Data Mining pour les ensembles de données asymétriques sous la malédiction de la dimensionnalité
Trouver dans un ensemble de données volumineux et bruyant le le plus influent prédicteurs de rendement dans un semi-conducteur Fabuleux
Introduction:
La fabrication de semi-conducteurs est l'un des processus de fabrication les plus complexes sur le plan technologique. En raison du nombre élevé d'étapes de processus et du nombre élevé de capteurs, cette industrie est confrontée à un énorme torrent de données. En plus du grand nombre de données de production, le déséquilibre des pièces de réussite et d'échec rend cet ensemble de données difficile à analyser.
Avec un nombre aussi élevé de données, la technique standard d'une variable à la fois pourrait échouer en raison de l'influence d'un grand nombre de variables de fabrication.
Les données en elles-mêmes ne sont pas utiles. Pour être utiles, elles doivent être converties en informations exploitables afin d'améliorer le rendement et la qualité des produits.
Voici le Machine Learning (ML).
Afin d'éviter le problème de sur-ajustement du modèle, la réduction de la dimensionnalité de l'échantillon est également nécessaire. En d'autres termes, pour augmenter le rapport signal-bruit des données disponibles, nous devons réduire le nombre de caractéristiques avant d'appliquer un modèle ML. Une fois les motifs intéressants extraits de la base de données, ils seront validés par l'expérience de l'ingénieur.
L'ensemble du processus a été réalisé à l'aide des fonctionnalités JMP13 JSL
