是 全部 相当 稀有的 和 五 或者 六 事件 每个。
那里 可能 是 一些 限制 在 什么 是 有能力的 到 做 和 他们 作为 出色地。
I 说 这 因为 我们 有 174 观察
和 我们 有 63 预测因子。
所以 我们 有 a 很多 的 预测变量 为了 a 非常 小的 数字 的 观察，
哪个 是 实际上 甚至 更小 什么时候 你 考虑 这 频率
的 一些 的 这 类别 那 是 尝试 到 预测。
是 去 到 有 到 工作 迭代地 经过 正在做 可视化 在 造型，
认识到 图案， 询问 问题，
和 然后 演技 在 那些 和 其他 造型 步 迭代地
在 命令 到 寻找 a 模型 那是 去 到 做 a 好的 工作
的 预测 这些 回复 类别。
I 有 这 数据 已排序 经过 测试 结果，
所以 那 这 好的 结果 是 在 这 开始，
关注 经过 每个 的 这 不同的 失败 模式 d 以便 之后 那。
I 去了 前方 和 有色 每个 的 这 行 经过 测试 结果 所以 那 我们 能 看
哪个 观察 属于 到 a 特别的 回复 类别。
所以 然后 I 去了 进入 这 模型- 驱动 多变量 控制 图表
和 I 带来 在 全部 的 这 传感器 作为 过程 变量。
自从 I 有 这 好的 测试 结果 在 这 开始，
I 标记 那些 作为 历史 观察结果。
这 给我们 a T² 图表。
它是 选择 十三 主要的 成分 作为 它是 基础。
什么 我们 看 这里
是 那 这 图表 是 主导 经过 这些 二 点 正确的 这里
和 全部 的 这 其他 点 是 非常 小的 在 价值
相对的 到 那些 二。
这两点发生 到 是 求救信号 點。
他们 是 非常 严肃的 异常值 在 这 传感器 读数。
自从 我们 还 仅有的 有 二 观察 的 那些，
我是 去 到 去 前方 和 拿 那些 出去 的 这 数据 放
和 说， 嗯，SOS 是 明显地 所以 坏的 那 这 传感器
应该 是 只是 飞行 离开 这 图表。
如果 我们 遇到 它， 是 只是 去 到 去 前方
和 尝试 到 忧虑 我们自己 和 这 其他 价值观
那 不 有 这 离开- 这- 图表 行为。
交换 到 a 日志 规模， 我们 看 那 这 好的 测试 结果
是 相当 出色地 —表现良好。
然后 有 定 信号
在 这 数据 为了 这 不同的 失败 模式。
现在 我们 能 钻头 向下 a 小的 少量 更深，
服用 a 看 在 这 贡献 情节 为了 这 历史 数据，
这 好的 测试 结果 数据， 和 这 失败 模式
到 看 如果 任何 模式 出现 在 这 传感器 那 我们 能 行为 之上。
我是 去 到 消除 那些 两个SOS 观察
和 选择 这 好的 單位。
如果 I 右键单击 在 这 阴谋，
I 能 带来 向上 a 贡献 阴谋
为了 这 好的 单位， 和 然后 I 能 去 超过 到 这 单位
在哪里 那里 曾是 a 失败， 和 I 能 做 这 相同的 事物，
和 出色地 是 有能力的 到 比较 这 贡献 情节 边 经过 边。
所以 什么 我们 看 这里 是 这 贡献 情节
为了 这 经过 单位 和 这 失败 單位。
这 贡献 情节
是 这 数量 那 每个 柱子 是 贡献 到 这 T ²
为了 a 特别的 排。
每个 这 酒吧 那里 对应 到 一个 个人 传感器 为了 那 排。
贡献 情节 是 有色 绿色的 什么时候 那 柱子 是 之内 三 西格玛，
使用 一个 个人 和 移动 范围 图表，
和 它是 红色的 如果 它是 出去 的 控制。
这里 我们 看 最多 的 这 传感器 是 在 控制 为了 这 好的 单位，
和 最多 的 这 传感器 是 出去 的 控制 为了 这 失败的 單位。
什么 I 曾是 希望 为了 这里
会 有 到过 如果 那里 曾是 仅有的 a 子集 的 这 列
或者 传感器 那 是 出去 的 控制 在…之上 这 失败的 單位。
或者 如果 I 曾是 有能力的 到 看 模式
那 改变 穿过 这 不同的 失败 模式，
哪个 会 帮助 我 隔离 什么 变量 是 重要的
为了 预测 这 测试 结果 结果。
很遗憾， 漂亮的 很多 全部 的 这 传感器
是 在 控制 什么时候 事物 是 好的，
和 最多 的 他们 是 出去 的 控制 什么时候 事物 是 坏的。
所以我们要 有 到 使用 一些 更多的 复杂的 造型
到 是 有能力的 到 处理 这 预言 问题。
拥有 不是 成立 任何事物 在 这 柱子 贡献 情节，
我是 去 到 后退 向上 和 返回 到 这 二 模型 那 罗恩 成立。
这里 是 这 柱子 贡献 为了 那些 二 模型，
和 我们 看 那 有 一些 协议 在 条款 的
什么 是 这 最多 重要的 传感器。
但 提升 树 成立 a 有些 更大 放 的 传感器 作为 存在 重要的
超过 这 引导程序 森林。
哪个 的 这些 二 模型 应该 我们 相信 更多的？
如果 我们 看 在 这 全面的 模型 合身 报告，
我们 看 那 这 提升 树 模型 有 a 非常 高的 训练 遥感 为什么 的 0.998
和 a 有些 较小的v 化合 遥感 为什么 的 0.58。
这 看起来 喜欢 一个 过度拟合 情况。
什么时候 我们 看 在 这 随机的 森林， 它 有 a 有些 更小 训练 遥感 为什么，
也许 a 更多的 实际的 一， 比 这 引导程序 森林，
和 它有 a 有些 更大 验证 遥感 为什么。
这 概括 表现 的 这 随机的 森林
是 希望 a 小的 少量 更好的。
我是 倾斜 到 相信 这 随机的 森林 模型 a 小的 少量 更多的。
部分 的 这 是 去 到 是 基于 之上 只是 这 民俗学 的 这些 二 模型。
增强 树木 是 著名 为了 存在 快速地， 高度 准确的 模型
那 工作 出色地 在 非常 大的 数据集。
然而 这 传闻 是 那 随机的 森林 是 更多的 准确的 在 更小 数据集。
他们 是 相当 强壮的， 凌乱的， 和 嘈杂 数据。
有 a 长的 历史 的 使用 这些 种类 的 模型
为了 多变的 选择 那 去 后退 到 a 纸 在 2010
那 有 到过 引用 几乎 1200 次。
所以 这 是 a 受欢迎的 方法 为了 多变的 选择。
I 做过 a 相似的 搜索 为了 提升，
和 I 没有 相当 看 作为 很多 历史 大约 多变的 选择
为了 提升 树木 作为 I 做过 为了 随机的 森林。
为了 这 给定 数据 设置 r 右 这里，
我们 能 做 a 敏感度 分析 到 看 如何 可靠的
这 柱子 贡献 是 为了 这些 二 不同的 方法，
使用 这 模拟 能力 在 跳转 赞成。
什么 我们 能 做 是 创造 a 随机的 验证 柱子
那 是 a 公式 柱子
那 你 能 重置 和 将要 分割 这 数据
进入 随机的 训练 和 坚持 套 的 这 相同的 份量
作为 这 原来的 验证 柱子。
我们 能 有 它 重播 这些 二 分析
和 保持 追踪 的 这 柱子 贡献 份量
为了 每个 的 这些 重新分区。
我们 能 看 如何 持续的 这 故事是
之间 这 提升 树 模型 和 这 随机的 森林。
这 是 漂亮的 简单的 到 做。
我们只是去 到 这 制作 验证 柱子 公用事业
和 什么时候 我们 制作 a 新的 柱子， 我们 问 它 到 制作 a 公式 柱子
所以 那它 可以 是 重新初始化。
然后 我们 能 返回 到 这 引导程序 森林 平台，
正确的- 点击 在 这 柱子 贡献 部分，
选择 模拟。
它会 带来 向上 a 对话
询问 我们 哪个 的 这 输入 列 我们 想 到 转变 出去。
我是 去 到 选择 这 验证 柱子，
和 我是 去 到 转变 在 作为替代 的 它，
这 随机的 验证 公式 柱子。
是 去 到 做 这一百 次。
引导程序 森林 是 去 到 是 重播
使用 新的 随机的 分区 的 这 数据 进入 训练 和 验证。
是 去 到 看 在 这 分配 的 这 份量
穿过 全部 这 模拟 运行。
这 将要 产生 a 数据集
的 柱子 贡献 份量 为了 每个 传感器。
我们 能 拿 这 和 去 进入 这 图形 建造者
和 拿 a 看 和 看 如何 持续的 那些 柱子 贡献 是
穿过 全部 这些 随机的 分区 的 这 数据。
这里 是 a 阴谋 的 这 柱子 贡献 份量
从 每个 的 这 100 随机的 改组 的 这 验证 柱子。
这些要点 我们 看 在 这里是灰色，
传感器 18 似乎 到 是 始终如一 a 大的 贡献者， 作为 做 传感器 61.
我们 还 看 和 这些 红色的 十字架，
那些 是 这 柱子 贡献 从 这 原来的 分析 那 罗恩 做过。
这 全面的 故事 那 这 告诉 是 那 这 趋势
i s 那 每当 这 原来的 柱子 贡献 很小，
那些 关于 模拟 柱子 贡献 还 照料 到 是 小的。
什么时候 这 柱子 贡献 是 大的 在 这 原来的 分析，
他们 照料 到 停留 大的。
是 得到 a 相对地 持续的 故事 从 这 引导程序 森林
在 条款 的 什么 列 是 重要的。
现在 我们 能 做 这 相同的 事物 和 这 提升 树，
和 这 结果 不是 相当 作为 持续的 作为 他们 是 和 这 引导程序 森林。
所以 这里 是 a 束 的 列
在哪里 这 最初的 柱子 贡献 来了 非常小
但 他们 有 a 更多的 重大的 贡献
在 一些 的 这 随机的 改组 的 这 验证 柱子。
那 还 发生了 相当 a 少量 结束 这些 列 52 通过 55 超过 这里。
然后 那里 是 还 一些 情况
在哪里 这 原来的 柱子 贡献 曾是 相当 大的，
和 最多， 如果 不是 全部，
的 这 其他 柱子 贡献 成立 在 这 模拟 是 更小。
那 发生 这里 和 柱子 48岁，
和 到 一些 程度 还 和 柱子 11 超过 这里。
这 全面的 结论 存在 那 I 思考 这 验证 洗牌
是 指示 那 我们 能 相信 这 柱子 贡献
从 这 引导程序 森林 到 是 更多的 稳定的 比 那些 的 这 提升 树。
基于 这 比较， I 思考 I 相信 这 柱子 贡献
从 这 引导程序 森林 更多的，
和 我是 去 到 使用 这 列 那 它 受到推崇的
作为 这 基础 为了 一些 其他 模型。
什么 ID 喜欢 到 做
是 寻找 a 模型 那 是 两个都 更简单 比 这 引导程序 森林 模型
和 执行 更好的 在 条款 的 验证 放 表现
为了 预测 经过 或者 失败。
前 诉讼 和 这 下一个 造型 东西，
我是 去 到 做 某物 那 I 应该 有 大概 完毕 在 这 非常 开始，
哪个 是 到 拿 a 看 在 这 传感器 在 a 散点图 矩阵
到 看 如何 相关 这 传感器 读数 是，
和 还 看 在 直方图 的 他们 作为 出色地 到 看 如果 他们是 异常值 易于
或严重 倾斜 或者 否则 高度 非 高斯。
什么 我们 看 这里 是 那里 是 漂亮的 强的 多重共线性
其中 这 输入 变量 一般来说。
是 仅有的 寻找 在 a 子集 的 他们 这里，
但 这 高的 多重共线性 持续存在 穿过 全部 的 这 传感器 读数。
这 建议 那 为了 我们的 模型，
我们 应该 尝试 事物 喜欢 这 物流 套索，
这 物流 松紧带 网， 或者 后勤 岭 回归
作为 候选人 为了 我们的 模型 到 预测 经过 或者 失败。
前 我们 做 那， 我们 应该 去 前方
和 尝试 到 转换 我们的 传感器 读数 这里
所以 那 他们是 a 小的 少量 更好的- 表现 和 更多的 高斯 看。
这 是 实际上 真的 简单的 在 跳转
如果 你 有 全部 的 这 列 向上 在 这 分配 平台，
因为 全部 你 有 到 做 是 抓住 放下一切 , 选择 合身 约翰逊，
和 这 将要 合身 约翰逊 分布 到 全部 这 输入 变量。
这 是 a 家庭 的 分布
那 是 基于 在 a 四 范围 转型 到 常态。
作为 a 结果， 我们 有 a 好的 特征 在 那里
那 我们 能 还 播送 使用 Alt 点击，
在哪里 我们 能 节省 a 转型 从 这 原来的 规模
到 a 规模 那 使 这 列 更多的 通常情况下 分布式。
如果 我们 去 后退 到 这 数据 桌子，
出色地 看 那 为了 每个 传感器 柱子， a 转换 柱子 有 到过 额外。
如果 我们 带来 这些 转型 列 向上 和 a 散点图 矩阵
和 一些直方图，
我们 清楚地 看 那 这 数据 是 较少的 倾斜
和 更多的 通常情况下 分布式 比 这 原来的 传感器 列 是。
现在 这 引导程序 森林 模型 那 罗恩 成立
仅有的 真的 受到推崇的 a 小的 数字 的 列
为了 使用 在 这 模型。
因为 的 这 高的 共线性 其中 这 列，
这 子集 那 我们 得到 可以 容易地 是 部分
的 a 更大 团体 的 列 那 是 相关 和 一 其他。
它 可以 是 有利 到 寻找 那 更大 团体 的 列
和 工作 和 那 在 这 下一个 造型 阶段。
一个 探索性的 方式 到 做 这
是 到 去 通过 这 簇 变量 平台 在JMP中 .
是 去 到 工作 和 这 规范化 版本 的 这 传感器
因为 这 平台 是 主成分分析 和 因素 分析 基于，
和 将要 提供 更多的 可靠的 结果 如果 是 在职的 和 数据
那 是 大约 通常情况下 分布式。
一次 是 在 这 多变的 聚类 平台，
我们 看 那 那里 是 非常 清除，
强的 协会 其中 这 输入 列。
它 有 已识别 那 那里 是 七 簇，
和 这 最大的 簇， 这 一 那 解释 这 最多 变化，
有 二十五 成員。
这 放 的 簇 成员 是 上市 这里 在 这 正确的。
让我们 比较 这 和 这 引导程序 森林。
这里 在 这 左边， 我们 有 这 柱子 贡献
从 这 引导程序 森林 模型 那 你 应该 是 熟悉的 和 经过 现在。
在 这 正确的， 我们 有 这 列表 的 成员
的 那 最大的 簇 的 变量。
如果 我们 看 密切， 出色地 看 那 这 前七名 贡献 条款
全部 发生 到 属于 到 这 簇。
我是 去 到 假设 那 这 放 的 二十五 列
是 全部 有关的 到 一些 潜在的 机制
那 原因 这 单位 到 经过 或者 失败。
什么 I 想 到 做 下一个 是 I 想 到 合身 模型
使用 这 广义的 回归 平台 和 这 变量 在 簇 1 这里。
它 会 是 乏味 如果 I 有 到 去 通过
和 单独地 挑选 这些 列 出去 和 放 他们 进入 这 发射 对话。
幸运的是， 有 a 很多 更轻松 方式
在哪里 你 能 只是 选择 这 行 在 那 桌子
和 这 列 将要 是 已选择 在 这 原来的 数据 桌子
所以 那 什么时候 我们 去 进入 这 合身 模型 发射 对话，
我们 能 只是 点击 添加
和 那些 列 将要 是 自动地 额外 为了 我们 作为 模型 效果。
一次 I 得到 进入 这 广义 回归 平台，
I 去了 前方 和 合身 a 套索 模型 和 松紧带 网 模型
和 a 岭 模型 拥有 他们 比较的 这里 到 每个 其他，
和 还 到 这 物流 回归 模型 那 来了 向上 经过 默认。
是 看到 那 这 套索 模型 是 正在做 a 小的 少量 更好的 比 这 休息
在 条款 的 它是 验证 广义的 遥感 为什么。
这 不同之处 之间 这些 方法
是 那 有 不同的 金额 的 多变的 选择
和 多重共线性 处理 在 每个 的 他们。
逻辑回归 有 不 多重共线性 处理
和 不 多变的 选择。
这 套索 是 更多的 的 a 多变的 选择 算法，
虽然 它 有 a 小的 少量 的 多重共线性 处理 在 它
因为 它是 a 受到处罚 方法。
岭 回归 有 不 多变的 选择
和 是 沉重 导向 大约 多重共线性 處理。
这 松紧带 网 是 a 杂交种 之间 这 套索 和 岭 回归。
在 这 案件， 什么 我们 真的 关心 关于
是 只是 这 模型 那是 去 到 履行 这 最好的。
我们 允许 这 验证 到 指导 我们。
是 去 到 是 在职的 和 这 套索 模型 从 这里 在。
这是 这 预言 分析器 为了 这 套索 模型 那 曾是 已选定。
我们 看 那 这 套索 算法 有 已选择 八 传感器
作为 存在 预测 的 经过 或者 失败。
它 有 一些 伟大的 内置工具
为了 理解 什么 这 重要的 变量 是，
两个都 在 这 模型 全面的 和， 新的 到 跳转 专业版 17，
我们 有 这 能力 到 理解
什么 变量 是 最多 重要的 为了 一个 个人 预言。
我们 能 使用 这 多变的 重要性 工具 到 回答 这 问题，
“什么 是 这 重要的 变量 在 这 模型？”
我们 有 a 种类 的 不同的 选项 为了 这。
我们 有 a 种类 的 不同的 选项 为了 如何 这 可以 是 完毕。
但 因为 的 这 多重共线性 和 因为 这 是 不是 非常 大的 模型，
我是 去 到 去 前方
和 使用 这 受抚养人 重新采样 输入 技术，
自从 我们 有 多重共线性 在 这 数据，
和 这 有 给定 我们 a 排行 的 这 最多 重要的 條款。
我们 看 那 柱子 18 是 这 最多 重要的，
关注 经过 柱子 二十七 和 然后 52， 全部 这 方式 向下。
我们 能 比较 这 到 这 引导程序 森林 模型，
和 我们 看 那 有 协议 那 多变的 18 是 重要的，
沿着 和 52， 61岁， 和 53.
但 一 的 这 条款 那 我们 有 拉 在
因为 的 这 多变的 聚类 步 那 我们 有 完毕，
传感器 二十七 转弯 出去 到 是 这 第二 最多 重要的 预测
在 这 套索 模型。
我们 希望 获得 某物 经过 铸件 a 更宽 网 通过 那 步。
我们 成立 a 学期 那 没有 转动 向上
在 任何一个 的 这 引导程序 森林 或者 这 提升 树 方法。
我们 还 看 那 这 套索 模型 有 一个 遥感 为什么 的 0.9，
然而 这 引导程序 森林 模型 有 一个 遥感 为什么 的 0.8。
我们有 a 更简单 模型 那 有 一个 更轻松 形式 到 理解
和 是 更轻松 到 工作 和，
和 还 有 a 更高 预测 容量 比 这 引导程序 森林 模型。
现在， 这 多变的 重要性 指标 在 这 分析器
有 到过 那里 为了 相当 一些 时间。
这 问题 那 他们 回答 是， “哪个 预测变量 有 最大的 影响
在 这 形状 的 这 回复 表面 超过 这 数据 或者 超过 a 地区？”
在 跳转 17 亲， 我们 有 a 新的 技术 称为 夏普 价值观
那 是 一个 添加剂 分解 的 一个 个人 预言。
它 告诉 你 经过 如何 很多 每个 个人 多变的 贡献
到 a 单身的 预言，
相当 比 说 关于 变异性 解释 超过 这 所有的 空间。
这 解决 的 这 问题 那是 回答 经过 沙普利 价值观
是 远的 更多的 当地的 比 任何一个 这 多变的 重要性 工具
或者 这 柱子 贡献我 n 这 引导程序 森林。
我们 能 获得 这 沙普利 价值观 经过 去 到 这 红色的 三角形 菜单 为了 这 分析器，
和 出色地 寻找 这 选项 为了 他们 超过 这里， 第四名 这 底部。
什么时候 我们 选择 这 选项， 这 分析器 保存 后退 夏普 列
为了 全部 的 这 输入 变量 到 这 模型。
这 是， 的 课程， 正在发生 为了 每一个 排 在 这 桌子。
什么 你 能 看 是 那 这 V 形 价值观 是 给予 你 这 影响
的 每个 的 这 列 在 这 预测 模型。
这 是 有用 在 a 所有的 很多 的 不同的 方法，
和 为了 那 原因， 它是 得到 a 很多 的 注意力 可以理解 人工智能，
因为 它 允许 我们 到 看
什么 贡献 是 的 每个 柱子 到 a 黑色的 盒子 模型。
这里， 我已经 绘制 这 V 形 价值观 为了 这 列 那 是 预测
在 这 最后的 拟合模型 那 我们 只是 建。
如果 我们 切换 后退 和 向前 之间 这 好的 单位 和 这 单位 那 失败的，
我们 看 这 相同的 故事 那 我们已经 到过 看到
和 这 多变的 重要性 指标 为了 这，
那 柱子 18 和 柱子 二十七 是 重要的 在 预测 经过 或者 失败。
是 看到 这 在 a 更高 等级 的 解决
比 我们 做 和 这 多变的 重要性 指标，
因为 每个 的 这些 点 对应 到 一个 个人 排
在 这 原来的 数据集。
但 在 这 案件， I 不 看 这 夏普 价值观
真的 给予 我们 任何 新的 信息。
I 有 希望 那 经过 切换 通过
这 其他 失败 模式， 或许 I 可以 寻找 a 图案
到 帮助 逗 出去 不同的 传感器
那 是 更多的 重要的 为了 特别的 失败 模式。
但 这 仅有的 事物 I 曾是 有能力的 到 寻找 曾是 那 柱子 18
有 a 有些 更强 影响 在 这 速度 类型 1 失败 模式
比 这 其他 失败 模式。
在 这 观点， 我们已经 有 一些 成功
使用 那些 簇 1 列 在 a 二进制 经过/ 失败 模型。
但 什么时候 I 破产了 出去 这 夏普 价值观
为了 那 模型， 经过 这 不同的 故障模式
I 不是 有能力的 到 辨别 a 图案 或者 很多 的 a 图案。
什么 I 做过 下一个 曾是 I 去了 前方
和 合身 这 失败 模式 回复 柱子 测试 结果
使用 这 簇 1 列，
但 I 去了 前方 和 排除 全部 这 经过 行
所以 那 这 造型 程序 会 重点 只
在 有辨别力 哪个 失败 模式 这是 给定 那 我们 有 a 失败。
I 尝试过 这 多项式 套索， 松紧带 网， 和 岭，
和 I 曾是 特别 快乐的 和 这 套索 模型
因为 它 给了 我 a 验证 遥感 为什么 的 关于 0.94。
拥有 到过 漂亮的 快乐的 和 那，
I 去了 前方 和 已保存 这 可能性 公式
为了 每个 的 这 失败 模式。
现在 这 任务 是 到 来 向上 和 a 简单的 规则
那 邮政 流程 那 预言 公式
到 制作 a 决定 关于 哪个 失败 模式。
I 称呼 这 这 分割 诡计。
分区技巧是 在哪里 I 放 在 这 可能性 公式
为了 a 分类 回复， 或者 甚至 a 多项式 回复。
I 放 那些 可能性 公式 在 作为 Xs。
I 使用 我的 分类 回复 作为 我的 和。
这 是 这 相同的 回复 那 曾是 用过的
为了 全部 的 这些 除了 对于通行证， 实际上。
I 保持 这 相同的 验证 柱子 那 我已经 到过 在职的 和 这 所有的 时间。
现在 那 我是 在 这 分割 平台，
我是 去 到 打 分裂 a 夫妻 的 次， 和 我是 去 到 希望
那 I 结尾 向上 和 一个 容易地 可以理解 决定 规则
那是 简单的 到 交流。
那 可能 或者 可能 不是 发生。
有时 它 作品， 有时 它 没有。
所以 I 分裂 一次， 和 我们 结尾 向上 看到 那
每当 这 可能性 的 经过 是 更高 比 0.935，
我们 几乎 当然 有 a 经过。
不是 许多 通行证 是 左边 超过 在 这 其他 边。
I 拿 其他 分裂。
我们 寻找 a 决定 规则 在 信息技术经理
那 是 高度 预测 的 信息技术经理 作为 a 失败 模式。
分裂 再次。
我们 寻找 那 每当 发动机 是 较少的 比 0.945，
是 任何一个 预测 发动机 或者 制动。
我们 拿 其他 分裂。
我们 寻找 那 每当 速度 类型 1、 它的概率 是 大 比 0.08
或可能 在 a 速度 类型 1 情况 或者 在 a 速度 T 类型 2 情况。
每当 速度 类型 1 是 较少的 比 0.79，
是 可能 在 a 夹持器 失败 模式 或者 一个 进口 失败 模式。
什么 做 我们 有 这里？ 我们 有 a 简单的 决定 规则。
是 去 到 不是 是 有能力的 到 休息 这些 失败 模式 向下 很多 更远
由于 这 非常 小的 数字 的 实际的 事件 那 我们 有。
但 我们 能 转动 这 进入 a 简单的 规则
为了 识别 单位 那 是 大概 好的，
和 如果 他们是 不是， 我们 有 一个 主意 的 在哪里 到 看 到 使固定 这 问题。
我们 能 节省 这 决定 规则 出去 作为 a 叶子 标签 公式。
我们 看 那 在 这 验证 放，
什么时候 我们 预测 它是 好的， 最好 的 这 时间。
我们 做过 有 一 错误分类 的 a 速度 类型 2 失败
那 曾是 实际上 预测 到 是 好的。
预测 夹持器 或者 进口商， 它是 全部 超过 这 地方。
那 叶子 曾是 不是 极好的 有用。
预测 ITM 是 100 %。
每当 我们 预测 a 发动机 或者 制动，
在 这 验证 放， 我们 有 a 发动机 或者 a 制动 失败。
什么时候 我们 预测 a 速度 类型 1 或 2，
它 做过 a 漂亮的 好的 工作 的 采摘 那 向上
和 那 一 例外 的 这 单身的 速度 类型 2 单元
那 曾是 在 这 验证 放，
和 那个 发生了 到 有 到过 分类错误。
我们 有 一个 容易地 操作 规则 这里 那 可以 是 用过的 到 种类 产品
和 给 我们 a 头 开始 在 在哪里 我们 需要 到 看 到 使固定 事物。
I 思考 这 曾是 a 漂亮的 具有挑战性的 问题，
因为 我们 没有 有 a 所有的 很多 的 数据。
但 我们 没有 有 a 很多 的 行，
但 我们 有 a 很多 的 不同的 类别 到 预测
和一个 所有的 很多 的 可能的 预测变量 到 使用。
我们 得到 那里 经过 服用 a 系列 的 步骤，
询问 问题，
有时 服用 a 步 后退 和 询问 a 大 问题。
其他 次， 缩小 在 在 特别的 子 问题。
有时 我们的 短途旅行 是 卓有成效， 和 有时 他们 不是。
我们的 目的 这里 是 到 阐明
如何 你 能 步 通过 a 造型 过程，
通过 这 顺序 的 询问 问题
使用 造型 和 可视化 工具 到 指导 你的 下一个 步，
和 移动 在 直到 你是 有能力的 到 寻找
a 有用， 可操作的， 预测 模型。
感谢 你 非常 很多 为了 你的 注意力。
我们 看 向前 到 说 到 你 在 我们的 问答 会议 未来 向上 下一个。
