Beispiel: für Ermitteln von wichtigen Prädiktoren für TreeNet® Regression

Hinweis

Dieser Befehl ist mit dem Predictive Analytics-Modul verfügbar. Klicken Sie hier, um weitere Informationen zum Aktivieren des Moduls zu erhalten.

Ein Forscherteam will anhand von Daten aus einem Spritzgießprozess Einstellungen für Maschinen untersuchen, die eine bestimmte Art von Festigkeit eines Kunststoffteils maximieren. Zu den Variablen gehören Steuerungen an den Maschinen, verschiedene Kunststoffformeln und die Spritzgießmaschinen.

Im Rahmen der anfänglichen Untersuchung der Daten beschließt das Team, Ermitteln von wichtigen Prädiktoren für den Vergleich von Modellen zu verwenden, indem es unwichtige Prädiktoren sequenziell entfernt, um wichtige Prädiktoren zu identifizieren. Die Forscher hoffen, wichtige Prädiktoren zu identifizieren, die den größten Einfluss haben und mehr Einblick in die Beziehungen zwischen der Antwort und den wichtigsten Prädiktoren zu gewinnen.

  1. Öffnen Sie den Beispieldatensatz Injektionsprozess.MTW.
  2. Wählen Sie Predictive Analytics-Modul > TreeNet® Regression > Wichtige Prädiktoren ermitteln aus.
  3. Geben Sie im Feld Antwort die Spalte Stärke ein.
  4. Geben Sie im Feld Stetige Prädiktoren die Spalten InjektionsdruckTemperatur bei der Messung ein.
  5. Geben Sie im Feld Kategoriale Prädiktoren die Spalten MaschineFormel ein.
  6. Klicken Sie auf OK.

Interpretieren der Ergebnisse

Für diese Analyse vergleicht Minitab Statistical Software 20 Modelle. Das Sternchen in der Spalte „Modell“ der Tabelle Modellauswertung zeigt, dass das Modell mit dem größten Wert der kreuzvalidierten R2-Statistik Modell 16 ist. Modell 16 enthält 5 wichtige Prädiktoren. Die Ergebnisse, die der Modellauswertungstabelle folgen, beziehen sich auf Modell 16.

Obwohl Modell 16 den größten Wert der kreuzvalidierten R2-Statistik hat, weisen andere Modelle ähnliche Werte auf. Das Team kann auf Auswählen eines alternativen Modells klicken, um Ergebnisse für andere Modelle aus der Tabelle Modellauswertung zu erstellen.

In den Ergebnissen für Modell 16 zeigt das Diagramm von R-Quadrat vs. Anzahl der Bäume, dass die optimale Anzahl von Bäumen der Anzahl der Bäume in der Analyse entspricht, 300. Das Team kann auf Anpassen von Hyperparametern zum Identifizieren eines besseren Modells klicken, um die Anzahl der Bäume zu erhöhen und zu sehen, ob Änderungen an anderen Hyperparametern die Leistung des Modells verbessern.

Das Diagramm „Relative Variablenwichtigkeit“ zeigt die Prädiktoren in der Reihenfolge ihrer Auswirkungen auf die Modellverbesserung, wenn Teilungen anhand eines Prädiktors über die Abfolge der Bäume hinweg vorgenommen werden. Die wichtigste Prädiktorvariable ist die Formtemperatur. Wenn die Wichtigkeit der obersten Prädiktorvariablen, „Formtemperatur“, 100 % beträgt, hat die nächstwichtige Variable, „Maschine“, einen Beitrag von 58,7 %. Das bedeutet, dass die Maschine, die einspritzt, zu 58,7 % so wichtig ist wie die Temperatur im Inneren der Form.

Verwenden Sie die Diagramme der partiellen Abhängigkeit, um zu erfahren, wie sich die wichtigen Variablen oder Variablenpaare auf den prognostizierten Wert der Antwortvariablen auswirken. Die Werte der Antwortvariablen auf der 1/2 Log-Skala sind die Prognosen aus dem Modell. Die Diagramme der partiellen Abhängigkeit zeigen, ob die Beziehung zwischen der Antwortvariablen und einer Variablen linear, monoton oder komplexer ist.

Die Diagramme der partiellen Abhängigkeit bei einem Prädiktor zeigen, dass Formtemperatur, Einspritzdruck und Kühltemperatur alle einen positiven Bezug zur Festigkeit haben. Das Diagramm der Maschinen zeigt die Unterschiede zwischen den Maschinen, wobei Maschine 1 im Durchschnitt die schwächsten Teile und Maschine 4 im Durchschnitt die stärksten Teile herstellt. Das Team stellt fest, dass die Formtemperatur und die Maschine die stärkste Wechselwirkung in den Daten haben, also betrachten Sie das Diagramm der partiellen Abhängigkeit, um besser zu verstehen, wie diese Variablen die Festigkeit beeinflussen. Das Team kann auf Auswählen weiterer Prädiktoren zur Darstellung klicken, um Diagramme für andere Variablen zu erstellen, z. B. für die Einspritztemperatur.

Das Diagramm der partiellen Abhängigkeit bei zwei Prädiktoren „Formtemperatur und Maschine“ gibt einen Einblick in die unterschiedlichen durchschnittlichen Festigkeiten der Maschinen. Ein Grund ist, dass die Daten von Maschine 1 nicht so viele Beobachtungen bei den höchsten Formtemperaturen enthalten wie die anderen Maschinen. Das Team könnte sich immer noch entscheiden, nach anderen Gründen zu suchen, dass die Maschinen unterschiedliche Festigkeiten erzeugen, wenn andere Einstellungen identisch sind. Das Team kann auf Auswählen weiterer Prädiktoren zur Darstellung klicken, um Diagramme für andere Variablenpaare zu erstellen.

TreeNet®-Regression: Stärke vs Injektionsdr; Injektionste; Kühltemperat; ...

Methode Verlustfunktion Quadrierter Fehler Kriterium für Auswahl der optimalen Anzahl von Bäumen Maximales R-Quadrat Modellvalidierung Kreuzvalidierung mit 3 Faltungen Trainingsrate 0,01408 Teilstichbruchfraktionschefin 0,5 Maximale Anzahl von Endknoten pro Baum 6 Minimale Endknotengröße 3 Anzahl der für die Knotenteilung ausgewählten Prädiktoren Gesamtanzahl der Prädiktoren = 21 Verwendete Zeilen 1408
Informationen zur Antwortvariablen Mittelwert StdAbw Minimum Q1 Median Q3 Maximum 485,247 318,611 41,2082 301,099 398,924 562,449 2569,04

Ein Prädiktor Partielle Abhängigkeitsdiagramme

Weitere Prädiktoren für Diagramm auswählen...

Zwei Predictor PartI-Abhängigkeitsdiagramme

Weitere Prädiktoren für Diagramm auswählen...

TreeNet®-Regression - wichtige Prädiktoren entdecken: Stärke vs. Injektionsdr; Injektionste; ...

Prädiktor-Eliminationsdiagramm

Modellauswahl durch Eliminierung unwichtiger Prädiktoren Test Optimale Anzahl von R-Quadrat Anzahl der Modell Bäumen (%) Prädiktoren 1 300 89,32 21 2 300 89,34 19 3 300 89,39 18 4 300 89,46 17 5 300 89,51 16 6 300 89,50 15 7 300 89,59 14 8 300 89,57 13 9 300 89,69 12 10 300 89,70 11 11 300 89,86 10 12 300 89,90 9 13 300 89,92 8 14 300 90,06 7 15 300 90,16 6 16* 300 90,23 5 17 300 89,96 4 18 297 79,37 3 19 244 66,64 2 20 164 46,19 1
Modell Eliminierte Prädiktoren 1 Keine 2 Kunststoffdurchfluss; Position ändern 3 Trocknungstemperatur 4 Schmelztemperaturzone 2 5 Kunststofftemperatur 6 Formel 7 Haltedruck 8 Schraubenkissen 9 Schmelztemperaturzone 4 10 Rückdruck 11 Schmelztemperaturzone 1 12 Trocknungszeit 13 Temperatur bei der Messung 14 Schmelztemperaturzone 5 15 Schmelztemperaturzone 3 16* Schraubendrehzahl 17 Injektionstemperatur 18 Kühltemperatur 19 Injektionsdruck 20 Maschine Der Algorithmus hat bei jedem Schritt einen Prädiktor und alle Prädiktoren mit 0 Wichtigkeit entfernt. * Das ausgewählte Modell weist das maximale R-Quadrat auf. Die Ausgabe für das ausgewählte Modell folgt.

Ein Prädiktor Partielle Abhängigkeitsdiagramme

Weitere Prädiktoren für Diagramm auswählen...

Zwei Predictor PartI-Abhängigkeitsdiagramme

Weitere Prädiktoren für Diagramm auswählen...

TreeNet®-Regression: Stärke vs Injektionsdr; Injektionste; Kühltemperat; ...

Zusammenfassung des Modells Prädiktoren gesamt 5 Wichtige Prädiktoren 5 Anzahl der aufgebauten Bäume 300 Optimale Anzahl von Bäumen 300 Statistiken Schulungen Test R-Quadrat 92,23% 90,23% Wurzel des mittleren quadrierten Fehlers (RMSE) 88,8049 99,5673 Mittlerer quadrierter Fehler (MSE) 7886,3152 9913,6420 Mittlere abs. Abweichung (MAD) 68,9231 74,4113 Mittlerer absoluter prozentualer Fehler (MAPE) 0,2083 0,2175

Ein Prädiktor Partielle Abhängigkeitsdiagramme

Weitere Prädiktoren für Diagramm auswählen...

Zwei Predictor PartI-Abhängigkeitsdiagramme

Weitere Prädiktoren für Diagramm auswählen...

Durch Ihre Nutzung dieser Website stimmen Sie zu, dass Cookies verwendet werden. Cookies dienen zu Analysezwecken und zum Bereitstellen personalisierter Inhalte.  Lesen Sie unsere Richtlinien