這篇文章實際上並不是“回答”，而只是一篇討論文章。
當我從事製造品質相關的工作時，我確實遵循類似的過程：形象化情況，然後識別某種組，標記它們並嘗試預測/解釋它們。幸運的是，在您成功建立群組之後，嘗試 JMP 中的不同方法（例如聚類或分區分析）就非常容易了。
如果列數不是太多的話，我也喜歡使用桑基圖來對這種情況進行視覺化。此外，在 JMP 中，預設情況下更改列有點困難，但在開始使用 Sankey 之前，您可能已經對潛在原因有了很好的了解
看更多...我最終創建了
增強型桑基圖插件，以便在這種情況下使用圖形生成器中的桑基圖更容易進行EDA（探索性數據分析），並且它還“支援”使用分區或預測篩選/引導森林來協助分析透過自動排序列
自動訂購後，你很可能會看到類似這樣的結果
通常，設定某種排序以立即看到它與時間無關是個好主意，在這種情況下只是批次處理
在這個動手活動中，僅使用套索工具來選擇點可能會有點困難，但幸運的是，我們設法將其可視化為一條線-> 我們可以使用快速公式創建新的列，即Monitor2 和Control5 之間的比率更容易選擇值。
我們可以立即在列標題圖中看到高峰值
此時，我們還可以快速瀏覽其他列標題圖表，看看是否有任何令人擔憂的事情
也許是工廠，但我們仍然有多個類別的價值，所以它不能解釋我們所有的結果。
如果我們想要更準確的選擇，我們可以使用 JMP 與 Distribution + Graph Builder 的互動功能
我們可以選擇這些並創建帶有名稱選擇的新列，或者僅使用該新比率列作為分區分析/預測篩選中的響應（如果我們僅使用比率列，則不會那麼明顯，但它非常快速地檢查我們是否有東西的方法）。我認為預測篩選和分區是很好的起點，但如果列數不是太多，我們也可以使用圖形生成器中的列切換器進行視覺化選擇
看更多...
我沒有做任何超出網路研討會所教內容的事情，因為我只是使用套索工具突出顯示了圖形生成器圖表中的控制5 監視器2“奇怪的線”數據，然後使用該選擇中的突出顯示行並建立了一個新列，將這些突出顯示的行命名為 OOC，並將其他列命名為好。然後對所有其他剩餘因素進行了分區分析，發現我的大多數 OOC 數據點都來自內部工廠。我回到圖形產生器並對“工廠”進行了本地數據過濾，並驗證了當控制 1 測量值 >57.3 時，控制 5 監視器 2“奇怪的線”的原因是由於內部工廠造成的。
