Comment gérer la prédiction de données avec un modèle non linéaire ?Salut l'équipe,
Actuellement, je voudrais effectuer une prédiction de X vers Y où X et Y ne sont pas linéaires l'un par rapport à l'autre
D'après l'image ci-dessous, une valeur Y > 100 ou X > 550 est considérée comme mauvaise en réalité. Cependant, je ne sais pas si les données situées hors du contour ou sur des zones avec des points d'interrogation sont considérées comme mauvaises ou bonnes. J'aimerais poser quelques questions :
1. Est-il possible de faire des prédictions avec des points de données placés sur une zone de points d'interrogation ou au-delà des contours, sans dépasser la limite (lignes rouges) ? Puisque X et Y ne sont pas linéaires, j'ai essayé de réaliser un modèle non linéaire, mais je suis bloqué.
2. Je voudrais tracer une limite avec une zone tampon avec une distance , puis je considère les points de données :
-Nouvelle limite hors site --> mauvais
-Nouvelle limite sur site, mais dépasse les limites rouges --> mauvais
-Sinon : bien
Comment puis-je définir une distance appropriée ?
J'espère pouvoir obtenir quelques conseils de votre part.
Modélisation prédictive et apprentissage automatiqueRe : Comment gérer la prédiction de données avec un modèle non linéaire ?Salut @PhamBao ,
Comment avez-vous généré ces données ? Sont-elles issues d'expérimentations ? La zone colorée représente-t-elle uniquement les zones que vous avez testées ?
Si vous n'avez testé que les zones où vous affichez la réponse, il peut être inapproprié d'extrapoler au-delà de la zone réellement testée, vers les zones d'interrogation. Il est tout à fait possible de générer un modèle dans JMP et de commencer à extrapoler au-delà des zones testées, mais cela comporte de nombreux risques. Dans de nombreux cas, vous pouvez utiliser le « Contrôle d'extrapolation » dans le profileur de prédiction pour éviter de faire des prédictions infondées.
Si vous pouvez faire plus d'expérimentation, pourquoi ne pas tester sur une plus large gamme (en utilisant la conception personnalisée ou la conception augmentée dans les options DOE) pour obtenir plus d'informations sur votre système afin de pouvoir couvrir la zone avec les points d'interrogation à tester ?
Si vous pouviez fournir l'ensemble de données, cela serait également utile.
Merci,
Ben
Re : Comment gérer la prédiction de données avec un modèle non linéaire ?Salut @Ben_BarrIngh
J'ai récupéré les données de mon lieu de travail. Elles proviennent de différentes machines (12 machines, données sur une période d'environ 6 semaines) et utilisent la même recette. En fait, Y correspond aux données postérieures à X. En général, j'essaie de contrôler individuellement des paramètres tels que X et Y.
Limite X : Limite de contrôle supérieure : 550 et limite de contrôle inférieure : 100 --> un produit avec un seul paramètre sera considéré comme mauvais s'il n'est pas dans la limite de contrôle
Limite Y : Limite de contrôle supérieure : 100 et limite de contrôle inférieure : -170 --> un produit avec un seul paramètre sera considéré comme mauvais s'il n'est pas dans la limite de contrôle
Drapeau 3 : 0 produits considérés comme bons - 1 : mauvais produits
Cependant, nous constatons que le contrôle d'un seul paramètre pendant le processus n'est pas vraiment efficace. J'essaie donc de tracer X et Y comme le montre le graphique ci-dessus pour observer la réaction de Y à X, puis je contrôle X et Y simultanément. En traçant le graphique (X et Y) avec des données de six semaines provenant de différentes machines, j'obtiens le schéma illustré ci-dessus. J'ai obtenu la question suivante.
1 : Avec de grands points de données sur 6 semaines et une machine différente, est-il approprié d'extrapoler en dehors de la zone ?
Sinon, pourriez-vous me donner des instructions ou une référence sur la façon dont je pourrais utiliser DOE pour tester une large gamme afin d'obtenir plus d'informations pour couvrir les zones d'interrogation
Re : Comment gérer la prédiction de données avec un modèle non linéaire ?Salut @PhamBao ,
Comme vous ne regardez qu'une réponse/un indicateur binaire de bon/mauvais, il ne serait pas vraiment pertinent d'extrapoler (ce qui est rarement le cas). De même, ces marqueurs ne sont considérés comme bons/mauvais que lorsqu'ils enfreignent les règles de limite de contrôle, et non parce qu'ils ont été mesurés et classés comme « bons » ou « mauvais » (corrigez-moi si je me trompe). Votre application du contour n'est ni appropriée, ni même vraiment nécessaire : dans le cas de vos données, le passage de bon à mauvais n'est pas progressif, mais soudain, lorsque les valeurs X ou Y franchissent leurs limites de contrôle.
Si c'est le cas, je suggérerais quelques éléments :
- Trouver un attribut de qualité à partir de ce processus qui définit si le produit est bon ou mauvais (c'est-à-dire la pureté du produit, le taux de défauts)
- Mesurez les valeurs associées à cet attribut par rapport à vos X et Y (bien que ceux-ci puissent tous deux être considérés comme des X)
Si vous devez ensuite envisager d'utiliser l'expérimentation pour combler cette lacune, consultez ces ressources DoE : https://www.jmp.com/doeintrokit/fr/index.html .
Merci,
Ben
Re : Comment gérer la prédiction de données avec un modèle non linéaire ?Salut @Ben_BarrIngh
Existe-t-il une autre ressource dont je pourrais m'inspirer puisque certains liens vidéo sont morts ?
" De même, ces marqueurs ne sont considérés comme bons/mauvais que lorsqu'ils enfreignent les règles de limite de contrôle, et non parce qu'ils ont été réellement mesurés et classés comme « bons » ou « mauvais » (corrigez-moi si je me trompe).
--> En fait, mon doute est que si je me réfère à la forme ou au modèle des données, le modèle semble constant. Cela signifie qu'il n'y a aucune chance que des données soient placées sur X entre 0 et 50, quelle que soit la valeur de Y. De même, aucun point de données avec Y entre -200 et -100, avec X entre 0 et 550.
"- Mesurez les valeurs associées de cet attribut par rapport à vos X et Y (bien que ceux-ci puissent tous deux être considérés comme des X)" --> existe-t-il une fonction dans JMP à laquelle je pourrais ajouter plus de paramètres et essayer d'ajuster les paramètres pour voir comment X et Y répondent au paramètre
Merci
Re : Comment gérer la prédiction de données avec un modèle non linéaire ?Salut @PhamBao ,
Je ne suis pas sûr de bien comprendre votre premier point - et c'est peut-être quelque chose que vous souhaitez partager avec un consultant (comme un partenaire JMP ) pour mieux étoffer votre défi afin que vous puissiez obtenir de l'aide, je pense que cela peut dépasser le cadre de ce qui est possible ici.
Pour le deuxième point, vous pouvez utiliser la plateforme Modèle d'ajustement pour examiner la relation entre les paramètres.
Merci,
Ben
