레벨 : 중급
필립 J. 램지 (Philip J. Ramsey), 노스 헤이븐 그룹 (North Haven Group) 및 뉴햄프셔 대학교 (University of New Hampshire) 수석 데이터 과학자, 컨설턴트 및 교수
Trent Lemkus, 뉴햄프셔 대학교 수학 통계학과 통계학 박사
Christopher Gotwalt, SAS의 통계 연구 및 개발 담당 이사
설계 실험 (DOE)의 주요 목표는 종종 미래의 시스템 행동을 예측하는 것이지만, 역사적으로 모델 예측 성능을 평가하는 직접적인 방법은 없었습니다. 빅 데이터와 함께 사용되는 예측 검증 전략은 DOE에서 실현할 수 없습니다. Gotwalt and Ramsey (2018)는 자동 밸리데이션 (FWB + AV)을 사용한 부분 가중치 부트 스트래핑이라는 새로운 DOE 예측 모델링 전략을 도입했습니다. 이 방법은 홀드 아웃 교차 검증을 활용하는 기계 학습 유형 모델 선택 전략을 소규모 데이터 세트로 확장하여 모델 맞춤의 독립적 인 평가를 위해 단일 행조차도 유지할 수 없습니다. 자동 검증은 고유 한 가중치 체계와 부트 스트랩 개념을 활용하여 예측에 가장 중요한 실험 효과의 하위 세트를 결정합니다. 매우 최근의 개발 임에도 불구하고 저자들은 이미 미국과 유럽의 생명 공학 및 제약 회사에서 실행되고있는 것을보고 있습니다. 이것은 모델 선택에 대한 다른 경쟁 접근법과 비교하여 FWB + AV의 성능을 평가하는 것의 중요성을 신속하게 해냈습니다. 혁신적인 시뮬레이션 기법을 사용하여 FWB + AV가 사용 된 최종 모델의 예측 정확도로 측정 된 DOE와 함께 사용되는 거의 모든 일반적으로 사용되는 예측 모델 구축 기술보다 성능이 우수함을 보여줍니다. 이 강의에서는 시뮬레이션 결과에 대해 논의하고 JMP Pro로 FWB + AV를 쉽게 수행하는 방법을 보여줍니다. 또한 FWB + AV는 실제 사례 연구를 통해 실시간으로 시연됩니다. FWB + AV를 사용하면 빅 데이터와 함께 사용되는 강력한 머신 러닝 알고리즘을 DOE 모델링에 적용 할 수 있습니다.
