分数加重ブートストラップおよび自動検証による実験用予測モデルの構築（2020-EU-45MP-368）レベル：中級
フィリップJ.ラムジー、シニアデータサイエンティスト、コンサルタント、ノースヘブングループ、ニューハンプシャー大学教授
トレント・レムカス、ニューハンプシャー大学統計学部統計学博士
クリストファー・ゴトヴァルト、JMP統計研究開発部長、SAS
設計実験（DOE）の主な目標は、多くの場合、将来のシステムの動作を予測することですが、これまで、モデルの予測パフォーマンスを評価する直接的な方法は存在しませんでした。 ビッグデータで使用される予測検証戦略は、DOEでは実行不可能です。Gotwalt and Ramsey（2018）は、自動検証付きの部分重み付きブートストラップ（FWB + AV）と呼ばれるDOEの新しい予測モデリング戦略を導入しました。 この方法は、ホールドアウトクロス検証を利用する機械学習型モデル選択戦略を、モデルの適合性を独立して評価するために単一行でさえも保持できない小さなデータセットに拡張します。 自動検証では、予測に最も重要な実験効果のサブセットを決定するために、独自の重み付けスキームとブートストラップの概念を活用します。 それはごく最近の開発であるにもかかわらず、著者はすでに米国およびヨーロッパのバイオテクノロジーおよび製薬会社でそれが実施されているのを見ています。 これにより、モデル選択に対する他の競合するアプローチと比較してFWB + AVのパフォーマンスを評価することの重要性が促進されました。 革新的なシミュレーション技術を使用して、使用される最終モデルの予測精度で測定される、DOEで使用されるほぼすべての一般的に使用される予測モデル構築技術よりもFWB + AVが優れていることを実証します。この講演では、シミュレーション結果について説明し、JMP ProでFWB + AVを簡単に実行する方法を示します。さらに、実際のケーススタディを使用してFWB + AVの実演を行います。FWB + AVにより、ビッグデータで使用される強力な機械学習アルゴリズムをDOEモデリングに適用できます。
起こるDOE予測モデリング
