Auswertung der Ergebnisse durch Custom DesignHallo, alle miteinander!
Ich möchte Ihre Hilfe zu diesem Thema:
Ich habe kürzlich ein benutzerdefiniertes Design mit JMP unter Verwendung von 5 Parametern erstellt. Ich muss die Haupteffekte der Parameter und die Nichtlinearität sowie die Wechselwirkungen der Parameter anhand der Ergebnisse mit drei Ausgabeparametern bewerten.
Jetzt gibt mir das benutzerdefinierte Design einen Vorschlag, wie ich meine Ergebnisse bewerten kann, oder ich kann mich selbst entscheiden. In diesem Beispiel, das ich hochgeladen habe, finden Sie JMP-Vorschläge und meine zweite Wahl, die beide in der Datentabelle in der linken oberen Ecke gespeichert sind. Bitte helfen Sie mir bei der Auswahl der richtigen Bewertung, da die optimierten Einstellungen für beide leicht unterschiedlich aussehen, obwohl die Werte meiner Meinung nach für beide Bewertungsmethoden gut sind.
Danke im Voraus!
-Su
@martindemel
Betreff: Bewertung der Ergebnisse durch Custom DesignDie Auswahl des besten Modells ist nicht immer klar. Sie haben viele Begriffe höherer Ordnung angegeben, von denen wahrscheinlich nur wenige aktiv sind. Ich habe die Generalized Regression-Plattform in JMP Pro 15 mit der adaptiven LASSO-Methode für die Auswahl von Begriffen basierend auf dem AICc-Minimum verwendet. Hier ist der Prediction Profiler mit den angepassten Modellen, die als Spaltenformeln gespeichert sind.
Ich habe Ihre Datentabelle mit Skripten für die Anpassung und die Spalten mit den Modellformeln für Ihre Prüfung angehängt.
Betreff: Bewertung der Ergebnisse durch Custom DesignNur um hinzuzufügen, kann ein gutes Modell bestätigt werden. Ich empfehle, die Vorhersagen für die Einstellungen zu bestätigen, die zu den gewünschten Ergebnissen führen sollen, und Einstellungen, die zu schlechten Ergebnissen führen. Ein gutes Modell kann gute und schlechte Ergebnisse vorhersagen.
Betreff: Bewertung der Ergebnisse durch Custom DesignVielen Dank, Mr. Bailey!Betreff: Bewertung der Ergebnisse durch Custom DesignWollen Sie hier die gewünschten Werte für die Ausgabeparameter festlegen und prüfen, ob der gewünschte Wert von "1" erreicht werden kann? Oder gibt es eine andere Möglichkeit, ein gutes Modell zu bestätigen?Betreff: Bewertung der Ergebnisse durch Custom DesignDer Vorhersage-Profiler ist eine Möglichkeit dazu Ausbeuten das ausgewählte Modell. Ich schlage vor, Einstellungen zu finden, die die wünschenswertesten Ergebnisse vorhersagen, und Einstellungen, die ein unerwünschtes Ergebnis vorhersagen.
Bestätigung Das Modell erfordert neue empirische Beweise: Führen Sie Ihr System / Ihren Prozess mit beiden Einstellungssätzen aus und stellen Sie fest, ob das mittlere Ergebnis mit der Vorhersage übereinstimmt. Dies ist der einzige Weg, um zu bestätigen, dass ich weiß.
Betreff: Bewertung der Ergebnisse durch Custom DesignStellen @markbailey Ich zitiere einen weisen Ingenieur, mit dem ich während meiner Amtszeit bei der Eastman Kodak Company zusammengearbeitet habe. Sein Name war Dave Neimeyer. Und sein Zitat war so ähnlich Wenn Sie einen Fehlermechanismus ein- und ausschalten, verstehen Sie die Grundursache nicht. "
Betreff: Bewertung der Ergebnisse durch Custom DesignIch denke, er meinte, dass Sie die beste Einstellung überprüfen können, um die am meisten gewünschte Ausgabe zu erhalten, indem Sie ein oder zwei zusätzliche Experimente mit genau diesen besten Einstellungen durchführen. Dann finden Sie die Einstellung für die schlechten Ergebnisse (mithilfe des Profilers) und führen ein oder zwei weitere Experimente mit diesen (normalerweise) neuen Einstellungen durch.
Wenn die Experimente für die guten und die schlechten Einstellungen jeweils mit Ihren Modellergebnissen übereinstimmen, können Sie ein gutes Vorhersagemodell und ein gutes Erklärungsmodell beurteilen. Wenn Sie nur gute oder nur schlechte Ergebnisse vorhersagen können, kann Ihr Modell dazu neigen, nur eine gute Seite vorherzusagen. Dies passiert manchmal, wenn Sie seltene Ereignisse haben und die vollständigen Daten verwenden, um das Ergebnis vorherzusagen. Diese seltenen Ereignisse können als z. B. gut vorausgesagt werden, obwohl sie schlecht sind, nur weil der Fehler bei der Vorhersage dieser Fehler aufgrund der Seltenheit so gering ist, auch wenn Sie sagen, dass alles gut ist (auch wenn es keine schlechten Ergebnisse gibt). Dies ist ein Thema, in das viele Menschen geraten. Hoffe das hilft.
