通过分数加权自举和自动验证为实验建立预测模型（2020-EU-45MP-368）级别：中级
Philip J. Ramsey，North Haven Group和新罕布什尔大学的高级数据科学家，顾问兼教授
Trent Lemkus，新罕布什尔大学数学与统计系统计学博士研究生
JMP SAS统计研究与发展总监Christopher Gotwalt
设计实验（DOE）的主要目标通常是对未来系统行为的预测，但是历史上一直没有评估模型预测性能的直接方法。 大数据使用的预测验证策略在DOE中是不可行的。Gotwalt和Ramsey（2018）为DOE引入了一种新的预测建模策略，称为带自动验证的分数加权自举（FWB + AV）。 该方法将利用保持交叉验证的优势的机器学习类型模型选择策略扩展到了小型数据集，在这种情况下，甚至不可能仅靠一行就可以独立评估模型拟合。 自动验证利用独特的加权方案和自举概念来确定对预测最重要的实验效果的子集。 尽管这是一个非常新的进展，但作者已经看到它已在美国和欧洲的生物技术和制药公司中付诸实践。 相对于其他竞争性模型选择方法，这加快了评估FWB + AV性能的重要性。 使用创新的仿真技术，我们证明FWB + AV的性能几乎超过了与DOE一起使用的所有常用预测模型构建技术，这通过最终模型的预测精度来衡量。在本次演讲中，我们讨论了仿真结果，并展示了如何使用JMP Pro轻松执行FWB + AV。此外，还将通过实际案例研究现场演示FWB + AV。FWB + AV允许将强大的机器学习算法（与大数据一起使用）应用于DOE建模。
爆发美国能源部预测建模
