通過分數加權自舉和自動驗證為實驗建立預測模型（2020-EU-45MP-368）級別：中級
Philip J. Ramsey，North Haven Group和新罕布什爾大學的高級數據科學家，顧問兼教授
Trent Lemkus，新罕布什爾大學數學與統計系統計學博士研究生
JMP SAS統計研究與發展總監Christopher Gotwalt
設計實驗（DOE）的主要目標通常是對未來系統行為的預測，但是歷史上一直沒有評估模型預測性能的直接方法。 DOE無法使用用於大數據的預測驗證策略。Gotwalt和Ramsey（2018）為DOE引入了一種新的預測建模策略，稱為帶自動驗證的分數加權自舉（FWB + AV）。 該方法將利用保持交叉驗證的優勢的機器學習類型模型選擇策略擴展到了小型數據集，在這種情況下，甚至不可能僅靠一行就可以獨立評估模型擬合。 自動驗證利用獨特的加權方案和自舉概念來確定對預測最重要的實驗效果的子集。 儘管這是一個非常新的進展，但作者已經看到它已在美國和歐洲的生物技術和製藥公司中付諸實踐。 相對於其他競爭性模型選擇方法，這加快了評估FWB + AV性能的重要性。 使用創新的仿真技術，我們證明FWB + AV的性能幾乎超過了與DOE一起使用的所有常用預測模型構建技術，這通過最終模型的預測精度來衡量。在本講座中，我們討論了仿真結果，並展示瞭如何使用JMP Pro輕鬆執行FWB + AV。此外，還將通過實際案例研究現場演示FWB + AV。FWB + AV允許將強大的機器學習算法（與大數據一起使用）應用於DOE建模。
爆發美國能源部預測建模
