这篇文章实际上并不是“回答”，而只是一篇讨论文章。
当我从事制造质量相关工作时，我确实遵循了类似的流程：将情况可视化，然后识别某种组，标记它们并尝试预测/解释它们。幸运的是，在设法创建组后，在 JMP 中尝试不同的方法（例如聚类或分区分析）相当容易。
如果列数不是太多，我也喜欢使用 Sankey Plot 来可视化这种情况。此外，默认情况下，在 JMP 中更改列有点困难，但在开始使用 Sankey 之前，您可能已经对潜在原因有了很好的了解
查看更多...我最终创建了
增强型桑基图插件，以便在这种情况下使用图形生成器中的桑基图更容易进行 EDA（探索性数据分析），并且它还“支持”使用分区或预测筛选/引导森林通过自动排序列来协助分析
自动订购后，你很可能会看到类似这样的结果
通常，设置某种排序以立即看到它与时间无关是个好主意，在这种情况下只是批处理
在这个动手活动中，仅使用套索工具来选择点可能会有点困难，但幸运的是我们设法将其可视化为一条线 -> 我们可以创建新的列，即 Monitor2 和 Control5 之间的比率，只需使用快速公式就可以更轻松地选择值。
我们可以立即在列标题图中看到高峰值
此时，我们还可以快速浏览一下其他列标题图表，看看是否有任何令人担忧的事情
也许是工厂，但我们仍然有多个类别的价值，所以它不能解释我们所有的结果。
如果我们想要更准确的选择，我们可以使用 JMP 与 Distribution + Graph Builder 的交互功能
我们可以选择这些并创建新列，并在列中选择名称，或者仅使用该新比率列作为分区分析/预测筛选中的响应（如果我们仅使用比率列，则不会那么明显，但这是一种非常快速的检查方法）。我认为预测筛选和分区是很好的起点，但如果列数不多，我们也可以使用图形生成器中的列切换器选择可视化选项
查看更多...
我没有做任何超出网络研讨会所教内容的事情，因为我只是使用套索工具从图形生成器图表中突出显示了控制 5 监视器 2“奇怪的线”数据，然后使用该选择中的突出显示行并创建一个新列，将这些突出显示的行命名为 OOC，其他列则为好。然后对所有其他剩余因素进行了分区分析，发现我的大部分 OOC 数据点都来自内部工厂。我回到图形生成器并为“工厂”做了一个本地数据过滤器，并验证了当控制 1 测量值 >57.3 时，控制 5 监视器 2“奇怪的线”的原因是内部工厂。
