¿Cómo abordar la predicción de datos con un modelo no lineal?Hola, equipo,
Actualmente, me gustaría realizar una predicción de X a Y donde X e Y no son lineales entre sí.
En la imagen de abajo, un valor en Y > 100 o X > 550 se considera malo en realidad. Sin embargo, no sé si los datos fuera del contorno o en las áreas con signos de interrogación se consideran malos o buenos. Me gustaría hacer una pregunta:
¿Hay alguna forma de hacer predicciones con puntos de datos ubicados en el área de interrogación o puntos de datos fuera de los contornos, sin exceder el límite (líneas rojas)? Dado que X e Y no son lineales entre sí, intento desarrollar un modelo no lineal, pero no logro superarlo.
2. Me gustaría dibujar un límite con una zona de amortiguamiento con una distancia , luego considero los puntos de datos:
-Nuevo límite fuera del sitio --> malo
-Nuevo límite en el sitio, pero excede los límites rojos --> malo
-De lo contrario: bueno
¿Cómo podría definir una distancia apropiada?
Ojalá pudiera obtener algún consejo tuyo.
Modelado predictivo y aprendizaje automáticoRe: ¿Cómo abordar la predicción de datos con un modelo no lineal?Hola @PhamBao ,
¿Cómo generaste estos datos? ¿Provienen de experimentos? ¿El área coloreada solo muestra las áreas que has probado?
Si solo ha realizado pruebas en las áreas donde muestra la respuesta, podría no ser apropiado extrapolar fuera del área donde realmente realizó las pruebas, hacia las zonas de interrogación. Es perfectamente posible generar un modelo en JMP y comenzar a extrapolar fuera de las regiones probadas, pero esto conlleva un alto riesgo. En muchos casos, podría ser conveniente usar el "Control de Extrapolación" en el Perfilador de Predicciones para evitar realizar predicciones infundadas.
Si puede experimentar más, ¿por qué no probar en un rango más amplio (usando Diseño personalizado o Diseño aumentado en las opciones DOE) para obtener más información sobre su sistema de modo que pueda cubrir el área con los signos de interrogación para probar?
Si pudiera proporcionar el conjunto de datos, también sería útil.
Gracias,
Ben
Re: ¿Cómo abordar la predicción de datos con un modelo no lineal?Hola @Ben_BarrIngh
Obtuve los datos de mi lugar de trabajo. Los datos se obtienen de diferentes máquinas (12 máquinas, un marco de datos de aproximadamente 6 semanas) utilizando la misma fórmula. De hecho, Y corresponde a los datos posteriores a X. Normalmente, intento controlar parámetros individuales como X e Y individualmente.
Límite X: Límite de control superior: 550 y límite de control inferior: 100 --> el producto con un solo parámetro se considerará malo si no está dentro del límite de control
Límite Y: Límite de control superior: 100 y límite de control inferior: -170 --> el producto con un solo parámetro se considerará malo si no está dentro del límite de control
Bandera 3: 0 productos considerados buenos - 1: productos malos
Sin embargo, detectamos que controlar un solo parámetro durante el proceso no es realmente efectivo. Por lo tanto, intento trazar X e Y como se muestra en el gráfico anterior para ver cómo Y responde a X, y luego controlo X e Y simultáneamente. Al trazar el gráfico (X e Y) con datos de 6 semanas de diferentes máquinas, obtuve el patrón que muestra la imagen superior. Tengo una pregunta.
1: Con grandes puntos de datos de 6 semanas y una máquina diferente, ¿es apropiado extrapolar fuera del área?
De no ser así, ¿podría darme instrucciones o referencias sobre cómo puedo usar el DOE para probar un rango amplio y obtener más información para cubrir las áreas con signos de interrogación?
Re: ¿Cómo abordar la predicción de datos con un modelo no lineal?Hola @PhamBao ,
Dado que solo se observa una respuesta binaria/indicador de bueno/malo, no sería apropiado extrapolar (como rara vez ocurre). De igual manera, estos marcadores solo se consideran buenos/malos cuando violan las reglas de límite de control, no porque realmente se hayan medido y clasificado como "buenos" o "malos" (corríjame si me equivoco). Su aplicación del contorno no es apropiada ni siquiera realmente necesaria; en el caso de sus datos, el cambio de bueno a malo no es gradual, sino repentino, a medida que los valores de X o Y cruzan sus límites de control.
Si esto último es cierto, entonces sugeriría algunas cosas:
- Encuentre un atributo de calidad de este proceso que defina si el producto es bueno o malo (es decir, pureza del producto, tasa de defectos)
- Mide los valores asociados de ese atributo contra tus X e Y (aunque ambos pueden considerarse X)
Si necesita intentar utilizar la experimentación para llenar ese vacío, consulte estos recursos del DoE: https://www.jmp.com/doeintrokit/es/index.html .
Gracias,
Ben
Re: ¿Cómo abordar la predicción de datos con un modelo no lineal?Hola @Ben_BarrIngh
¿Existe algún otro recurso del que pueda aprender ya que algunos enlaces de videos están inactivos?
" De manera similar, estos marcadores solo se consideran buenos o malos cuando violan las reglas de límite de control, no porque realmente se hayan medido y colocado como 'buenos' o 'malos' (corríjame si me equivoco)."
--> En realidad, mi duda es que, si me refiero a la forma o al patrón de los datos, el patrón parece constante. Esto significa que quizás no haya posibilidad de que los datos se ubiquen en X de 0 a 50, independientemente del valor de Y. De igual manera, no hay puntos de datos con Y de -200 a -100 donde X esté entre 0 y 550.
"- Medir los valores asociados de ese atributo contra sus X e Y (aunque ambos pueden considerarse X)" --> ¿Hay alguna función en JMP que me permita agregar más parámetros e intentar ajustarlos para ver cómo responden X e Y a los parámetros?
Gracias
Re: ¿Cómo abordar la predicción de datos con un modelo no lineal?Hola @PhamBao ,
No estoy seguro de entender completamente su primer punto, y esto puede ser algo que desee compartir con un consultor (como un socio de JMP ) para desarrollar mejor su desafío para que pueda obtener ayuda; creo que esto puede estar más allá del alcance de lo que es posible aquí.
Para el segundo punto, puedes utilizar la plataforma Modelo de ajuste para observar la relación entre los parámetros.
Gracias,
Ben
