Ansatz zur Ausreißererkennung - iteratives 3-SigmaWas hat Sie zu dieser Wunschlistenanfrage inspiriert?
Ziel ist es, die Daten zu filtern und Ausreißer zu entfernen, um Wafer mit vielen Defekten auszusortieren und den Standard zu identifizieren. Die Daten folgen einer Poisson-Verteilung
Bitte beschreiben Sie die neue oder verbesserte Funktion oder Lösung, die Sie gerne sehen würden.
Sie möchten Ausreißer mithilfe eines iterativen 3-Sigma-Ansatzes erkennen.
es bedeutet:
- Messen Sie Mittelwert und Standardabweichung von Stichproben.
- Entfernen Sie Proben, die höher sind als der Mittelwert plus 3 Standardabweichungen.
- Wiederholen Sie den Vorgang ab Schritt 1 – insgesamt dreimal.
Welchen Wert hätte die Bereitstellung dieser neuen Funktion für Sie und/oder andere Benutzer?
Handelt es sich hierbei um eine externe Kundenanfrage?
STMicroelectronics – Crolles
Gibt es ein Konkurrenzsoftwarepaket mit dieser Funktion oder Lösung, das wir kennen sollten?
Weiß nicht
Wird dies Auswirkungen auf eine Erneuerung, Erweiterung oder Einführung bei einem Kunden haben und wird ein Konto gefährdet, wenn wir dies nicht berücksichtigen?
Laufende ELA bei STMicroelectronics
Datenzusammenführung und -bereinigungBetreff: Ansatz zur Ausreißererkennung – iteratives 3-SigmaHallo @flo_kuster ,
Wäre so etwas wie das Folgende etwas, das in der Zwischenzeit an die Kundenbedürfnisse angepasst werden könnte? Es handelt sich nur um einen einzigen Durchlauf für eine definierte Standardabweichung unter Verwendung der Funktion std dev() in JSL.
/*
This script was created by:
Chris Kirchberg, Principal Systems Engineer, JMP Statistical Discovery, LLC
Sam Garnder, Sr. Product Manager, JMP Statistical Discovery, LLC
Date: 2023-10-24
It is intended to show how one can filter/group/screen through thousands of columns in a wide data set to
help reduce a data set to useful or functional features/columns for further modeling/testing.
!!!!!!It was not evaluated by any QC/QA methods or departments. Please use at your own risk.!!!!!
Please modify per needs of the data/project
*/
Names Default To Here( 1 );
zProp = 0.1;
dt = Current Data Table();
w = New Window( "Select Standard Deviation Limit",
<<MODAL>= pctdone,
tb << set text( "Checking Column " || Char( i ) || " of " || Char( N Items( selcols ) ) || " selected columns" );
pctdone += pctinc;
Wait( 0 );
);
v = Column( dt, selcols[i] ) << get values;
If( std dev( v ) <= zProp,
Insert Into( collist, Column( dt, selcols[i] ) ),
Insert Into( notcollist, Column( dt, selcols[i] ) )
);
);
For( i = 1, i <= N Items( cbsellist ), i++,
Match( cbsellist[i],
1,
// group acceptable
tb << set text( "grouping acceptable columns" );
Wait( 0 );
dt << group columns( "acceptable cols", notcollist );
dt << clear column selection();
dt << select column group( "acceptable cols" );
dt << move selected columns( to last );
dt << clear column selection();
tb << set text( "" );
Wait( 0 );,
2,
// group unacceptable
tb << set text( "grouping unacceptable columns" );
Wait( 0 );
dt << group columns( "unacceptable columns", collist );
dt << clear column selection();
dt << select column group( "unacceptable columns" );
dt << move selected columns( to last );
dt << clear column selection();
tb << set text( "" );
Wait( 0 );,
3,
// hide and exclude
tb << set text( "hiding and excluding unacceptable columns" );
dt << clear column selection();
dt << Select Columns( collist );
Wait( 0 );
If(
Host is( "Mac" ),
Main Menu( "Cols:Hide/Unhide" );
Main Menu( "Cols:Exclude/Unexclude" );,
Host is( "Windows" ),
mainmenu( "Cols:Hide/Unhide" );
mainmenu( "Cols:Exclude/Unexclude" );
);
dt << clear column selection();
tb << set text( "" );
Wait( 0 );
)
);
),
Button Box( "Cancel" )
)
)
)
)
)
);</MODAL>
Betreff: Ansatz zur Ausreißererkennung – iteratives 3-Sigma – Status geändert in: Bestätigt
