Évaluation des résultats par conception personnaliséeBonjour à tous!
Je voudrais votre aide sur ce sujet:
J'ai récemment créé une conception personnalisée avec JMP à l'aide de 5 paramètres. Je dois évaluer les effets principaux des paramètres et la non-linéarité, ainsi que les interactions des paramètres en fonction des résultats obtenus avec trois paramètres de sortie.
Maintenant, la conception personnalisée me donne une suggestion sur la façon d'évaluer mes résultats ou je peux choisir moi-même. Dans cet exemple que j'ai téléchargé, vous trouverez la suggestion JMP et mon deuxième choix, tous deux enregistrés dans le tableau de données dans le coin supérieur gauche. Aidez-moi, s'il vous plaît, à choisir la bonne évaluation, car les paramètres optimisés semblent légèrement différents pour les deux, bien que les valeurs soient bonnes pour les deux méthodes d'évaluation, à mon avis.
Merci d'avance!
-Su
@martindemel
Re: Évaluation des résultats par conception personnaliséeLa sélection du meilleur modèle n'est pas toujours claire. Vous avez inclus de nombreux termes d'ordre élevé, dont seuls quelques-uns sont susceptibles d'être actifs. J'ai utilisé la plate-forme de régression généralisée dans JMP Pro 15 avec la méthode adaptative LASSO pour la sélection de termes basés sur le minimum AICc. Voici le profileur de prédiction avec les modèles ajustés enregistrés en tant que formules de colonne.
J'ai joint votre tableau de données avec les scripts pour l'ajustement et les colonnes avec les formules types pour votre examen.
Re: Évaluation des résultats par conception personnaliséeJuste pour ajouter, un bon modèle peut être confirmé. Je recommande de confirmer les prévisions pour les paramètres qui devraient produire les résultats souhaités et ceux qui produisent des résultats négatifs. Un bon modèle peut prédire de bons et de mauvais résultats.
Re: Évaluation des résultats par conception personnaliséeMerci beaucoup M. Bailey!Re: Évaluation des résultats par conception personnaliséeVoulez-vous dire ici pour définir les valeurs de désirabilité pour les paramètres de sortie et voir si le niveau de désirabilité de "1" peut être atteint? Ou y a-t-il un autre moyen de confirmer un bon modèle?Re: Évaluation des résultats par conception personnaliséeLe profileur de prédiction est un moyen de exploit le modèle sélectionné. Je suggère de l'utiliser pour trouver les paramètres qui permettent de prédire les résultats les plus souhaitables et ceux qui prédisent les résultats indésirables.
Confirmation le modèle nécessite de nouvelles preuves empiriques: exécutez votre système / processus en utilisant les deux ensembles de paramètres et déterminez si le résultat moyen correspond à la prédiction. C'est le seul moyen de confirmer ce que je sache.
Re: Évaluation des résultats par conception personnaliséeMettre @markbailey La confirmation des recommandations est une autre façon de citer un ingénieur avisé avec qui j'avais déjà travaillé pendant mon séjour à la société Eastman Kodak ... il s'appelait Dave Neimeyer ... et sa citation ressemblait à ceci ... "Tant qu'on ne peut pas un mécanisme d'échec sur et en dehors, vous ne comprenez pas la cause première. "
Re: Évaluation des résultats par conception personnaliséeJe suppose qu'il voulait dire que vous pouvez vérifier le meilleur réglage pour obtenir le résultat souhaité en effectuant une ou deux expériences supplémentaires avec exactement ces meilleurs réglages. Ensuite, vous recherchez le paramètre pour les mauvais résultats (à l'aide du profileur) et effectuez une ou deux autres expériences avec ces nouveaux paramètres (généralement).
Si les expériences pour les bons paramètres et les mauvais paramètres correspondent aux résultats de votre modèle pour chacun des paramètres, vous pouvez juger d'avoir un bon modèle prédictif et explicatif. Si vous ne pouvez que prédire de bons ou de mauvais résultats, votre modèle peut avoir tendance à prévoir un seul côté positif. Cela se produit parfois si vous avez des événements rares et utilisez toutes les données pour prédire le résultat. Ces événements rares peuvent être prédits bons, bien qu’ils soient mauvais simplement parce que l’erreur impliquée dans la prédiction de ces erreurs est si petite en raison de la rareté, même si vous dites que tout est bon (c’est-à-dire qu’il n’ya pas de mauvais résultat). C'est un sujet que beaucoup de gens tombent dans un piège. J'espère que cela t'aides.
