Data Mining für asymmetrische Datensätze unter dem Fluch der Dimensionalität
Finden Sie in großen und verrauschten Datensätzen dieeinflussreichstenErtragsprädiktoren in einem HalbleiterFabelhaft
Einführung:
Die Halbleiterfertigung zählt zu den technologisch anspruchsvollsten und komplexesten Fertigungsprozessen. Aufgrund der Vielzahl an Prozessschritten und Sensoren ist diese Branche mit einer enormen Datenflut konfrontiert. Neben der großen Menge an Produktionsdaten erschwert das Ungleichgewicht zwischen bestandenen und fehlerhaften Teilen die Analyse dieser Datensätze.
Bei einer so großen Datenmenge könnte die Standardtechnik einer Variable zu diesem Zeitpunkt aufgrund des Einflusses einer großen Anzahl von Fertigungsvariablen versagen.
Daten allein sind nicht nützlich. Um nützlich zu sein, müssen sie in verwertbare Informationen umgewandelt werden, um Ertrag und Produktqualität zu verbessern.
Hier kommt das maschinelle Lernen (ML).
Um ein Überanpassen des Modells zu vermeiden, ist auch eine Reduzierung der Stichprobendimensionalität erforderlich. Anders ausgedrückt: Um das Signal-Rausch-Verhältnis der verfügbaren Daten zu verbessern, müssen wir die Anzahl der Merkmale reduzieren, bevor wir ein ML-Modell anwenden. Sobald die interessanten Muster aus der Datenbank extrahiert wurden, werden sie durch die Erfahrung eines Ingenieurs validiert.
Der gesamte Prozess wurde mit JMP13 JSL-Funktionen realisiert
