你好， 我是 榮恩 肯尼特。
這 是 a 聯合的 演講 和 克里斯 哥特沃特。
是 去 到 演講 到 你 關於 模型。
模型是 用過的 廣泛地。
我們 希望 到 帶來 一些 額外的 看法
在 如何 到 使用 模型 在 一般的。
我們 稱呼 這 演講
「不同的 目標， 不同的 模型：
如何 到 使用 模型 到 銳化 你的 問題。 」
我的 部分 將要 是 一個 介紹， 和 患病的 給 一個 例子。
你會 有 使用權 到 這 數據 我是 使用。
然後 克里斯 將要 繼續 與 更多的 複雜的 例子，
介紹 這 夏普 價值觀 可用的 在 跳轉 17，
和 提供 一些 結論。
我們 全部 知道 那 全部 模型 是 錯誤的，
但 一些 是 有用。
獨自的 卡林 說 某物 不同的。
他 說 那 這 目的 的 模型 是 不是 到 合身 這 數據，
但 到 銳化 這 問題。
然後 這 傢伙， 巴勃羅 畢卡索, 他 說 ……裡有東西
他 過世 在 1973年， 所以 你 能 想像 什麼時候 這 曾是 說。
I 思考 在 這 早期的 70年代 秒。
"電腦 是 無用。 他們 能 僅有的 給 你 答案。 」
他 是 更多的 在 線 和 卡林。
我的 拿 在 這就是
這呈現 關鍵區別 之間 a 模型 和 a 電腦 程式.
我是 尋找 在 這 模型 從 a 統計學家的 看法。
交易 和 盒子的 著名的 陳述。
「是的， 一些 是 有用。 哪個 「「
請 幫助 我們。
做什麼 你 意思是 經過 一些 是 有用？
它是 不是 非常 有用 到 說 那 .
去卡林， “銳化 這 問題。 」
好的， 那是 a 好的 主意。
如何 做 我們 做 那？
這 觀點 是 那 盒子 似乎 專注 數據分析階段
從統計的生命週期角度來看， 從問題引出開始，
動作 到 目標 配方， 數據 收藏， 數據 分析，
發現， 操作化 的 發現，
交際的 發現， 和 影響 評估。
卡林是 更多的 專注 在 這 問題 引出 階段。
這些 二 引號 的 盒子 和 卡林
參考 到 不同的 階段 在 這 生活 循環。
這 數據 我是 去 到 使用 是 一個 工業的 數據 放，
174 條觀測結果。
我們 有 感應器 數據。
我們 有 63 感應器.
他們是 標記 1、2、3、4 到 63.
我們 有 二 回覆 變數。
這些 是 未來 從 測試 一些 系統。
這 地位 報告 是 失敗/通過。
52.8% 的 這 系統 那 是 經過測試 失敗的。
我們 有 其他 報告，
哪個 是 a 更多的 詳細的 報告 在 測試 結果。
什麼時候 系統 失敗，
我們 有 一些 分類 的 這 失敗。
測試 結果 是 更多的 詳細的。
地位 是 去/不去。
這 目標 是 到 決定 這 系統 地位 從 這 感應器 數據
所以 那 我們 能 或許 避免 這 成本 和 延誤 的 測試，
和 我們 能 有 一些 早期的 預測 在 這 信仰 的 這 系統。
一 方法 我們 能 拿 是 到 使用 a 提升 樹。
我們 放 這 地位 作為響應，63個感測器X，因素。
這 提升 樹 是 受過訓練 依序地， 一 樹 在 a 時間。
T 他 其他 模型 是 去 到 使用 是 隨機的 森林，
和 那是 完畢 和 獨立的 樹木。
那裡 是 a 順序 方面 在 提升 樹木
那 是 不同的 從 隨機的 森林。
這 設定 的 提升 樹木 涉及 三 參數：
這 數位 的 樹木， 深度 的 樹木， 和 這 學習 速度。
這 是 什麼 跳轉 給出 作為 預設.
增強 樹木 能 是 用過的 到 解決 最多 客觀的 功能。
我們 可以 使用 它 為了 泊松 回歸，
哪個 是 處理 和 計數 那 是 a 位元 更難 到 達到
和 隨機的 森林。
是 去 到 重點 在 這些 二 類型 的 模型。
什麼時候 我們 申請 這 提升 樹，
和 我們 有 a 驗證 放 向上
和 43 系統 繪製 隨機 作為 這 驗證 放。
一百三十一個系統 被使用 為了 這 訓練 放。
我們 是 得到 a 9.3% 錯誤分類 速度。
三 失敗的 系統。
我們 知道 他們 失敗的 因為 我們 有 它 在 這 數據，
是 實際上 分類 作為 經過。
這 20 那 通過， 19 是 分類 作為 經過。
這 錯誤的 預測 經過 是 十三 %。
我們 能 看 在 這 多變的 柱子 貢獻。
我們 看 那 感應器 56， 18歲， 11， 和 61 是 這 頂部 四
在 條款 的 貢獻 到 這 分類。
我們 看 那 在 這 訓練 放， 我們 有 零 錯誤分類。
我們 可能 有 一些 超過 適合我 n 這 英國電信 應用。
如果 我們 看 在 這 舉起 曲線，
40 % 的 這 系統， 我們 能 得到 超過 二 舉起
哪個 是 該分類器給我們提供的性能。
如果 我們 嘗試 這 噓聲 陷阱 森林，
其他 選項， 再次， 我們 做 這 相同的 事物。
我們 使用 這 相同的 驗證 放。
這 預設值 的 跳轉 是 給予 你一些 參數
為了 這 數位 的 樹木
和 這 數位 的 特徵 到 是 已選擇 在 每個 模式。
這 是 如何 這 隨機的 森林 作品。
你 應該 是 意識到的 那 這 是 不是 非常 好的
如果 你 有 分類 變數 和 遺失的 數據，
哪個 是 不是 我們的 案件 這裡。
現在， 這 錯誤分類 速度 是 6.9， 降低 比 前。
在 這 訓練 放， 我們 有 一些 錯誤分類。
這 隨機的 森林 應用 到 這 測試 地位，
哪個 方法 什麼時候 我們 有 這 細節 在 這 失敗 是 23.4，
所以 壞的 表現。
也, 在 這 訓練 放， 我們 有 5% 錯誤分類。
但 我們 有 現在 a 更寬 範圍 的 選項
這就是解釋 一些 的 這 降低 表現。
在 這 舉起 曲線 在 這 測試 結果，
我們 實際上， 和 相當 好的 表現，
能 挑選 向上 這 頂部 10 % 的 這 系統 和 a 槓桿作用 的 多於 10.
所以 我們 有 超過十 折疊 增加 為了 10 % 的 這 系統
相對的 到 這 盛大 平均的。
現在 這 是 擺姿勢 a 問題- 記住 這 話題 的 這 講話-
什麼 是 我們 尋找 在？
做 我們 想 到 確認 頂部 分數 好的 系統？
這 隨機的 森林 會 做 那 和 這 測試 結果。
或者 做 我們 想 到 預測 a 高的 部分 的 經過？
這 引導樹 會 提供 那。
A 次要的 問題 是 到 看 在 什麼 是 影響 這 分類。
我們 能 看 在 這 柱子 貢獻 在 這 提升 樹。
三 的 這 四大頂級 變數 展示 向上 也 在 這 隨機的 森林。
如果 我們 使用 這 地位 通過/失敗，
或者 這 詳細的 結果，
那裡 是 a 很多 的 相似 在 這 重要性 的 這 感應器.
這 是 只是 給予 你 一些 背景。
克里斯 是 去 到 跟隨 向上 和 一個 評估 的 這 敏感度
的 這 多變的 重要性， 這 使用 的 SHAP v 價值觀
以及更多有趣的東西。
這 去 後退 到 質疑 什麼 是 你的 目標，
和 如何 是 這 模型 幫助 你 數位 出去 這 目標
和 或許 銳化 這 問題 那 來 從 這 陳述 的 這 目標。
克里斯， 它是 全部屬於你。
謝謝， 羅恩。
我是 去 到 挑選 向上 從 在哪裡 榮恩 離開
和 尋找 a 模型 那 將要 預測 無論 或者 不是 a 單元 是 好的 或者 不是，
和 如果 它 不是， 什麼是 這 可能 失敗 模式 那 有 結果如何？
這 會 是 有用 在那 如果 a 模型 是 好的 在 預測 好的 單位，
我們 可能 不是 有 到 主題 他們 到 很多 更遠 測試。
如果 這 模型 給出 a 預測 失敗 模式，
是 有能力的 到 得到 a 頭 開始 在 診斷 和 定影 這 問題，
和 可能， 我們 可能 是 有能力的 到 得到 一些 提示
在 如何 到 提升 這 生產 流程 在 這 未來。
我是 去 到 去 透過 這 順序
的 如何 I 接近 回答 這 問題 從 這 數據。
I 想 到 說 在 這 一開始 那 這 是 簡單地 這 小路 那 I 拿了
作為 I 問 問題 的 這 數據 和 表演 在 各種各樣的 模式 那 I 鋸。
那裡 是 字面上地 許多 其他 方法 那 一 可以 繼續 和 這。
有 常 不是 真的 a 確實 正確的 回答，
只是 a 標準 為了 無論 或者 不是 這 模型 是 好的 足夠的，
和 這 數量 那 你是 有能力的 到 得到 完畢
在 這 時間 那 你 有 到 得到 a 結果 後退。
I 有 不 懷疑 那 那裡 是 更好的 模型 出去 那裡
比 什麼 I 來了 向上 和 這裡。
我們的 目標 是 到 展示 一個 實際的 流程 的 鏟球 a 預言 問題，
說明 如何 一 能 移動 向前
經過 迭代 透過 週期 的 造型 和 視覺化，
關注 經過 觀察 這 結果 和 使用 他們 到 問 其他 問題
直到 我們 尋找 某物 的 一個 回答。
I 將要 是 使用 跳轉 作為 a 統計 瑞士 軍隊 刀，
使用 許多 工具 在 跳轉
和 下列的 這 直覺 I 有 關於 造型 數據
那 有 建造 向上 超過 許多 年。
第一的， 讓我們 只是 拿 a 看
在 這 頻率 的 這 各種各樣的 測試 結果 類別。
我們 看 那 這 最大的 和 最多 頻繁 類別 是 好的。
出色地 大概 有 這 最多 運氣 存在 有能力的 到 預測 那 類別。
在 這 其他 手， 這 緊急求救 類別 有 僅有的 二 事件
所以 它是 去 到 是 非常 難的 為了 我們 到 是 有能力的 到 做 很多 和 那 類別。
我們 可能 有 到 放 那 一 放在一邊。
出色地 看 關於 那。
速度 II， 進口商， 和 煞車
是 全部 相當 稀有的 和 五 或者 六 事件 每個。
那裡 可能 是 一些 限制 在 什麼 是 有能力的 到 做 和 他們 作為 出色地。
I 說 這 因為 我們 有 174 觀察
和 我們 有 63 預測因子。
所以 我們 有 a 很多 的 預測變數 為了 a 非常 小的 數位 的 觀察，
哪個 是 實際上 甚至 更小 什麼時候 你 考慮 這 頻率
的 一些 的 這 類別 那 是 嘗試 到 預測。
是 去 到 有 到 工作 迭代地 經過 正在做 視覺化 在 造型，
認識到 圖案， 詢問 問題，
和 然後 演技 在 那些 和 其他 造型 步 迭代地
在 命令 到 尋找 a 模型 那是 去 到 做 a 好的 工作
的 預測 這些 回覆 類別。
I 有 這 數據 已排序 經過 測試 結果，
所以 那 這 好的 結果 是 在 這 開始，
關注 經過 每個 的 這 不同的 失敗 模式 d 就是這樣 之後 那。
I 去了 前方 和 有色 每個 的 這 列 經過 測試 結果 所以 那 我們 能 看
哪個 觀察 屬於 到 a 特別的 回覆 類別。
所以 然後 I 去了 進入 這 模型- 驅動 多變數 控制 圖表
和 I 帶來 在 全部 的 這 感應器 作為 流程 變數。
自從 I 有 這 好的 測試 結果 在 這 開始，
I 標記 那些 作為 歷史 觀察結果。
這 給我們 a T² 圖表。
它是 選擇 十三 主要的 成分 作為 它是 基礎。
什麼 我們 看 這裡
是 那 這 圖表 是 主導 經過 這些 二 點 正確的 這裡
和 全部 的 這 其他 點 是 非常 小的 在 價值
相對的 到 那些 二。
這兩點發生 到 是 求救訊號 點。
他們 是 非常 嚴肅的 異常值 在 這 感應器 讀數。
自從 我們 也 僅有的 有 二 觀察 的 那些，
我是 去 到 去 前方 和 拿 那些 出去 的 這 數據 放
和 說， 嗯，SOS 是 明顯地 所以 壞的 那 這 感應器
應該 是 只是 飛行 離開 這 圖表。
如果 我們 遇到 它， 是 只是 去 到 去 前方
和 嘗試 到 憂慮 我們自己 和 這 其他 價值觀
那 不 有 這 離開- 這- 圖表 行為。
交換 到 a 紀錄 規模， 我們 看 那 這 好的 測試 結果
是 相當 出色地 —表現良好。
然後 有 定 訊號
在 這 數據 為了 這 不同的 失敗 模式。
現在 我們 能 鑽頭 向下 a 小的 位元 更深，
服用 a 看 在 這 貢獻 劇情 為了 這 歷史 數據，
這 好的 測試 結果 數據， 和 這 失敗 模式
到 看 如果 任何 模式 出現 在 這 感應器 那 我們 能 行為 之上。
我是 去 到 消除 那些 兩個SOS 觀察
和 選擇 這 好的 單位。
如果 I 右鍵單擊 在 這 陰謀，
I 能 帶來 向上 a 貢獻 陰謀
為了 這 好的 單位， 和 然後 I 能 去 超過 到 這 單位
在哪裡 那裡 曾是 a 失敗， 和 I 能 做 這 相同的 事物，
和 出色地 是 有能力的 到 比較 這 貢獻 劇情 邊 經過 邊。
所以 什麼 我們 看 這裡 是 這 貢獻 劇情
為了 這 經過 單位 和 這 失敗 單位。
這 貢獻 劇情
是 這 數量 那 每個 柱子 是 貢獻 到 這 T ²
為了 a 特別的 排。
每個 這 酒吧 那裡 對應 到 一個 個人 感應器 為了 那 排。
貢獻 劇情 是 有色 綠色的 什麼時候 那 柱子 是 之內 三 西格瑪，
使用 一個 個人 和 移動 範圍 圖表，
和 它是 紅色的 如果 它是 出去 的 控制。
這裡 我們 看 最多 的 這 感應器 是 在 控制 為了 這 好的 單位，
和 最多 的 這 感應器 是 出去 的 控制 為了 這 失敗的 單位。
什麼 I 曾是 希望 為了 這裡
會 有 到過 如果 那裡 曾是 僅有的 a 子集 的 這 列
或者 感應器 那 是 出去 的 控制 在…之上 這 失敗的 單位。
或者 如果 I 曾是 有能力的 到 看 模式
那 改變 穿過 這 不同的 失敗 模式，
哪個 會 幫助 我 隔離 什麼 變數 是 重要的
為了 預測 這 測試 結果 結果。
很遺憾， 漂亮的 很多 全部 的 這 感應器
是 在 控制 什麼時候 事物 是 好的，
和 最多 的 他們 是 出去 的 控制 什麼時候 事物 是 壞的。
所以我們要 有 到 使用 一些 更多的 複雜的 造型
到 是 有能力的 到 處理 這 預言 問題。
擁有 不是 成立 任何事物 在 這 柱子 貢獻 情節，
我是 去 到 後退 向上 和 返回 到 這 二 模型 那 榮恩 成立。
這裡 是 這 柱子 貢獻 為了 那些 二 模型，
和 我們 看 那 有 一些 協定 在 條款 的
什麼 是 這 最多 重要的 感應器.
但 提升 樹 成立 a 有些 更大 放 的 感應器 作為 存在 重要的
超過 這 引導程式 森林。
哪個 的 這些 二 模型 應該 我們 相信 更多的？
如果 我們 看 在 這 全面的 模型 合身 報告，
我們 看 那 這 提升 樹 模型 有 a 非常 高的 訓練 遙感 為什麼 的 0.998
和 a 有些 較小的v 化合 遙感 為什麼 的 0.58。
這 看起來 喜歡 一個 過度擬合 情況。
什麼時候 我們 看 在 這 隨機的 森林， 它 有 a 有些 更小 訓練 遙感 為什麼，
也許 a 更多的 實際的 一， 比 這 引導程式 森林，
和 它有 a 有些 更大 驗證 遙感 為什麼。
這 概括 表現 的 這 隨機的 森林
是 希望 a 小的 位元 更好的。
我是 傾斜 到 相信 這 隨機的 森林 模型 a 小的 位元 更多的。
部分 的 這 是 去 到 是 基於 之上 只是 這 民俗學 的 這些 二 模型。
增強 樹木 是 著名 為了 存在 快速地， 高度 準確的 模型
那 工作 出色地 在 非常 大的 數據集。
然而 這 傳聞 是 那 隨機的 森林 是 更多的 準確的 在 更小 數據集。
他們 是 相當 強壯的， 凌亂的， 和 吵雜 數據。
有 a 長的 歷史 的 使用 這些 種類 的 模型
為了 多變的 選擇 那 去 後退 到 a 紙 在 2010
那 有 到過 引用 幾乎 1200 次。
所以 這 是 a 受歡迎的 方法 為了 多變的 選擇。
I 做過 a 相似的 搜尋 為了 提升，
和 I 沒有 相當 看 作為 很多 歷史 大約 多變的 選擇
為了 提升 樹木 作為 I 做過 為了 隨機的 森林。
為了 這 給定 數據 設定 r 右 這裡，
我們 能 做 a 敏感度 分析 到 看 如何 可靠的
這 柱子 貢獻 是 為了 這些 二 不同的 方法，
使用 這 模擬 能力 在 跳轉 贊成。
什麼 我們 能 做 是 創造 a 隨機的 驗證 柱子
那 是 a 公式 柱子
那 你 能 重置 和 將要 分割 這 數據
進入 隨機的 訓練 和 堅持 套 的 這 相同的 份量
作為 這 原來的 驗證 柱子。
我們 能 有 它 重播 這些 二 分析
和 保持 追蹤 的 這 柱子 貢獻 份量
為了 每個 的 這些 重新分區。
我們 能 看 如何 持續的 這 故事是
之間 這 提升 樹 模型 和 這 隨機的 森林。
這 是 漂亮的 簡單的 到 做。
我們只是去 到 這 製作 驗證 柱子 公用事業
和 什麼時候 我們 製作 a 新的 柱子， 我們 問 它 到 製作 a 公式 柱子
所以 那它 可以 是 重新初始化。
然後 我們 能 返回 到 這 引導程式 森林 平台，
正確的- 點選 在 這 柱子 貢獻 部分，
選擇 模擬。
它會 帶來 向上 a 對話
詢問 我們 哪個 的 這 輸入 列 我們 想 到 轉變 出去。
我是 去 到 選擇 這 驗證 柱子，
和 我是 去 到 轉變 在 作為替代 的 它，
這 隨機的 驗證 公式 柱子。
是 去 到 做 這一百 次。
引導程式 森林 是 去 到 是 重播
使用 新的 隨機的 分割區 的 這 數據 進入 訓練 和 驗證。
是 去 到 看 在 這 分配 的 這 份量
穿過 全部 這 模擬 運行。
這 將要 產生 a 數據集
的 柱子 貢獻 份量 為了 每個 感應器.
我們 能 拿 這 和 去 進入 這 圖形 建造者
和 拿 a 看 和 看 如何 持續的 那些 柱子 貢獻 是
穿過 全部 這些 隨機的 分割區 的 這 數據。
這裡 是 a 陰謀 的 這 柱子 貢獻 份量
從 每個 的 這 100 隨機的 改組 的 這 驗證 柱子。
這些要點 我們 看 在 這裡是灰色，
感應器 18 似乎 到 是 始終如一 a 大的 貢獻者， 作為 做 感應器 61.
我們 也 看 和 這些 紅色的 十字架，
那些 是 這 柱子 貢獻 從 這 原來的 分析 那 榮恩 做過。
這 全面的 故事 那 這 告訴 是 那 這 趨勢
i s 那 每當 這 原來的 柱子 貢獻 很小，
那些 關於 模擬 柱子 貢獻 也 照料 到 是 小的。
什麼時候 這 柱子 貢獻 是 大的 在 這 原來的 分析，
他們 照料 到 停留 大的。
是 得到 a 相對地 持續的 故事 從 這 引導程式 森林
在 條款 的 什麼 列 是 重要的。
現在 我們 能 做 這 相同的 事物 和 這 提升 樹，
和 這 結果 不是 相當 作為 持續的 作為 他們 是 和 這 引導程式 森林。
所以 這裡 是 a 束 的 列
在哪裡 這 最初的 柱子 貢獻 來了 非常小
但 他們 有 a 更多的 重大的 貢獻
在 一些 的 這 隨機的 改組 的 這 驗證 柱子。
那 也 發生了 相當 a 位元 結束 這些 列 52 透過 55 超過 這裡。
然後 那裡 是 也 一些 情況
在哪裡 這 原來的 柱子 貢獻 曾是 相當 大的，
和 最多， 如果 不是 全部，
的 這 其他 柱子 貢獻 成立 在 這 模擬 是 更小。
那 發生 這裡 和 柱子 48歲，
和 到 一些 程度 也 和 柱子 11 超過 這裡。
這 全面的 結論 存在 那 I 思考 這 驗證 洗牌
是 指示 那 我們 能 相信 這 柱子 貢獻
從 這 引導程式 森林 到 是 更多的 穩定的 比 那些 的 這 提升 樹。
基於 這 比較， I 思考 I 相信 這 柱子 貢獻
從 這 引導程式 森林 更多的，
和 我是 去 到 使用 這 列 那 它 受到推崇的
作為 這 基礎 為了 一些 其他 模型。
什麼 ID 喜歡 到 做
是 尋找 a 模型 那 是 兩個都 更簡單 比 這 引導程式 森林 模型
和 執行 更好的 在 條款 的 驗證 放 表現
為了 預測 經過 或者 失敗。
前 訴訟 和 這 下一個 造型 東西,
我是 去 到 做 某物 那 I 應該 有 大概 完畢 在 這 非常 開始，
哪個 是 到 拿 a 看 在 這 感應器 在 a 散點圖 矩陣
到 看 如何 相關 這 感應器 讀數 是，
和 也 看 在 直方圖 的 他們 作為 出色地 到 看 如果 他們是 異常值 易於
或嚴重 傾斜 或者 否則 高度 非 高斯。
什麼 我們 看 這裡 是 那裡 是 漂亮的 強的 多重共線性
其中 這 輸入 變數 一般來說。
是 僅有的 尋找 在 a 子集 的 他們 這裡，
但 這 高的 多重共線性 持續存在 穿過 全部 的 這 感應器 讀數。
這 建議 那 為了 我們的 模型，
我們 應該 嘗試 事物 喜歡 這 物流 套索，
這 物流 鬆緊帶 網， 或者 後勤 嶺 回歸
作為 候選人 為了 我們的 模型 到 預測 經過 或者 失敗。
前 我們 做 那， 我們 應該 去 前方
和 嘗試 到 轉換 我們的 感應器 讀數 這裡
所以 那 他們是 a 小的 位元 更好的- 表現 和 更多的 高斯 看。
這 是 實際上 真的 簡單的 在 跳轉
如果 你 有 全部 的 這 列 向上 在 這 分配 平台，
因為 全部 你 有 到 做 是 抓住 放下一切 , 選擇 合身 約翰遜，
和 這 將要 合身 約翰遜 分佈 到 全部 這 輸入 變數。
這 是 a 家庭 的 分佈
那 是 基於 在 a 四 範圍 轉型 到 常態。
作為 a 結果， 我們 有 a 好的 特徵 在 那裡
那 我們 能 也 pod送 使用 Alt 點擊，
在哪裡 我們 能 節省 a 轉型 從 這 原來的 規模
到 a 規模 那 使 這 列 更多的 通常情況下 分佈式。
如果 我們 去 後退 到 這 數據 桌子，
出色地 看 那 為了 每個 感應器 柱子， a 轉換 柱子 有 到過 額外。
如果 我們 帶來 這些 轉型 列 向上 和 a 散點圖 矩陣
和 一些直方圖，
我們 清楚地 看 那 這 數據 是 較少的 傾斜
和 更多的 通常情況下 分散式 比 這 原來的 感應器 列 是。
現在 這 引導程式 森林 模型 那 榮恩 成立
僅有的 真的 受到推崇的 a 小的 數位 的 列
為了 使用 在 這 模型。
因為 的 這 高的 共線性 其中 這 列，
這 子集 那 我們 得到 可以 容易地 是 部分
的 a 更大 團體 的 列 那 是 相關 和 一 其他。
它 可以 是 有利 到 尋找 那 更大 團體 的 列
和 工作 和 那 在 這 下一個 造型 階段。
一個 探索性的 方式 到 做 這
是 到 去 透過 這 簇 變數 平台 在 JMP 中 .
是 去 到 工作 和 這 規範化 版本 的 這 感應器
因為 這 平台 是 主成分分析 和 因素 分析 基於，
和 將要 提供 更多的 可靠的 結果 如果 是 在職的 和 數據
那 是 大約 通常情況下 分佈式。
一次 是 在 這 多變的 聚類 平台，
我們 看 那 那裡 是 非常 清除，
強的 協會 其中 這 輸入 列。
它 有 已識別 那 那裡 是 七 簇，
和 這 最大的 簇， 這 一 那 解釋 這 最多 變化，
有 二十五 成員。
這 放 的 簇 成員 是 上市 這裡 在 這 正確的。
讓我們 比較 這 和 這 引導程式 森林。
這裡 在 這 左邊， 我們 有 這 柱子 貢獻
從 這 引導程式 森林 模型 那 你 應該 是 熟悉的 和 經過 現在。
在 這 正確的， 我們 有 這 清單 的 成員
的 那 最大的 簇 的 變數。
如果 我們 看 密切， 出色地 看 那 這 前七名 貢獻 條款
全部 發生 到 屬於 到 這 簇。
我是 去 到 假設 那 這 放 的 二十五 列
是 全部 有關的 到 一些 潛在的 機制
那 原因 這 單位 到 經過 或者 失敗。
什麼 I 想 到 做 下一個 是 I 想 到 合身 模型
使用 這 廣義的 回歸 平台 和 這 變數 在 簇 1 這裡。
它 會 是 乏味 如果 I 有 到 去 透過
和 單獨地 挑選 這些 列 出去 和 放 他們 進入 這 發射 對話。
幸運的是， 有 a 很多 更輕鬆 方式
在哪裡 你 能 只是 選擇 這 列 在 那 桌子
和 這 列 將要 是 已選擇 在 這 原來的 數據 桌子
所以 那 什麼時候 我們 去 進入 這 合身 模型 發射 對話，
我們 能 只是 點選 添加
和 那些 列 將要 是 自動地 額外 為了 我們 作為 模型 效果。
一次 I 得到 進入 這 廣義 回歸 平台，
I 去了 前方 和 合身 a 套索 模型 和 鬆緊帶 網 模型
和 a 嶺 模型 擁有 他們 比較的 這裡 到 每個 其他，
和 也 到 這 物流 回歸 模型 那 來了 向上 經過 預設.
是 看到 那 這 套索 模型 是 正在做 a 小的 位元 更好的 比 這 休息
在 條款 的 它是 驗證 廣義的 遙感 為什麼。
這 不同之處 之間 這些 方法
是 那 有 不同的 金額 的 多變的 選擇
和 多重共線性 處理 在 每個 的 他們。
邏輯迴歸 有 不 多重共線性 處理
和 不 多變的 選擇。
這 套索 是 更多的 的 a 多變的 選擇 演算法,
雖然 它 有 a 小的 位元 的 多重共線性 處理 在 它
因為 它是 a 受到處罰 方法。
嶺 回歸 有 不 多變的 選擇
和 是 沉重 導向 大約 多重共線性 處理。
這 鬆緊帶 網 是 a 雜交種 之間 這 套索 和 嶺 回歸。
在 這 案件， 什麼 我們 真的 關心 關於
是 只是 這 模型 那是 去 到 執行 這 最好的。
我們 允許 這 驗證 到 指導 我們。
是 去 到 是 在職的 和 這 套索 模型 從 這裡 在。
這是 這 預言 分析器 為了 這 套索 模型 那 曾是 已選定。
我們 看 那 這 套索 演算法 有 已選擇 八 感應器
作為 存在 預測 的 經過 或者 失敗。
它 有 一些 偉大的 內建工具
為了 理解 什麼 這 重要的 變數 是，
兩個都 在 這 模型 全面的 和， 新的 到 跳轉 專業版 17，
我們 有 這 能力 到 理解
什麼 變數 是 最多 重要的 為了 一個 個人 預言。
我們 能 使用 這 多變的 重要性 工具 到 回答 這 問題，
「什麼 是 這 重要的 變數 在 這 模型？ 」
我們 有 a 種類 的 不同的 選項 為了 這。
我們 有 a 種類 的 不同的 選項 為了 如何 這 可以 是 完畢。
但 因為 的 這 多重共線性 和 因為 這 是 不是 非常 大的 模型，
我是 去 到 去 前方
和 使用 這 受扶養人 重新採樣 輸入 技術，
自從 我們 有 多重共線性 在 這 數據，
和 這 有 給定 我們 a 排行 的 這 最多 重要的 條款。
我們 看 那 柱子 18 是 這 最多 重要的，
關注 經過 柱子 二十七 和 然後 52， 全部 這 方式 向下。
我們 能 比較 這 到 這 引導程式 森林 模型，
和 我們 看 那 有 協定 那 多變的 18 是 重要的，
沿著 和 52， 61歲， 和 53.
但 一 的 這 條款 那 我們 有 拉 在
因為 的 這 多變的 聚類 步 那 我們 有 完畢，
感應器 二十七 轉彎 出去 到 是 這 第二 最多 重要的 預測
在 這 套索 模型。
我們 希望 獲得 某物 經過 鑄件 a 更寬 網 透過 那 步。
我們 成立 a 學期 那 沒有 轉動 向上
在 任何一個 的 這 引導程式 森林 或者 這 提升 樹 方法。
我們 也 看 那 這 套索 模型 有 一個 遙感 為什麼 的 0.9，
然而 這 引導程式 森林 模型 有 一個 遙感 為什麼 的 0.8。
我們有 a 更簡單 模型 那 有 一個 更輕鬆 形式 到 理解
和 是 更輕鬆 到 工作 和，
和 也 有 a 更高 預測 容量 比 這 引導程式 森林 模型。
現在， 這 多變的 重要性 指標 在 這 分析器
有 到過 那裡 為了 相當 一些 時間。
這 問題 那 他們 回答 是， 「哪個 預測變數 有 最大的 影響
在 這 形狀 的 這 回覆 表面 超過 這 數據 或者 超過 a 地區？ 」
在 跳轉 17 親， 我們 有 a 新的 科技 稱為 夏普 價值觀
那 是 一個 添加劑 分解 的 一個 個人 預言。
它 告訴 你 經過 如何 很多 每個 個人 多變的 貢獻
到 a 單身的 預言，
相當 比 說 關於 變異性 解釋 超過 這 所有的 空間。
這 解決 的 這 問題 那是 回答 經過 沙普利 價值觀
是 遠的 更多的 當地的 比 任何一個 這 多變的 重要性 工具
或者 這 柱子 貢獻我 n 這 引導程式 森林。
我們 能 獲得 這 沙普利 價值觀 經過 去 到 這 紅色的 三角形 選單 為了 這 分析器，
和 出色地 尋找 這 選項 為了 他們 超過 這裡， 第四名 這 底部。
什麼時候 我們 選擇 這 選項， 這 分析器 儲存 後退 夏普 列
為了 全部 的 這 輸入 變數 到 這 模型。
這 是， 的 課程， 正在發生 為了 每一個 排 在 這 桌子。
什麼 你 能 看 是 那 這 V 型 價值觀 是 給予 你 這 影響
的 每個 的 這 列 在 這 預測 模型。
這 是 有用 在 a 所有的 很多 的 不同的 方法，
和 為了 那 原因， 它是 得到 a 很多 的 注意力 可以理解 人工智慧,
因為 它 允許 我們 到 看
什麼 貢獻 是 的 每個 柱子 到 a 黑色的 盒子 模型。
這裡， 我已經 繪製 這 V 型 價值觀 為了 這 列 那 是 預測
在 這 最後的 擬合模型 那 我們 只是 建。
如果 我們 切換 後退 和 向前 之間 這 好的 單位 和 這 單位 那 失敗的，
我們 看 這 相同的 故事 那 我們已經 到過 看到
和 這 多變的 重要性 指標 為了 這，
那 柱子 18 和 柱子 二十七 是 重要的 在 預測 經過 或者 失敗。
是 看到 這 在 a 更高 等級 的 解決
比 我們 做 和 這 多變的 重要性 指標，
因為 每個 的 這些 點 對應 到 一個 個人 排
在 這 原來的 數據集。
但 在 這 案件， I 不 看 這 夏普 價值觀
真的 給予 我們 任何 新的 資訊.
I 有 希望 那 經過 切換 透過
這 其他 失敗 模式， 或許 I 可以 尋找 a 圖案
到 幫助 逗 出去 不同的 感應器
那 是 更多的 重要的 為了 特別的 失敗 模式。
但 這 僅有的 事物 I 曾是 有能力的 到 尋找 曾是 那 柱子 18
有 a 有些 更強 影響 在 這 速度 類型 1 失敗 模式
比 這 其他 失敗 模式。
在 這 觀點， 我們已經 有 一些 成功
使用 那些 簇 1 列 在 a 二進位 經過/ 失敗 模型。
但 什麼時候 I 破產了 出去 這 夏普 價值觀
為了 那 模型， 經過 這 不同的 故障模式
I 不是 有能力的 到 辨別 a 圖案 或者 很多 的 a 圖案。
什麼 I 做過 下一個 曾是 I 去了 前方
和 合身 這 失敗 模式 回覆 柱子 測試 結果
使用 這 簇 1 列，
但 I 去了 前方 和 排除 全部 這 經過 列
所以 那 這 造型 程式 會 重點 只
在 有辨別力 哪個 失敗 模式 這是 給定 那 我們 有 a 失敗。
I 嘗試過 這 多項式 套索， 鬆緊帶 網， 和 嶺，
和 I 曾是 特別 快樂的 和 這 套索 模型
因為 它 給了 我 a 驗證 遙感 為什麼 的 關於 0.94。
擁有 到過 漂亮的 快樂的 和 那，
I 去了 前方 和 已儲存 這 可能性 公式
為了 每個 的 這 失敗 模式。
現在 這 任務 是 到 來 向上 和 a 簡單的 規則
那 郵政 流程 那 預言 公式
到 製作 a 決定 關於 哪個 失敗 模式。
I 稱呼 這 這 分割 詭計。
分區技巧是 在哪裡 I 放 在 這 可能性 公式
為了 a 分類 回覆, 或者 甚至 a 多項式 回覆.
I 放 那些 可能性 公式 在 作為 Xs。
I 使用 我的 分類 回覆 作為 我的 和。
這 是 這 相同的 回覆 那 曾是 用過的
為了 全部 的 這些 除了 對於通行證， 實際上。
I 保持 這 相同的 驗證 柱子 那 我已經 到過 在職的 和 這 所有的 時間。
現在 那 我是 在 這 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 結尾 向上 和 一個 容易地 可以理解 決定 規則
那是 簡單的 到 交流。
那 可能 或者 可能 不是 發生。
有時 它 作品， 有時 它 沒有。
所以 I 分裂 一次， 和 我們 結尾 向上 看到 那
每當 這 可能性 的 經過 是 更高 比 0.935，
我們 幾乎 當然 有 a 經過。
不是 許多 通行證 是 左邊 超過 在 這 其他 邊。
I 拿 其他 分裂。
我們 尋找 a 決定 規則 在 資訊科技經理
那 是 高度 預測 的 資訊科技經理 作為 a 失敗 模式。
分裂 再次。
我們 尋找 那 每當 引擎 是 較少的 比 0.945，
是 任何一個 預測 引擎 或者 煞車。
我們 拿 其他 分裂。
我們 尋找 那 每當 速度 類型 1、 它的機率 是 大 比 0.08
或可能 在 a 速度 類型 1 情況 或者 在 a 速度 T 類型 2 情況。
每當 速度 類型 1 是 較少的 比 0.79，
是 可能 在 a 夾持器 失敗 模式 或者 一個 進口 失敗 模式。
什麼 做 我們 有 這裡？ 我們 有 a 簡單的 決定 規則。
是 去 到 不是 是 有能力的 到 休息 這些 失敗 模式 向下 很多 更遠
由於 這 非常 小的 數位 的 實際的 事件 那 我們 有。
但 我們 能 轉動 這 進入 a 簡單的 規則
為了 識別 單位 那 是 大概 好的，
和 如果 他們是 不是， 我們 有 一個 主意 的 在哪裡 到 看 到 使固定 這 問題。
我們 能 節省 這 決定 規則 出去 作為 a 葉子 標籤 公式。
我們 看 那 在 這 驗證 放，
什麼時候 我們 預測 它是 好的， 最好 的 這 時間。
我們 做過 有 一 錯誤分類 的 a 速度 類型 2 失敗
那 曾是 實際上 預測 到 是 好的。
預測 夾持器 或者 進口商， 它是 全部 超過 這 地方。
那 葉子 曾是 不是 極佳的 有用。
預測 ITM 是 100 %。
每當 我們 預測 a 引擎 或者 制動，
在 這 驗證 放， 我們 有 a 引擎 或者 a 煞車 失敗。
什麼時候 我們 預測 a 速度 類型 1 或 2，
它 做過 a 漂亮的 好的 工作 的 採摘 那 向上
和 那 一 例外 的 這 單身的 速度 類型 2 單元
那 曾是 在 這 驗證 放，
和 那個 發生了 到 有 到過 分類錯誤。
我們 有 一個 容易地 操作 規則 這裡 那 可以 是 用過的 到 種類 產品
和 給 我們 a 頭 開始 在 在哪裡 我們 需要 到 看 到 使固定 事物。
I 思考 這 曾是 a 漂亮的 具有挑戰性的 問題，
因為 我們 沒有 有 a 所有的 很多 的 數據。
但 我們 沒有 有 a 很多 的 行，
但 我們 有 a 很多 的 不同的 類別 到 預測
和一個 所有的 很多 的 可能的 預測變數 到 使用。
我們 得到 那裡 經過 服用 a 系列 的 步驟，
詢問 問題，
有時 服用 a 步 後退 和 詢問 a 大 問題。
其他 次， 縮小 在 在 特別的 子 問題。
有時 我們的 短途旅行 是 卓有成效， 和 有時 他們 不是。
我們的 目的 這裡 是 到 闡明
如何 你 能 步 透過 a 造型 過程，
透過 這 順序 的 詢問 問題
使用 造型 和 視覺化 工具 到 指導 你的 下一個 步，
和 移動 在 直到 你是 有能力的 到 尋找
a 有用， 可操作的， 預測 模型。
感謝 你 非常 很多 為了 你的 注意力。
我們 看 向前 到 說 到 你 在 我們的 問答 會議 未來 向上 下一個。
