조합 신경망
스티븐 화이트, Six Sigma Black Belt, Kennecott Utah Copper, Rio Tinto
JMP 분석은 다양한 광석이 금속 농축 과정에 어떤 영향을 미치는지 보여주었습니다. 이 분석은 이론과 관찰된 결과가 서로 모순되는 것처럼 보이는 경제적 수요 곡선과 같은 다른 비즈니스 문제를 밝혀낼 수 있습니다. 금속 농축 과정은 가격과 수량 사이에 음의 관계가 있는 경제적 수요 곡선과 유사한 기본 관계를 가지고 있습니다. 그러나 금속 농축 과정의 경우 일별 결과의 산점도는 종종 광석 특성의 변화로 인해 예상치 못한 양의 관계를 보여줍니다. 유추적으로, 고객 선호도의 변화로 인한 수요 곡선의 변화는 유사하게 예상치 못한 양의 가격 대 수량 관계를 보일 수 있습니다. 이 프레젠테이션에서는 이러한 모순되는 실제 결과 내에서 이론적 곡선을 찾는 방법을 설명합니다. 분석은 수백 개의 잠재적인 야금 및 운영 용어로 구성된 복잡한 데이터 세트로 시작합니다. JMP의 Partition 플랫폼을 사용하여 이를 보다 관리하기 쉬운 후보 목록으로 줄입니다. 다변량 플랫폼과 주성분 분석은 이 목록을 더욱 줄입니다. 그런 다음 간단한 JSL 스크립트를 사용하여 나머지 용어의 조합을 테스트하여 최적의 신경 모델을 찾습니다. 버블 차트는 분석 결과를 표시하는 데 사용되며, 여기서 X = r-sq(검정)의 중간값, Y = r-sq(검정)의 표준 편차, 버블 색상 = 해당 특정 모델의 용어 수입니다. 여러 번의 실행(컴퓨터 시간에 의해 제한됨)은 다양한 무작위 학습/검증/검정 하위 집합으로 이루어지며, 오류율 추정을 위해 반복 홀드아웃 방법을 사용합니다. 그런 다음 용어 수, 모델 효과 및 모델 안정성을 시각적으로 표시하여 최적의 모델 선택을 간소화합니다.
