스피커 | 성적 증명서 |
| 제임스 위노스키 | 팀 발견을 환영합니다. Andrew Carl과 Darryl Ahner와 저는 두 가지 새로운 샘플링, 적응형 샘플링 기술 및 |
| 실험 설계를 강화하는 측면에서 일부 실무자에게 놀라운 유용성을 제공할 것입니다. 그리고 제가 하고 싶은 것은 몇 가지 우리의 |
| 여기의 프로세스 저는 이 모든 것이 어떻게 발생했는지에 대해 이야기해 왔습니다. 하지만 DOE와 설계 보강을 생각해보면 JMP에는 이미 강력한 기능이 있습니다. |
| 따라서 매우 대규모의 시뮬레이션 연구를 통해 우리가 발견한 것은 여기에 한 가지가 빠져 있다는 것입니다. |
| 간격 채우기 설계 및 적응형 샘플링 설계. 그리고 |
| 핵심은 적응형 샘플링 설계가 응답에 초점을 맞추게 될 것이라는 점입니다. |
| 따라서 이것은 증강하고 디자인 공간을 보고 X 매트릭스를 보는 표준 디자인을 생각할 때와는 상당히 다릅니다. 이제 우리는 실제로 목표나 반응을 고려할 것입니다. 그럼 이게 실제로 끝나겠지 |
| 흥미로운 부분에 추가 샘플을 테스트할 수 있도록 완전히 새로운 기능을 제공합니다. 그래서 우리는 상승만큼 깊은 반응 표면 방법론에서 생각할 수 있는 것처럼 높은 경사 영역에 있기를 원합니다. |
| 이제 우리는 시뮬레이션에서 많은 변수와 수천 번의 실행을 통해 이를 수행할 수 있다는 점에서 이를 자동화할 것입니다. |
| 좋은 소식은 이것이 작은 디자인을 가진 실무자에게도 매우 훌륭하게 축소된다는 것입니다. |
| 그리고 우리가 보여드릴 추가 기능을 빠르게 살펴보고 Andrew가 이에 대한 기술적인 세부 사항에 대해 조금 이야기할 것입니다. |
| 그래서 제가 사과하고 싶은 한 가지는 JMP 추가 기능이 아닌 PowerPoint 중심이 될 것이라는 점입니다. |
| 두 가지 이유 때문에...JMP 데모보다는...두 가지 이유가 있습니다. |
| 시간이 지나면 처리해야 할 자료가 많지만 JMP 활용도 실제로 이 적응형 샘플링에서 만들고 있는 알고리즘에 있습니다. 그래서 |
| 궁극적으로 JMP의 포인트 앤 클릭은 우리가 개발한 매우 간단한 사용자 인터페이스이지만 그 뒤에는 무엇이 있습니까? |
| 그리고 알고리즘은 JMP의 강력한 힘입니다. 매우 빠르고, 간격을 메우는 디자인이 매우 명확합니다. 여기에는 약간의 차이가 있음을 알 수 있습니다. 아마도 이것은 기술을 보여주기 위해 약간 과장된 것일 수도 있습니다. |
| 하지만 실제로는 차원의 저주가 작용할 수 있는 매우 많은 요소가 있을 수 있으며 디자인에 이러한 구멍이 있습니다. |
| 보시다시피 공간을 채우는 디자인으로 공간을 확장할 수 있습니다. |
| 우리의 많은 작업에 대한 증강, 특히 자극 호출에 있어서는 그다지 나쁘지 않은 것 같습니다. 새로운 파란색 점을 보면 |
| 포인트, 우리가 추가한 포인트, 나쁘지 않은 것 같습니다. 그리고 좀 더 가까이서 보면 알겠지만, 우리는 많은 것을 복제하기 시작했습니다. |
| 이미 해봤지만 어쩌면 우리가 생각한 것만큼 그 구멍을 메우지 않았을 수도 있습니다. 특히 파란색 색상을 벗으면 그 구멍을 볼 수 있습니다. |
| 거기에는 아직 상당한 격차가 있습니다. 따라서 우리는 적응형 샘플링을 개발하면서 그 중 일부가 구멍을 메우는 데 필요하다는 것을 인식했습니다. |
| 이런 디자인이 많아요. 그리고 우리는 이 특정 작업을 수행하는 경계 탐색기라는 추가 기능이라는 도구에서 알고리즘을 생각해 냈습니다. |
| 어떤 디자인이든 구멍을 메우기 위해 이 특정 기능을 수행하며 다양한 응용 분야에서 많은 유용성을 가질 수 있는 위치를 확인할 수 있습니다. |
| 따라서 이 특정 슬라이드 또는 그래프에서 파란색 점은 이제 구멍에 더 집중되어 있고 일부는 나머지 영역에 분산되어 있음을 알 수 있습니다. 하지만 우리가 갈 때도... |
| 전체적으로 훨씬 더 균일해 보이는 색상을 지정할 수 있습니다. 우리는 그 공간을 아주 잘 채웠습니다. |
| 이제 그것은 우리의 전반적인 목표인 활성 샘플링을 위해 필요한 유틸리티에 가깝습니다. 그리고 이를 위해 우리가 찾은 주요 응용 프로그램은 |
| 특히 국방부에서 많은 화제와 생산 및 테스트를 거쳤던 자율 시스템이었습니다. |
| 따라서 자율 시스템에서는 생각할 때 실제로 두 가지 주요 항목이 있다고 생각할 수 있습니다. 자율 시스템에서 당신이 보고 있는 것은 정말로 필요한가 하는 것입니다. |
| 시스템이 어디에 있는지 알려주는 일종의 센서입니다. 그리고 그에 반응하는 알고리즘이나 소프트웨어가 필요합니다. 일종의 센서죠. |
| 우리가 주로 초점을 맞추고 있는 알고리즘 소프트웨어 통합입니다. 그리고 그것이 구동하는 것은 솔직히 말해서 매우 복잡한 시뮬레이션 모델입니다. |
| 수천 번, 수천 번 실행하세요. 하지만 더 중요한 것은 우리가 발견한 것이 이러한 자율 시스템에 있다는 것입니다. 성능에 있어서 우리가 갖고 있는 경계가 있다는 것입니다. |
| 예를 들어, 군대의 리더-팔로워의 예가 있습니다. 그곳은 군인이 매우 중무장한 차량을 운전하는 곳입니다. |
| 트럭이 호송대에 실리면 나머지 호송대는 자율적으로 운영될 것이며 그 안에 군인은 없을 것입니다. |
| 아니면 자동 네비게이션이 있는 최신 Tesla 픽업트럭을 생각해 보세요. 그래서 우리는 이러한 시스템을 테스트할 방법을 찾고 있으며 결국 많은 테스트를 수행해야 한다는 생각입니다. 그리고 무슨 일이 일어나는가? |
| 예를 들어, 이 Tesla를 타고 시속 30마일로 달릴 수 있다면 괜찮을 수도 있고 장애물을 피할 수도 있습니다. 하지만 30.1에서는 알고리즘 사양을 벗어난 회피 기동을 수행해야 합니다. 그래서 |
| 이것이 바로 우리가 이러한 경계가 존재한다고 말할 때 말하는 것입니다. 그들은 매우 가파르다 |
| 반응의 변화, 매우 높은 기울기 영역. 그리고 그것이 바로 우리가 관심을 집중하고 싶은 곳입니다. |
| 우리는 평평한 표면만큼 관심이 없습니다. 실제로 흥미로운 부분이 있는 곳, 그곳이 우리가 하고 싶은 곳입니다. |
| 그리고 솔직히 우리가 발견한 것은 이 문제를 더 많이 반복할수록 우리의 솔루션이 더 좋아진다는 것입니다. 우리는 완전히 |
| 이 작업을 반복적인 프로세스로 수행하는 것이 좋습니다. 따라서 적응형 부분은 테스트를 수행한 다음 몇 가지 새로운 좋은 점을 생성하고 해당 응답이 무엇인지 확인한 다음 다음 실행 세트를 이에 맞게 조정하는 것입니다. |
| 이것이 적응형 샘플링입니다. |
| 이것에 대한 아이디어, 즉 기원은 우리가 존스 홉킨스 대학의 응용물리학 연구실에서 수행한 연구에서 나왔습니다. 그들은 군대와 함께 정말 훌륭한 일을 하고 있습니다. |
| 그들의 저널 기사 중 하나를 검토하면서 저는 속으로 생각했습니다. 여러분이 하고 있는 일을 고려하면 정말 환상적입니다. JMP를 사용하면 더 쉽게 접근할 수 있는 솔루션을 찾을 수도 있을 것 같습니다. 실무자들이 많습니다. 왜냐하면 문제는 |
| Johns Hopkins는 그것이 매우 구체적이고 어느 정도...통합하기는 하지만 별로 대단한 것이 아닙니다. |
| 소규모 테스트 팀이 액세스할 수 있습니다. 그래서 우리는 이것을 즉시 사용할 수 있는 사람들의 손에 넘겨주고 싶습니다. |
| Journal of Systems and Software의 이 논문은 일종의 경계 탐색의 원천입니다. 결과적으로 우리는 좋은 아이디어를 많이 사용했지만 다양한 접근 방식을 생각해 낼 수 있었고 |
| 및 기타 방법. 특히, JMP Pro의 기본 기능을 사용하고 그 과정에서 수행한 간격 채우기 설계와 같은 일부 개발을 수행했습니다. |
| 지금, |
| 이 예제 문제에 관해서는 그냥 가서 설명하는 것이 가장 좋을 것 같습니다. |
| 여기 데모에서요. 여기 그래프를 보면...이것을 사용할 것입니다...Tesla의 예로 돌아가겠습니다. 그럼 제가 자동 탐색 유형 활동을 하고 있고 두 개의 입력 요소가 있다고 가정해 보겠습니다. |
| 우리는 교통 속도와 밀도를 가지고 있습니다. 그래서 우리는 Tesla 알고리즘에 대해 생각하고 있습니다. 왼쪽 차선으로 합류하고 싶기 때문에 추월하고 싶다고 해야 할까요. 그래서 병합해야 합니다. 따라서 그 중 하나는 Tesla가 진행하는 속도이고 다른 하나는 교통 밀도일 수 있습니다. |
| 그리고 어쩌면 여기 이 지역 아래에는 더 낮은 숫자가 있을 수도 있습니다. 그래서 우리는 이 숫자를 2부터 10까지 생각할 수 있고, 심지어 충돌 확률과 같은 반응도 생각할 수 있습니다. |
| 따라서 저속/저밀도에서는 충돌 가능성이 매우 낮지만 여기에서는 고속/저밀도에서는 충돌 가능성이 매우 낮습니다. |
| 밀도가 높으면 확률이 매우 높습니다. 하지만 요점은 제가 여기서 강조하고 선택한 것입니다. 매우 가파른 곳이 있다는 것을 알 수 있습니다. |
| 경계 영역에 따른 성능 차이. 따라서 우리가 알고리즘에 대해 점점 더 많은 소프트웨어 테스트를 시작하기 위해 시뮬레이션을 수행함에 따라 |
| 여기서 더 많은 포인트를 얻는 것은 실제로 우리에게 많은 유익을 주지 않는다는 점에 유의할 것입니다. 우리는 저밀도, 저속에서도 잘 작동한다는 것을 알고 있습니다. 우리가 하고 싶은 것은 여기 경계에 있는 영역에 대해 실제로 작업하는 것입니다. 그래서 그게 우리 문제야. |
| 여기서 실제로 경계 조건을 따르게 될 200개의 새로운 점을 어떻게 생성할 수 있습니까? |
| 이제 제가 한 것은 X1과 X2입니다. 다시 한 번 속도를 생각해 보세요. |
| 우리의 속도와 밀도. 그런 다음 여기에 아무 의미도 없는 예측 변수를 던졌습니다. 그리고 거기에 우리의 응답이 있습니다. 이를 위해 제가 해야 할 일은 경계 탐색기로 들어가서 적응형 샘플링을 실행하는 것뿐입니다. |
| 내 두 가지 응답(필요한 만큼 많은 응답을 가질 수 있음)과 여기에 내 세 가지 입력 요소가 있습니다. 그런 다음 전역 최소값과 최대값을 타겟팅할지 여부에 관계없이 경계를 표시하는 몇 가지 설정이 있습니다. |
| 그리고 우리는 궁극적으로 여러분이 여기서 어느 정도 제어할 수 있다는 것을 보여줄 것입니다. 그러면 이 알고리즘에서 우리가 실제로 찾고 있는 것은 무엇입니까? 가장 가까운 이웃은 무엇을 하고 있습니까? 가장 가까운 이웃이 모두 동일한 응답을 갖는 경우, 확률이 0인 경우 |
| 사고가 나면 별로 흥미로운 곳이 아니거든요. 어디에서 큰 차이가 있는지 확인하고 싶습니다. 그리고 그곳이 가장 가까운 이웃이 있는 곳이에요 |
| 작용합니다. 그래서 저는 이것을 실행하겠습니다. 여기서 우리가 볼 수 있는 것은 알고리즘이 예측 선별을 위해 JMP의 기본 기능을 사용했다는 것입니다. |
| 다행히도 정규분포를 사용하지 않습니다. 부트스트랩 포리스트가 실행되고 있는 것을 볼 수 있습니다. Andrew는 그것이 어디에 사용되었는지 이야기할 것입니다. |
| 그리고 궁극적으로 |
| 여기서 우리가 할 일은 경계를 따라 떨어지는 새로운 점 전체 세트를 생성하는 것입니다. 이 지점을 수행하는 데 30초 정도 걸렸습니다. 여기서부터 계속해서 차를 세우면 됩니다. |
| 내 새로운 포인트. 따라서 내 새 포인트가 일종의 경계를 따라 있는 것을 볼 수 있습니다. 계속해서 다른 포인트를 넣으면 가장 쉽게 볼 수 있습니다. |
| 것들. |
| 그럼 바로 여기, 아마도 난 |
| 빨리 여기서 색상을 바꿔보세요. |
| 그리고 저는 계속해서 섭동의 중간점을 보여줄 것입니다. |
| 이제 우리는 모든 새로운 포인트가 어디에 있는지 확인할 수 있습니다. 그래서, 일종의 음영 처리된 것들은 원래 있었던 것들이며 이제 우리는 그 경계에서 생성된 나의 모든 새로운 점들을 보고 있는 것입니다. |
| 물론 질문은 '어떻게, 어떻게 했나요?' 입니다. |
| 그래서 제가 할 일은 프레젠테이션으로 돌아가는 것입니다. |
| 그런 다음 Andrew에게 이 문제를 넘겨주고 그는 우리가 생각했던 것만큼 간단하지 않기 때문에 이러한 경계 지점을 찾는 방법에 관해 좀 더 기술적인 세부 사항을 설명할 것입니다. |
| 앤드류 칼 | 좋아요. 고마워요, 짐. 전체적인 Beast 도구에 통합되는 것 외에도 이 기능을 추가했기 때문에 간격을 매우 빠르게 채우는 방법에 대해 이야기하는 것부터 시작하겠습니다. |
| 독립형 도구이기도 합니다. 따라서 채우려는 공간을 정의하는 열을 선택하는 다소 간단한 인터페이스가 있습니다. |
| 연속형 요인의 경우 코딩 열 속성을 읽어 높은 값과 낮은 값을 얻고 명목형 요인도 사용할 수 있습니다. |
| 또한 이를 맞춤형 디자인이나 공간 채우기 디자인에서 생성했고 허용되지 않는 조합이 있는 경우 허용되지 않는 조합 스크립트에서 읽혀집니다. |
| 허용된 공간 내에서만 공백 채우기를 수행합니다. 따라서 사용자는 자신의 열과 원하는 새 실행 횟수를 지정합니다. |
| 그리고 더 높은 차원 공간에서의 실제 빠른 예를 보여드리겠습니다. 3차원의 경우입니다. 우리는 속이 빈 원통을 꺼낸 큐브를 가지고 있고 이러한 간격 채우기 작업을 추가하는 과정을 거쳤습니다. 그리고 우리는 그것들을 함께 켜서 어떻게 서로 맞는지 확인할 것입니다. |
| 그런 다음 색상을 끄고 무슨 일이 일어나는지 확인하십시오. |
| 더 높은 차원 공간에서는 변량별 플롯에서 반드시 볼 수 없었던 이러한 간격을 채울 수 있기 때문에 이것은 좋습니다. 그럼 어떻게 해야 할까요? |
| 그래서 우리가 하는 일은 원래 점을 취하는 것입니다. 이 경우 검은색이 아닌 빨간색으로 표시되어 있으며 두 간격이 어디에 있는지 확인할 수 있습니다. |
| 그리고 전체 공간에 대한 공간 채우기 설계의 후보 실행 세트를 오버레이합니다. |
| 이전 후보와 새 후보 실행의 연결된 데이터 테이블에 대해 추가하고 표시 열, 연속 표시 열이 있으며 이전 포인트에 레이블을 1로 지정하고 후보 포인트에 레이블을 0으로 지정합니다. 그리고 이 연결된 공간에 이제 가장 가까운 이웃 10개를 맞추었습니다. |
| 모델을 지표 열에 추가하고 여기에서 예측을 저장합니다. 따라서 후보자는 가장 작은 예측(이 경우 파란색)으로 실행됩니다. |
| 디자인에 추가하려는 간격 지점입니다. 이제 단일 패스에서 이 작업을 수행하면 가장 큰 간격을 지나치게 강조하는 경향이 있습니다. 그래서 우리는 실제로 이 일을 |
| 10배 프로세스에서는 새 점의 10분의 1을 가져와 여기에 표시된 대로 선택한 다음 이를 추가한 다음 k-최근접 이웃 알고리즘을 다시 실행하여 몇 가지 새 점을 선택하고 모든 공간을 채웁니다. 좀 더 균일하게. |
| 따라서 이는 하나의 옵션일 뿐입니다. 간격 채우기는 경계 탐색기 내에서 사용할 수 있는 하나의 옵션입니다. |
| 그래서 Jim은 우리가 원하는 수의 반응과 요인을 사용할 수 있으며 연속 및 명목 반응과 연속 및 명목 요인을 모두 가질 수 있음을 보여주었습니다. |
| 사실... 계속해서 들어가는 요인들, 우리는 그 뒤에 있는 것들을 01로 정규화하여 그것들을 보다 동등한 입장에 놓을 것입니다. |
| 그리고 여기에 들어가는 개별 응답의 경우 각 응답을 개별적으로 반복하여 요인 공간 내의 각 응답에 대한 경계를 찾습니다. |
| 그리고 마지막에는 모든 응답을 한 번에 고려하는 랜덤 포레스트를 사용하는 다변량 도구가 있습니다. |
| 따라서 여기 GUI, 사용자 인터페이스에서 사용할 수 있는 다양한 옵션이 알고리즘 내에서 어떻게 나타나는지 살펴보겠습니다. |
| 따라서 이러한 연속 열에 대한 정규화 후 첫 번째 단계는 모든 연속 및 명목형 응답에 대한 예측자 선별입니다. |
| 그리고 이것이 해야 할 일은 예측 변수를 찾는 것입니다. 예측 변수는 각각의 특정 반응과 관련이 있습니다. |
| 그리고 설명된 변형의 비율 또는 각 변수의 기여 부분에 대해 사용자 인터페이스에는 .05의 기본 설정이 있습니다. 따라서 이 경우 X1과 X2는 응답 Y1에 대해 유지되고 X3 노이즈는 거부됩니다. |
| 다음 단계는 최근접 이웃 알고리즘을 실행하는 것입니다. 그리고 우리는 기본값을 5로 사용하지만 이는 사용자가 전환할 수 있는 옵션입니다. |
| 그리고 우리는 이것을 단지 방법으로 사용하기 때문에 이것이 얼마나 잘 예측하는지에 대해서는 그다지 관심이 없습니다. |
| 가장 가까운 이웃 다섯 명에게 다가가세요. 다섯 개의 이웃 이웃의 행은 무엇이며 얼마나 떨어져 있습니까? 현재 행으로부터의 거리는 얼마입니까? |
| 그리고 우리는 가장 가까운 이웃의 정보를 사용하여 각 지점을 식별하고 각 지점이 경계 지점이 될 확률을 확인할 것입니다. |
| 여기서는 분할을 사용하고 연속 또는 명목 응답에 대해 다른 방법을 수행해야 합니다. 명목형 응답의 경우, 우리가 하는 일은 현재 열의 응답을 연결하는 것입니다. |
| 이 연결 연결 열에는 가장 가까운 이웃 5개의 응답이 순서대로 표시됩니다. |
| 그리고 우리는 연결된 이웃 열을 기반으로 경계 확률을 식별하는 데 사용하는 간단한 경험적 방법을 가지고 있습니다. |
| 모든 응답이 동일하면 경계점이 될 확률이 낮다고 말합니다. |
| 응답 중 적어도 하나가 다르다면 경계점이 될 확률이 중간 정도라고 말합니다. 실례합니다. 경계점입니다. |
| 그리고 둘 이상의 응답이 다른 경우 경계점이 될 확률이 높습니다. 또한 사용된 행을 기록합니다. 이 경우에는 경계 쌍이 됩니다. 따라서 이는 현재 행과 다른 응답을 갖는 가장 가까운 이웃입니다. |
| 원래의 공간 채우기 설계에서 이러한 경계 확률을 플롯할 수 있습니다. |
| 따라서 Jim이 초기에 언급했듯이 우리는 공간을 탐색하고 응답을 얻기 위해 이 경계 탐색 도구를 실행하기 전에 처음에 공간 채우기 설계를 실행했습니다. |
| 이제 우리는 그것을 맞추고 이들에 대한 경계 확률을 계산했습니다. 그리고 경계 확률이 실제 경계와 일치하는 것을 볼 수 있습니다. |
| 연속 응답의 경우 가장 가까운 5개의 이웃으로부터 연속 응답을 취하고 각각에 대한 열을 추가한 다음 표준 편차를 취합니다. |
| 이웃의 표준 편차가 가장 큰 지점은 가장 가파른 경사 영역에 있는 지점이며 이러한 지점이 경계 지점이 될 가능성이 더 높습니다. |
| 또한 정보 측정항목을 얻기 위해 표준편차에 평균 거리를 곱합니다. |
| 이는 이웃의 표준 편차가 동일한 두 점에 대한 것이기 때문에 이미 존재하는 점이 더 적고 희박한 영역에 있는 점에 가중치를 부여합니다. |
| 이제 우리는 연속적인 정보 지표를 얻었고 이를 각 지점에 대해 높은 확률, 중간 확률, 낮은 확률로 나누는 방법을 알아내야 합니다. |
| 그래서 우리가 하는 일은 배포에 적합하다는 것입니다. 우리는 정규 3개 혼합에 적합하고 평균을 높은 확률 포인트에 대한 컷오프로 가장 큰 분포로 사용합니다. |
| 그리고 우리는 중간 확률점에 대한 컷오프로 가장 큰 정규 분포와 두 번째로 큰 정규 분포의 밀도의 교차점을 사용합니다. |
| 따라서 해당 컷오프를 식별한 후에는 이를 적용하여 경계 확률 열을 형성합니다. |
| 그리고 가장 가까운 사용된 행도 유지합니다. 이 경우 연속 응답의 경우 현재 역할과 절대값이 가장 다른 응답을 갖는 이웃입니다. |
| 이제 연속 응답과 명목 응답 모두에 대해 동일한 출력을 얻습니다. 경계 확률과 사용된 행이 있습니다. 이제 경계점을 식별했으므로 |
| 이를 사용하여 경계를 따라 새로운 점을 생성할 수 있어야 합니다. |
| 따라서 첫 번째이자 어떤 면에서는 가장 좋은 방법입니다. |
| 경계를 타겟팅하고 확대하는 방법을 중간점 방법이라고 합니다. 그리고 각 경계 쌍에 대해 수행하는 작업은 각 행과 해당 행의 가장 가까운 이웃을 사용하는 것입니다. |
| 이전에 식별된...죄송합니다. 가장 가까운 이웃이 아니라 명목상의 응답 차이 또는 연속 응답 측면에서 가장 다른 측면에서 가장 관련성이 높은 이웃입니다. |
| 연속 요인의 경우 두 점 각각에 대한 좌표의 평균을 취하여 중간점을 형성합니다. 이것이 바로 여기 그래프에서 볼 수 있는 것입니다. 그래서 우리는 요점을 넣을 것입니다 |
| 빨간색 원에. 명목 요인의 경우 경계 쌍에 대해 수행하는 작업은 해당 요인의 수준을 취하는 것입니다. |
| 두 점 각각에 존재하는 점을 선택하고 그 중 하나를 무작위로 선택합니다. 좋은 점은 둘 다 동일하다면 중간점도 해당 두 지점의 명목 요소에 대해 동일한 수준이 될 것이라는 의미입니다. |
| 섭동 방법이라고 부르는 두 번째 방법은 식별된 각 경계점에 임의의 편차를 추가하는 것입니다. |
| 따라서 높은 경계...높은 확률 포인트에 대해 매체에 대해 두 개의 교란 포인트를 추가하고 하나를 추가합니다. |
| 그리고 이에 대해 연속 요인에 대해 무작위 편차를 추가합니다. 정상은 0을 의미합니다. 표준 편차는 정규화된 공간에서 .075이고 .075는 확장할 수 있는 값입니다. |
| 사용자 인터페이스 내에서 경계 주변의 확산 정도를 늘리거나 줄입니다. |
| 그런 다음 명목 요인에 대해 우리가 하는 일은 각 명목 요인의 수준을 무작위로 선택하는 것입니다. 이제 높은 확률로... |
| 두 번째 섭동 지점을 얻는 고확률 경계 지점에서 우리가 하는 일은 두 번째 섭동 지점에서 해당 명목 요인 설정을 모두 원래 지점의 설정과 동일하게 제한하는 것입니다. |
| 그래서 우리는 경계를 식별하고 경계 탐색기에 지정된 각 응답에 대한 중간 지점과 섭동 지점을 생성하는 프로세스를 수행합니다. |
| 그런 다음 모든 것을 하나로 연결한 다음 모든 응답에 대해 식별된 모든 중간점을 살펴보겠습니다. |
| 이제 다변량 기술을 사용하여 추가 실행을 생성합니다. 사용자는 원하는 실행 횟수를 지정할 수 있고 이러한 중간점 및 섭동 방법은 고정된 수의 실행만 생성하고 |
| 데이터에 대한 토지의 위치라고 말할 수 있을 것 같습니다. |
| 따라서 우리가 하는 일은 모든 응답에 대해 식별된 모든 섭동과 중간점을 취하는 간격 채우기 설계와 유사합니다. |
| 후보점의 공간채움 디자인으로 전체 공간을 채워드립니다. 연속형 지표에서 후보 포인트를 0, 중간 포인트를 1, 섭동 포인트를 .01로 표시했습니다. |
| 우리는 이 지표에 랜덤 포레스트를 적용했습니다. 그리고 나서 살펴보겠습니다. 후보 공간 채우기 포인트에 대한 예측을 저장합니다. |
| 그런 다음 이 경계 표시기의 가장 큰 예측 값을 사용하여 후보 실행을 수행합니다. |
| 그리고 이것들은 우리가 이 랜덤 포레스트 방법을 사용하여 추가한 것들입니다. 이제 이것은 다변량 방법이므로 다중 응답의 경계인 설계 공간 영역이 있는 경우 추가 강조와 추가 실행을 받게 됩니다. |
| 그래서 여기에 세 가지 유형의 포인트가 함께 표시됩니다. |
| 이제 Jim이 말한 내용을 다시 한 번 강조하기 위해 이 작업은 여러 번 반복해야 하므로 경계 탐색기 도구에서 이 정보를 수집합니다. |
| 그런 다음 이를 원래 데이터 세트에 다시 연결합니다. 그런 다음 해당 응답을 받은 후 경계 탐색기를 다시 실행하면 다음과 같이 됩니다. |
| 반복을 통해 지속적으로 경계와 영향을 확대하고 더 많은 경계를 찾을 수도 있습니다. 따라서 섭동 지점이 가장 유용합니다. |
| 아직 우주를 탐색하고 있는 초기 반복의 경우 더 분산되어 있으며 이후 반복에는 Random Forest 방법이 더 좋습니다. 왜냐하면 |
| 현재 반복의 중간 지점뿐만 아니라 이전에 녹음된 중간 지점도 사용하기 때문에 더 많은 중간 지점을 사용할 수 있습니다. 추가된 포인트 유형을 기록하는 데이터 테이블의 열이 있습니다. 따라서 이전의 중간점도 모두 사용하겠습니다. |
| 따라서 계단 함수를 찾고 있는 이 예에 대한 표면 플롯을 놓으면 새로운 지점과 중간 지점, 섭동 지점이 모두 경계인 절벽을 따라 떨어지는 것을 볼 수 있습니다. 이것이 바로 우리가 원했던 것입니다. 보다. |
| 따라서 사용자 인터페이스의 마지막 두 옵션 또는 이러한 간격 채우기 실행을 나타내기 위한 옵션이며 열 속성으로 설정된 경우 전역 최소값을 대상으로 하거나 연속 요인에 대한 대상과 일치하도록 요청할 수도 있습니다. |
| 여기서 마지막 예를 하나 보여드리자면, 두 개의 협곡이 교차하는 지점에 일종의 깊은 우물이 있는 평면을 통과하는 예가 있습니다. |
| 그리고 우리는 반응에 대한 아이디어를 얻기 위해 표시된 지점인 초기 공간 채우기 지점을 실행했습니다. 경계 탐색기 도구를 두 번 반복하면 |
| 여기에 모든 새로운 점이 배치되고 이 두 선의 중간에 간격이 있는 것을 볼 수 있습니다. 그 격차는 무엇입니까? |
| 표면 플롯을 살펴보면 이러한 간격은 실제로 가파르지 않은 협곡 바닥입니다. 그래서 그것은 평평합니다. 심지어 작은 지역에 걸쳐서 국지적으로라도 말이죠. |
| 하지만 이 모든 지점, 모든 중간 지점, |
| 비행기 위가 아니라 우리가 원했던 가파른 절벽 위에 배치되었습니다. 여기서는 최소 포인트를 켜거나 끄고 전환하고 있으며 해당 포인트가 우물 바닥에 닿는 것을 볼 수 있습니다. 그래서 우리도 최소한의 목표를 세울 수 있었습니다. |
| 따라서 우리 도구는 두 가지 별개의, 두 개의 개별적인 |
| 옵션, 새로운 도구. 우리는 연속형 요인에 대해 코딩 속성이 설정된 모든 데이터 테이블에서 사용할 수 있는 간격 채우기를 원합니다. |
| 그런 다음 추가하는 데 사용할 수 있는 경계 탐색기 도구는 요인 공간 자체를 보지 않고 추가 실행을 추가하기 위해 높은 기울기...높은 변화 영역을 목표로 하기 위해 응답을 보는 실행을 수행합니다. . |
