Conférencier | Transcription |
| James Wisnowski | Bienvenue en équipe découverte. Andrew Carl, Darryl Ahner et moi aimerions et sommes ravis de présenter deux nouvelles techniques d'échantillonnage, d'échantillonnage adaptatif et |
| Cela va vraiment fournir à certains praticiens une merveilleuse utilité en termes d’augmentation de la conception des expériences. Et ce que je veux faire, c'est passer en revue quelques-uns de nos |
| Processus ici J'ai parlé de la façon dont tout cela est arrivé. Mais lorsque nous pensons au DOE et aux conceptions augmentées, JMP dispose déjà de fonctionnalités robustes. |
| Donc, ce que nous avons découvert en travaillant avec des études de simulation à très grande échelle, c'est qu'il nous manque un élément ici. |
| plans de remplissage des lacunes et plan d’échantillonnage adaptatif. Et le |
| le point clé sera que les plans d’échantillonnage adaptatifs se concentreront sur la réponse. |
| C'est donc assez différent de ce qui se passe lorsque vous pensez à une conception standard dans laquelle vous augmentez, regardez l'espace de conception et regardez la matrice X. Alors maintenant, nous allons effectivement prendre en compte les cibles ou les réponses. Donc ça finira effectivement |
| offrant une toute nouvelle capacité afin que nous puissions tester des échantillons supplémentaires là où l'excitation est là. Nous voulons donc être dans une région à gradient élevé, un peu comme on pourrait le penser dans la méthodologie des surfaces de réponse aussi profonde que l'ascension. |
| Nous allons maintenant automatiser cela pour pouvoir le faire avec de nombreuses variables et des milliers d'exécutions dans la simulation. |
| La bonne nouvelle est que cela se réduit également très bien pour le praticien avec les petits modèles. |
| Et je vais faire un rapide tour d'horizon de notre complément que nous allons vous montrer, puis Andrew parlera un peu des détails techniques de cela. |
| Donc, une chose que je tiens à m'excuser, cela va être assez centré sur PowerPoint plutôt que sur le complément JMP. |
| pour deux raisons... je devrais dire, plutôt que la démo JMP... pour deux raisons, principalement parce que notre |
| le temps, nous avons beaucoup de matériel à parcourir, mais notre utilisation de JMP réside également vraiment dans l'algorithme que nous créons dans cet échantillonnage adaptatif. Donc |
| En fin de compte, le pointer-cliquer de JMP est une interface utilisateur très simple que nous avons développée, mais qu'y a-t-il en coulisses ? |
| et l'algorithme, c'est vraiment la puissance de JMP ici, donc. Alors très vite, la conception comblant les lacunes, assez claire. Nous pouvons voir qu'il y a quelques lacunes ici, c'est peut-être un peu exagéré, cela démontre la technique, |
| bien qu'en réalité, nous puissions avoir un très grand nombre de facteurs avec cette malédiction de dimensionnalité qui peuvent entrer en jeu et vous avez ces trous dans votre conception. |
| Et vous pouvez voir, nous pourrions l'augmenter avec ceci, une conception remplissant l'espace, qui est en quelque sorte le cheval de bataille. |
| dans l'augmentation pour une grande partie de notre travail, en particulier dans les appels de stimulation et cela n'a pas l'air trop mal. Si l'on regarde ces points bleus qui sont les nouveaux |
| points, les points qu'on a ajoutés, ça n'a pas l'air trop mal. Et puis si vous commencez à regarder peut-être d'un peu plus près, vous pouvez en quelque sorte voir que nous avons commencé à reproduire beaucoup d'entre eux. |
| que nous avons déjà fait et peut-être que nous n'avons pas comblé ces trous autant que nous le pensions, surtout lorsque nous enlevons la coloration bleue et que nous pouvons voir que |
| il y a encore pas mal de lacunes. Alors que nous développons l'échantillonnage adaptatif, nous reconnaissons que nous devions combler certains trous. |
| dans beaucoup de ces conceptions. Et nous avons mis au point un algorithme dans notre outil, notre complément, appelé Border Explorer, qui fera justement cela... |
| pour n'importe quelle conception, il remplira cette fonction particulière pour combler les trous et vous pourrez voir où cela pourrait être très utile dans de nombreuses applications différentes. |
| Ainsi, sur cette diapositive ou ce graphique particulier, nous pouvons voir que ces points bleus sont maintenant peut-être plus concentrés pour les trous et que certains sont dispersés dans le reste de la région. Mais même quand nous allons au... |
| vous pouvez avoir une couleur qui semble beaucoup plus uniforme, nous avons très bien rempli cet espace. |
| Il s’agissait plutôt d’un utilitaire dont nous avions besoin pour notre objectif global ici, qui était un échantillonnage actif. Et la principale application que nous avons trouvée pour cela |
| Il s'agissait de systèmes autonomes, qui ont fait l'objet de beaucoup de buzz et ont fait l'objet de beaucoup de production et de tests, en particulier au sein du ministère de la Défense. |
| Ainsi, dans les systèmes autonomes, vous pouvez penser à deux éléments principaux lorsque vous y réfléchissez. Dans les systèmes autonomes, ce que vous cherchez, c'est si vous avez vraiment besoin |
| un capteur pour indiquer au système où il se trouve. Et puis l’algorithme ou le logiciel pour réagir à cela. Donc c'est un peu le capteur- |
| l'intégration logicielle d'algorithmes sur laquelle nous nous concentrons principalement. Et cela conduit alors à un modèle de simulation très complexe qui doit honnêtement être |
| exécuter plusieurs milliers de fois. Mais plus important encore, ce que nous avons découvert dans ces systèmes autonomes, c'est que nous avons ces limites en matière de performance. |
| Ainsi, par exemple, nous avons un exemple de leader-suiveur dans l’armée. C'est là qu'un soldat conduirait un véhicule très lourdement blindé. |
| camion dans un convoi et alors le reste du convoi serait autonome, ils n'auraient pas de soldats à bord. |
| Ou pensez peut-être à la dernière Tesla, la camionnette, avec un système de navigation automatique, n'est-ce pas ? L’idée est donc que nous cherchons à tester ces systèmes et que nous devons finalement faire beaucoup de tests. Et ce qui se passe, c'est |
| par exemple, peut-être même dans cette Tesla, que vous pourriez être à 30 milles à l'heure, tout va bien et vous éviterez un obstacle. Mais à 30,1, vous devrez effectuer une manœuvre d'évitement qui ne correspond pas aux spécifications de l'algorithme. Donc |
| c'est de cela dont nous parlons lorsque nous disons que ces limites existent. Ils sont très raides |
| changements dans la réponse, régions à très fort gradient. Et c'est là que nous souhaitons concentrer notre attention. |
| Nous ne sommes pas aussi intéressés que par les surfaces planes, c'est vraiment là que se trouve la partie intéressante, c'est là que nous aimerions le faire. |
| Et honnêtement, ce que nous avons découvert, c’est que plus nous répétons cela, meilleure est notre solution. Nous avons complètement |
| Je recommande de le faire en tant que processus itératif. Donc, par conséquent, c'est la partie adaptative de ceci, faites vos tests, puis générez de nouveaux bons points, puis voyez quelles sont ces réponses, puis adaptez votre prochaine série d'exécutions à celles-ci. |
| Voilà donc notre échantillonnage adaptatif. |
| En fait, l'idée de tout cela, la genèse, est venue d'un travail que nous avons effectué avec des laboratoires de physique appliquée de l'Université Johns Hopkins. Ils font du très bon travail avec les militaires et |
| en l'examinant dans l'un de leurs articles de revue, je me disais, vous savez, c'est fantastique par rapport à ce que vous faites, et nous pourrions même utiliser JMP pour peut-être trouver une solution qui serait plus accessible à tous. de nombreux pratiquants. Parce que le problème avec |
| Johns Hopkins, c'est que c'est très spécifique et c'est un peu... intégrer, ce n'est pas quelque chose de très |
| accessible aux petites équipes de test. Nous voulons donc donner... mettre cela entre les mains de personnes qui peuvent l'utiliser immédiatement. |
| Donc cet article du Journal of Systems and Software, c'est en quelque sorte la source de notre explorateur de frontières. Il s'avère que nous avons utilisé beaucoup de bonnes idées, mais nous avons pu proposer différentes approches et |
| et d'autres méthodes. En particulier, l'utilisation des fonctionnalités natives de JMP Pro ainsi que certains développements, comme la conception comblant les lacunes que nous avons réalisée en cours de route. |
| Maintenant, |
| En ce qui concerne cet exemple de problème, le mieux est probablement que je vais simplement l'expliquer en quelque sorte |
| directement dans une démo ici. Donc si je regarde un graphique ici, je peux voir que... Je vais utiliser ceci... Je vais juste revenir à l'exemple de Tesla. Disons que je fais une activité de type navigation automatique et que j'ai deux facteurs d'entrée et disons peut-être |
| nous avons la vitesse et la densité du trafic. Nous réfléchissons donc à cet algorithme Tesla. Il veut rejoindre la voie de gauche, donc il veut, devrais-je dire, vous savez, dépasser. Il faut donc fusionner. L’un d’eux serait donc la vitesse à laquelle roule la Tesla, et l’autre pourrait être la densité du trafic. |
| Et puis peut-être que dans cette zone, nous avons un nombre inférieur. Nous pouvons donc penser à ces nombres de deux à dix, nous pourrions peut-être même penser aux réponses, peut-être même à la probabilité d'une collision. |
| Donc en bas à basse vitesse/faible densité, nous avons une très faible probabilité de collision, mais ici à haute vitesse/ |
| haute densité, alors vous avez une très forte probabilité. Mais le fait est que c'est ce que j'ai mis en évidence et sélectionné ici, vous pouvez voir qu'il y a des pentes très raides. |
| différences de performances le long de la région limite. Il faudrait donc, à mesure que nous effectuons la simulation, commencer à faire de plus en plus de tests logiciels pour l'algorithme, |
| on remarquera que ça ne nous sert vraiment pas à grand chose de marquer plus de points ici. Nous savons que nous réussissons bien en basse densité et à faible vitesse. Ce que nous voulons faire, c'est vraiment travailler sur la zone située à l'intérieur des frontières ici. C'est donc notre problème, |
| comment puis-je générer 200 nouveaux points qui vont vraiment suivre mes conditions aux limites ici. |
| Maintenant, voici ce que j'ai fait, c'est que j'ai vraiment, c'est X1 et X2, encore une fois, pensez à la vitesse et... |
| notre vitesse ainsi que la densité. Et puis j'ai juste ajouté ici une variable prédictive qui ne veut rien dire. Et puis il y a, il y a notre réponse. Donc pour ce faire, tout ce que j'ai à faire c'est d'entrer dans l'explorateur de frontières et sous échantillonnage adaptatif, |
| mes deux réponses (et vous pouvez avoir autant de réponses que nécessaire) et voici mes trois facteurs d'entrée. Et puis j'ai quelques paramètres ici, que je veuille ou non cibler le minimum et le maximum globaux, afficher la limite. |
| Et nous allons aussi, en fin de compte, vous montrer que vous avez un certain contrôle ici. Donc, ce qui se passe dans cet algorithme, c'est que nous recherchons vraiment, que font les voisins les plus proches ? Si tous les voisins les plus proches ont la même réponse, comme dans la probabilité nulle d'avoir |
| un accident, ce n'est pas un endroit très intéressant. Je veux voir où il y a de grandes différences. Et c'est là que le voisin le plus proche |
| entre en jeu. Je vais donc continuer et exécuter ceci. Et ce que nous voyons là-bas, c'est que nous pouvons voir dès maintenant que l'algorithme a utilisé la capacité native de JMP pour le filtrage des prédictions et |
| heureusement, n'utilise pas la distribution normale. Vous pouvez voir qu'il exécute la forêt d'amorçage. Andrew va expliquer où cela a été utilisé. |
| Et ultimement |
| ce que nous allons faire ici, c'est générer tout un ensemble de nouveaux points qui, espérons-le, se situeront le long de la frontière. Cela a donc pris, vous savez, environ 30 secondes pour faire ces points et à partir de là, je peux simplement continuer et m'arrêter. |
| mes nouveaux points. Vous pouvez donc voir que mes nouveaux points se situent en quelque sorte le long de ces limites, ce qui est probablement plus facile à voir si j'y ajoute l'autre. |
| ceux. |
| Alors ici, peut-être que je vais |
| changez la couleur ici très rapidement. |
| Et je vais aller de l'avant et montrer peut-être le point médian de la perturbation. |
| Donc maintenant, nous pouvons en quelque sorte voir où se trouvent tous les nouveaux points. Donc, ceux qui sont en quelque sorte ombrés, ce sont ceux qui étaient originaux et maintenant nous voyons en quelque sorte tous mes nouveaux points qui ont été générés dans cette limite. |
| Alors bien sûr, la question est : comment, comment avons-nous fait cela ? |
| Ce que je vais donc faire, c'est revenir à ma présentation. |
| Et à partir de là, je vais en quelque sorte céder la parole à Andrew, où il donnera un peu plus de détails techniques sur la façon dont nous procédons pour trouver ces points limites, car ce n'est pas aussi simple que nous le pensions. |
| André Karl | D'accord. Merci, Jim. Je vais commencer par parler de la nécessité de combler très rapidement les lacunes, car nous avons également intégré cela en plus de l'outil global de la bête. |
| C'est également un outil autonome. Il a donc une interface plutôt simple où nous sélectionnons les colonnes dans lesquelles nous définissons l'espace que nous sommes allés remplir. |
| Et pour les facteurs continus, il lit la propriété de la colonne de codage pour obtenir les valeurs hautes et basses et peut également prendre des facteurs nominaux. |
| De plus, si vous l'avez généré à partir d'une conception personnalisée ou d'une conception remplissant l'espace et que vous avez interdit les combinaisons, le script de combinaison non autorisée sera lu. |
| et ne remplissez les espaces que dans l'espace autorisé. Ainsi, l'utilisateur précise ses colonnes, ainsi que le nombre de nouvelles exécutions qu'il souhaite. |
| Et permettez-moi de montrer un exemple très rapide dans un espace de dimension supérieure. Il s’agit d’un cas à trois dimensions. Nous avons un cube dans lequel nous avons retiré un cylindre creux et nous avons ajouté ces pistes de remplissage d'espace, et nous les allumerons ensemble pour voir comment elles s'emboîtent. |
| Et puis éteignez également la couleur et voyez ce qui se passe. |
| C'est donc bien car dans l'espace de dimension supérieure, nous pouvons combler ces lacunes que nous ne pourrions même pas nécessairement voir dans les tracés variables. Alors, comment pouvons-nous faire cela ? |
| Donc ce que nous faisons, c'est prendre les points d'origine, qui dans ce cas sont maintenant colorés en rouge au lieu de noir et nous pouvons voir où se trouvaient ces deux espaces, |
| et nous superposons un ensemble candidat d'exécutions à partir d'une conception de remplissage d'espace pour l'ensemble de l'espace. |
| Nous ajoutons pour les tableaux de données concaténés des anciennes et des nouvelles exécutions candidates, nous avons une colonne d'indicateurs, une colonne d'indicateurs continue, nous étiquetons les anciens points 1 et l'étiquette le point candidat 0. Et dans cet espace concaténé, nous plaçons maintenant un voisin le plus proche. |
| modèle dans la colonne des indicateurs et nous enregistrons les prédictions à partir de celle-ci. Le candidat se présente donc avec les prédictions les plus petites, dans ce cas, le bleu, |
| sont les points d'écart que nous souhaitons ajouter dans la conception. Maintenant, si nous faisons cela en un seul passage, cela a tendance à surestimer les écarts les plus importants. C'est ce que nous faisons, c'est-à-dire que nous faisons cela de manière |
| processus décuplé, dans lequel nous prendrons un dixième de nos nouveaux points, les sélectionnerons comme nous le voyons ici, puis nous les ajouterons, puis réexécuterons notre algorithme du k-voisin le plus proche pour sélectionner de nouveaux points et remplir tous les espaces plus uniformément. |
| Ce n'est donc qu'une option... le remplissage des espaces est une option disponible dans l'explorateur de limites. |
| Jim a donc montré que nous pouvons utiliser n'importe quel nombre de réponses, n'importe quel nombre de facteurs et que nous pouvons avoir à la fois des réponses continues et nominales et des facteurs continus et nominaux. |
| Le fait... les facteurs continus qui entrent en jeu, nous allons normaliser ceux qui se trouvent dans les coulisses à 01 pour les mettre sur un pied d'égalité. |
| Et pour les réponses individuelles qui entrent en jeu, nous allons parcourir individuellement chaque réponse pour trouver les limites de chacune des réponses dans l'espace factoriel. |
| Et puis à la fin, nous avons un outil multivarié utilisant une forêt aléatoire qui prend en compte toutes les réponses à la fois. |
| Nous verrons donc comment chacune des différentes options disponibles ici dans l'interface graphique, dans l'interface utilisateur, apparaît dans l'algorithme. |
| Ainsi, après la normalisation de l'une de ces colonnes continues, la première étape consiste à filtrer les prédicteurs pour toutes les réponses continues et nominales. |
| Et il s’agit de découvrir les prédicteurs, ils sont pertinents pour chaque réponse particulière. |
| Et nous avons un paramètre par défaut dans l'interface utilisateur de 0,05 pour la proportion de variantes expliquées, ou la part de contribution de chaque variable. Donc dans ce cas, on voit que X1 et X2 sont conservés pour la réponse Y1, et le bruit X3 est rejeté. |
| L’étape suivante consiste à exécuter un algorithme du plus proche voisin. Et nous utilisons la valeur par défaut à 5, mais c'est une option que l'utilisateur peut activer. |
| Et nous ne nous préoccupons pas tant de la qualité de cette prédiction que de simplement l'utiliser comme méthode. |
| pour rejoindre les cinq voisins les plus proches. Quelles sont les rangées des cinq voisins et à quelle distance se trouvent-elles ? Quelles sont les distances par rapport à la rangée actuelle ? |
| Et nous allons utiliser ces informations sur les voisins les plus proches pour identifier chaque point, la probabilité que chaque point soit un point frontière. |
| Nous devons utiliser split ici et appliquer une méthode différente pour les réponses continues ou nominales. Pour les réponses nominales, nous concaténons la réponse de la colonne actuelle |
| ainsi que les réponses des cinq voisins les plus proches dans l'ordre, dans cette colonne des voisins concaténés. |
| Et nous avons une heuristique simple que nous utilisons pour identifier la probabilité limite en fonction de cette colonne de voisins concaténés. |
| Si toutes les réponses sont les mêmes, nous disons que la probabilité qu’il s’agisse d’un point frontière est faible. |
| Si au moins une des réponses est différente, alors nous disons qu'il y a une probabilité moyenne qu'il s'agisse d'une frontière, excusez-moi, d'un point frontière. |
| Et si deux réponses ou plus sont différentes, il y a une forte probabilité qu'il s'agisse d'un point limite. Nous enregistrons également la ligne utilisée. Dans ce cas, il s’agit de la paire limite. Il s’agit donc du voisin le plus proche qui a une réponse différente de la ligne actuelle. |
| Nous pouvons tracer ces probabilités limites dans notre conception originale de remplissage d’espace. |
| Ainsi, comme Jim l'a mentionné au début, nous avons... nous avons d'abord exécuté une conception de remplissage d'espace avant d'exécuter cet outil d'exploration des limites pour arriver... à explorer l'espace et à obtenir des réponses. |
| Et maintenant, nous intégrons cela et nous avons calculé la probabilité limite pour ceux-ci. Et nous pouvons voir que nos probabilités limites correspondent aux limites réelles. |
| Pour les réponses continues, nous prenons la réponse continue des cinq voisins les plus proches, ajoutons une colonne pour chacun d'entre eux et prenons l'écart type de ceux-ci. |
| Ceux qui présentent les plus grands écarts types par rapport aux voisins sont les points qui se trouvent dans les zones à pente la plus forte et ceux-ci sont plus susceptibles d'être nos points limites. |
| Nous multiplions également l'écart type par la distance moyenne afin d'obtenir notre métrique d'information, |
| parce que cela fait pour deux points qui ont un écart type égal des voisins, cela augmentera celui qui se trouve dans une région plus clairsemée avec moins de points qui s'y trouvent déjà. |
| Nous disposons désormais de cette mesure d'information continue et nous devons trouver comment la diviser en probabilités élevées, moyennes et faibles pour chaque point. |
| Donc ce que nous faisons, c'est nous intégrer à la distribution. Nous nous adaptons à un mélange normal de trois et nous utilisons la moyenne comme distribution la plus grande comme seuil pour les points de probabilité élevée. |
| Et nous utilisons l’intersection des densités de la plus grande et de la deuxième plus grande distribution normale comme seuil pour les points de probabilité moyenne. |
| Ainsi, une fois que nous avons identifié ces seuils, nous les appliquons pour former notre colonne de probabilité limite. |
| Et on conserve également la ligne utilisée, qui est la plus proche. Dans ce cas, pour les réponses continues, c'est le voisin qui a la réponse la plus différente en valeur absolue du rôle actuel. |
| Alors maintenant, pour les réponses continues et nominales, nous avons le même résultat. Nous avons la probabilité limite et la ligne utilisée. Maintenant que nous avons identifié les points limites, |
| nous devons pouvoir l'utiliser pour générer de nouveaux points le long de la frontière. |
| Donc la première et, à certains égards, la meilleure méthode |
| pour cibler et zoomer sur la limite, c'est ce que nous appelons la méthode du point médian. Et que faisons-nous pour chaque paire de limites, chaque ligne et son utilisation de ligne, son voisin le plus proche |
| identifié précédemment... Je suis désolé, donc pas le voisin le plus proche mais le voisin le plus pertinent soit en termes de différence de réponse nominale, soit le plus différent en termes de réponse continue. |
| Pour les facteurs continus, nous prenons la moyenne des coordonnées de chacun de ces deux points pour former le point médian. Et c'est ce que vous voyez sur le graphique ici. Nous mettrions donc un point |
| au cercle rouge. Pour les facteurs nominaux, nous prenons pour les paires de limites les niveaux de ce facteur. |
| qui sont présents dans chacun des deux points et nous en choisissons un au hasard. Ce qui est bien, c'est que s'ils sont tous les deux identiques, cela signifie que le point médian sera également le même niveau pour ce facteur nominal pour ces deux points. |
| Une deuxième méthode que nous appelons méthode de perturbation consiste simplement à ajouter un écart aléatoire à chacun des points limites identifiés. |
| Donc, pour la limite haute... les points à haute probabilité, nous ajoutons deux de ces points de perturbation pour le milieu, nous en ajoutons un. |
| Et pour celui-là, on ajoute, pour les facteurs continus, on ajoute un écart aléatoire. Normal signifie 0 ; écart type, 0,075 dans l'espace normalisé, et ce 0,075 est quelque chose que vous pouvez mettre à l'échelle |
| dans l'interface utilisateur pour augmenter ou réduire la quantité de propagation autour de la limite. |
| Et puis, pour les facteurs nominaux, nous prenons... nous choisissons au hasard un niveau pour chacun des facteurs nominaux. Passons maintenant à la forte probabilité... |
| points limites à haute probabilité qui obtiennent un deuxième point de perturbation, ce que nous faisons est dans le second, nous limitons ces paramètres de facteurs nominaux pour qu'ils soient tous égaux à ceux du point d'origine. |
| Nous effectuons donc ce processus d'identification de la limite et de création des points médians et des points de perturbation pour chacune des réponses spécifiées dans l'explorateur de limites. |
| Une fois que nous avons fait cela, nous concaténons le tout ensemble et ensuite nous allons examiner tous les points médians identifiés pour toutes les réponses, |
| et utilisez maintenant une technique multivariée pour générer des analyses supplémentaires. Parce que l'utilisateur peut spécifier le nombre d'exécutions souhaité et que ces méthodes de point médian et de perturbation ne génèrent qu'un nombre fixe d'exécutions et en fonction du |
| la configuration du terrain, je suppose qu'on pourrait dire, pour les données. |
| Donc, ce que nous faisons est quelque chose de similaire à la conception de remplissage des lacunes où nous prenons toutes les perturbations identifiées et les points médians pour toutes les réponses. |
| et nous remplissons tout l'espace avec la conception de remplissage d'espace des points candidats. Nous avons étiqueté les points candidats 0 dans un indicateur continu, les points médians 1 et les points de perturbation 0,01. |
| Nous ajustons une forêt aléatoire à cet indicateur. Et puis nous y jetons un coup d'œil. Nous sauvegardons les prédictions pour l'espace candidat, remplissons les points |
| puis nous prenons les exécutions candidates avec les valeurs prédictives les plus grandes de cet indicateur de limite. |
| Et ce sont ceux que nous ajoutons en utilisant cette méthode de forêt aléatoire. Maintenant qu'il s'agit d'une méthode multivariée, si vous avez une zone de votre espace de conception qui constitue une limite pour plusieurs réponses, elle recevra une attention particulière et des exécutions supplémentaires. |
| Voici donc les trois types de points ensemble. |
| Maintenant, encore une fois, pour souligner ce que Jim a dit, cela doit se produire en plusieurs itérations, nous collecterons donc ces informations à partir de notre outil d'exploration des limites. |
| puis concaténez-le à nouveau dans l'ensemble de données d'origine. Et puis après avoir reçu ces réponses, réexécutez l'explorateur de frontières et il va |
| en continu au fil des itérations, zoomez sur les limites et les impacts, voire trouvez peut-être même plus de limites. Les points de perturbation sont donc les plus utiles |
| pour les premières itérations lorsque vous êtes encore en train d'explorer l'espace, elles sont plus dispersées et la méthode de forêt aléatoire est meilleure pour les itérations ultérieures, car |
| il aura plus de points médians disponibles car il utilise non seulement ceux de l'itération actuelle, mais également ceux enregistrés précédemment. Nous avons une colonne dans le tableau de données qui enregistre le type de point qui a été ajouté. Nous utiliserons donc également tous les points médians précédents. |
| Donc, si nous mettons notre tracé de surface pour cet exemple que nous avons examiné pour une fonction en escalier, nous pouvons voir que nos nouveaux points, nos points médians et nos points de perturbation tombent tous le long des falaises, qui sont les limites, ce que nous voulions. voir. |
| Ainsi, les deux dernières options pour l'interface utilisateur ou pour indiquer ces exécutions de remplissage d'écarts et nous pouvons également lui demander de cibler le min max global ou de faire correspondre la cible pour tout facteur continu, si cela est défini comme propriété de colonne. |
| Juste pour montrer un dernier exemple ici, nous avons cet exemple où nous avons ces deux canyons à travers un plan avec une sorte de puits profond à leur intersection. |
| Et nous avons analysé les points de remplissage d'espace initiaux, qui sont les points affichés pour avoir une idée de la réponse. Et si nous exécutons deux itérations de notre outil d'exploration des frontières, |
| c'est là que sont placés tous les nouveaux points et on peut voir les écarts en nature au milieu de ces deux lignes. Quelles sont ces lacunes ? |
| Si nous examinons le tracé de la surface, ces espaces correspondent aux fonds du canyon, où il n'y a pas vraiment de pente raide. C'est donc plat, même localement sur une petite région, |
| mais tous ces points, tous ces points médians, |
| n'ont pas été placés sur les avions, mais sur les falaises abruptes, comme nous le souhaitions. Et ici, nous activons et désactivons les points minimum et vous pouvez voir que ceux-ci atteignent le fond du puits. Nous avons donc pu cibler également le minimum. |
| Notre outil présente donc deux distincts, deux discrets |
| options, de nouveaux outils. Nous voulons que le remplissage des lacunes puisse être utilisé sur n'importe quelle table de données dont les propriétés de codage sont définies pour les facteurs continus. |
| Et puis l'outil d'exploration de limites qui peut être utilisé pour ajouter des exécutions qui ne regardent pas l'espace des facteurs par lui-même, mais qui examinent la réponse afin de cibler le gradient élevé... les zones à changement élevé pour ajouter des exécutions supplémentaires. . |
