Livello: intermedio
Philip J. Ramsey, Senior Data Scientist, consulente e professore, North Haven Group e University of New Hampshire
Trent Lemkus, PhD Candidate in Statistics, Dipartimento di Matematica e Statistica, Università del New Hampshire
Christopher Gotwalt, JMP Direttore di ricerca e sviluppo statistico, SAS
L'obiettivo primario della sperimentazione progettata (DOE) è spesso la previsione del comportamento futuro del sistema, ma storicamente non esisteva un metodo diretto per valutare le prestazioni di previsione del modello. Le strategie di convalida della previsione utilizzate con i big data non sono realizzabili con DOE. Gotwalt e Ramsey (2018) hanno introdotto una nuova strategia di modellazione predittiva per DOE chiamata bootstrapping con ponderazione frazionata con autovalidazione (FWB + AV). Il metodo estende le strategie di selezione del modello del tipo di apprendimento automatico che sfruttano la validazione incrociata di controllo a piccoli insiemi di dati in cui non è possibile tenere una sola riga per la valutazione indipendente dell'adattamento del modello. La validazione automatica sfrutta uno schema di ponderazione unico e concetti di bootstrap per determinare il sottoinsieme di effetti sperimentali più importanti per la previsione. Nonostante sia uno sviluppo molto recente, gli autori lo stanno già vedendo messo in pratica presso le aziende biotecnologiche e farmaceutiche negli Stati Uniti e in Europa. Ciò ha accelerato l'importanza di valutare le prestazioni di FWB + AV rispetto ad altri approcci concorrenti alla selezione del modello. Utilizzando tecniche di simulazione innovative dimostriamo che FWB + AV supera virtualmente tutte le tecniche di costruzione di modelli predittivi comunemente utilizzate utilizzate con DOE, misurate dalla precisione predittiva del modello finale utilizzato. In questo discorso discuteremo i risultati della simulazione e mostreremo come eseguire facilmente FWB + AV con JMP Pro. Inoltre FWB + AV sarà dimostrato dal vivo utilizzando casi di studio reali. FWB + AV consente di applicare potenti algoritmi di machine learning, utilizzati con big data, alla modellazione DOE.
