Niveau: intermédiaire
Philip J. Ramsey, scientifique principal des données, consultant et professeur, North Haven Group et University of New Hampshire
Trent Lemkus, doctorant en statistique, Département de mathématiques et de statistique, Université du New Hampshire
Christopher Gotwalt, directeur JMP de la recherche et du développement statistiques, SAS
Le principal objectif de l'expérimentation conçue (DOE) est souvent la prédiction du comportement futur du système, mais il n'existait historiquement aucune méthode directe pour évaluer les performances de prédiction du modèle. Les stratégies de validation des prédictions utilisées avec les mégadonnées sont irréalisables avec DOE. Gotwalt et Ramsey (2018) ont introduit une nouvelle stratégie de modélisation prédictive pour le DOE appelée bootstrap à pondération fractionnée avec autovalidation (FWB + AV). La méthode étend les stratégies de sélection de modèles de type d'apprentissage automatique qui tirent parti de la validation croisée d'exclusion à de petits ensembles de données où il n'est pas possible de conserver même une seule ligne pour une évaluation indépendante de l'ajustement du modèle. L'autovalidation exploite un schéma de pondération et des concepts d'amorçage uniques pour déterminer le sous-ensemble d'effets expérimentaux les plus importants pour la prédiction. Bien qu'il s'agisse d'un développement très récent, les auteurs le voient déjà mettre en pratique dans des sociétés biotechnologiques et pharmaceutiques aux États-Unis et en Europe. Cela a accéléré l'importance d'évaluer la performance de FWB + AV par rapport à d'autres approches concurrentes pour la sélection des modèles. En utilisant des techniques de simulation innovantes, nous démontrons que FWB + AV surpasse pratiquement toutes les techniques de construction de modèle prédictif couramment utilisées avec DOE, telles que mesurées par la précision prédictive du modèle final utilisé. Dans cet exposé, nous discutons des résultats de la simulation et montrons comment exécuter facilement FWB + AV avec JMP Pro. De plus, FWB + AV sera démontré en direct à l'aide d'études de cas réelles. FWB + AV permet d'appliquer de puissants algorithmes d'apprentissage automatique, utilisés avec des données volumineuses, à la modélisation DOE.
