nav[aria-label="Primary Navigation"] { padding: 0; & ul { list-style: none; width: 100%; display: flex; flex-direction: row; justify-content: start; align-items: start; gap: 30px; padding: 0; & li { margin: 0; } & ul li { list-style: none; } } }

48854_es-ES

liliconcom

Prestaciones no lineales

Hola,

Tengo un cliente que usa regularmente una plataforma no lineal.

Define una ecuación con 16 parámetros y desea estimarlos en un dato relativamente grande (106300 filas). Puede tomar alrededor de 3 horas hacer la estimación, que es bastante larga.
Tiene una computadora de 4 núcleos, pero solo se usa una durante el proceso.
Excepto la RAM, ¿alguien tiene algún consejo para mejorar el problema de tiempo para su caso? y agregar RAM realmente tendrá un buen impacto en este caso?

Por defecto, está utilizando el método de Newton. No estoy seguro de que cambiar esta opción pueda ser útil.

Muchas gracias por sus sugerencias.

Florencia

PD: ¡Les deseo a todos un buen descanso festivo!

Re: actuaciones no lineales

Estoy de acuerdo con el enfoque de nick, especialmente los puntos de partida y el algoritmo utilizado. El punto de partida es increíblemente importante cuando se usa newton. E incluso entonces puede que se te ocurra una solución local basada en el método que se encuentra detrás. También Newton tiene su dificultad si tiene un comportamiento altamente no lineal con múltiples puntos de inflexión, entonces podría saltar de un óptimo a otro y le resulta difícil converger. BFGS o Cuasi Neeton deberían funcionar mejor. Y resultarán más probables en un verdadero óptimo. Debería probar esas dos sugerencias, en caso de que no pueda reducir el conjunto de parámetros por adelantado. Como también estoy de acuerdo en que este es un gran conjunto de parámetros. Aunque en optimización numérica no es raro. Sin embargo, debe tener en cuenta que con Newton necesita calcular en cada iteración el hessian de 16x16 y es inverso, lo que lleva mucho tiempo. También para Newton, no creo que sea multiproceso ya que cada paso necesita calcular la derivada del paso anterior. pero en el cálculo del hessian podría ser multiproceso. Tampoco estoy seguro si en JMP se implementa un tamaño de paso diferente a 1, lo que podría ser mejor para funciones altamente no lineales con muchos extremos. BFGS y, por ejemplo, Levenberg Markwardt están utilizando aproximaciones del hessian basadas en la información de gradiente de la iteración anterior. Por lo tanto, necesita menos operaciones.

Re: actuaciones no lineales

Hola florencia

Un modelo con 16 parámetros parece mucho ... ¿hay alguna razón (modelo físico, etc.) por la que ejecutan 16 parámetros? Además, ¿qué versión de JMP están usando, sistema operativo, tamaño de RAM, etc.?

No lineal es hiperprocesador (consulte “Uso de JMP”, pág. 602), por lo que debería ejecutarse en los 4 núcleos. Si no está viendo ninguna carga en los otros núcleos mientras él está ajustando, entonces puede tener algo configurado para no permitir hiperprocesamiento. Primero iría después de eso, porque dará ganancias de rendimiento en todo en JMP.

Mejor,

METRO

Re: actuaciones no lineales

Siempre comparto las estrategias a continuación con mis clientes que usan la plataforma no lineal, generalmente estas ayudarán a converger a una solución rápidamente:

- Use varias combinaciones de las opciones iterativas (Newton, QuasiNewton BFGS, QuasiNewton SR1 y Derivados numéricos solamente)

- Ajuste los valores iniciales de los parámetros con los controles deslizantes para modificar visualmente la curva para que se ajuste mejor

- Centre los polinomios transformando la ecuación, esto mejorará las condiciones para la optimización

- Incremente el número de iteraciones permitidas

- Relajar uno de los criterios de convergencia

- Pruebe con un modelo diferente, si los datos no exhiben la misma relación que el modelo elegido, será difícil converger a una solución.

- Reduzca el número de parámetros, un modelo que está sobredefinido es uno que tiene más parámetros de los necesarios para modelar la relación.

Re: actuaciones no lineales

Hola florencia

Esto puede sonar un poco al revés, pero recomendaría que su cliente pruebe la estimación de parámetros en subconjuntos de datos mucho más pequeños y luego compare las estimaciones con el conjunto de datos más grande y vea qué tan lejos pueden estar de usar el conjunto de datos completo. ¿Pueden obtener un conjunto razonable de estimaciones con el 10% o el 20% de los datos? Una vez que tienen un conjunto de parámetros en los que confían, pueden aplicar la fórmula al resto del conjunto de datos.