Lautsprecher | Transkript |
| James Wisnowski | Willkommen im Entdeckungsteam. Andrew Carl und Darryl Ahner und ich möchten und freuen uns, zwei neue Sampling-Techniken und adaptive Sampling-Techniken vorzustellen |
| Es wird einigen Praktikern wirklich einen wunderbaren Nutzen im Hinblick auf die Verbesserung der Versuchsplanung bieten. Und was ich tun möchte, ist, dass ich ein paar unserer durchgehen möchte |
| Prozesse hier: Ich habe darüber gesprochen, wie das alles zustande kam. Aber wenn wir über DOE und die Erweiterung von Designs nachdenken, gibt es in JMP bereits eine robuste Fähigkeit. |
| Was wir bei der Arbeit mit einigen sehr groß angelegten Simulationsstudien herausgefunden haben, ist, dass uns hier ein Teil fehlt |
| Lückenfüllungsdesigns und adaptives Sampling-Design. Und das |
| Der entscheidende Punkt wird sein, dass sich die adaptiven Stichprobenentwürfe auf die Reaktion konzentrieren. |
| Das ist also etwas ganz anderes, als wenn Sie vielleicht an ein Standarddesign denken, bei dem Sie Erweiterungen vornehmen und sich den Designraum und die X-Matrix ansehen. Jetzt werden wir also die Ziele oder Reaktionen tatsächlich berücksichtigen. Das wird also tatsächlich enden |
| Bereitstellung einer völlig neuen Funktion, sodass wir zusätzliche Proben dort testen können, wo die Spannung herrscht. Wir wollen uns also in einem Bereich mit hohem Gradienten befinden, so wie Sie vielleicht bei der Response-Surface-Methodik so tief wie der Aufstieg denken. |
| Jetzt werden wir das automatisieren, sodass wir dies mit vielen Variablen und Tausenden von Durchläufen in der Simulation tun können. |
| Die gute Nachricht ist, dass sich dies für den Praktiker auch bei kleinen Designs recht gut verkleinern lässt. |
| Und ich werde einen kurzen Überblick über unser Add-In geben, das wir Ihnen zeigen werden, und dann wird Andrew ein wenig über die technischen Details sprechen. |
| Ich möchte mich also für eine Sache entschuldigen: Dies wird sich eher auf PowerPoint als auf das JMP-Add-In konzentrieren |
| aus zwei Gründen ... ich würde sagen, eher als JMP-Demo ... aus zwei Gründen, hauptsächlich wegen unserer |
| Mit der Zeit müssen wir eine Menge Material durcharbeiten, aber auch unsere JMP-Nutzung steckt wirklich in dem Algorithmus, den wir in diesem adaptiven Sampling erstellen. Also |
| Letztlich ist das Point-and-Click-System von JMP eine sehr einfache Benutzeroberfläche, die wir entwickelt haben, aber was sich hinter den Kulissen verbirgt |
| und der Algorithmus, hier liegt wirklich die Stärke von JMP. Also ganz schnell, das lückenfüllende Design, ziemlich klar. Wir können sehen, dass es hier einige Lücken gibt. Vielleicht handelt es sich hierbei um eine etwas übertriebene Formulierung, die die Technik demonstriert. |
| Obwohl wir in Wirklichkeit möglicherweise eine sehr große Anzahl von Faktoren haben, bei denen dieser Fluch der Dimensionalität ins Spiel kommen kann und Sie diese Lücken in Ihrem Design haben. |
| Und Sie sehen, wir könnten es mit einem raumfüllenden Design ergänzen, das eine Art Arbeitspferd ist |
| Wir sind für einen Großteil unserer Arbeit in der Augmentation, insbesondere im Stimulationsruf, und es sieht nicht so schlecht aus. Wenn wir uns die blauen Punkte ansehen, die neu sind |
| Punkte, die Punkte, die wir hinzugefügt haben, es sieht nicht so schlecht aus. Und wenn man dann vielleicht etwas genauer hinschaut, sieht man doch, dass wir angefangen haben, viele davon zu reproduzieren |
| Das haben wir bereits getan, und vielleicht haben wir diese Löcher nicht so gut gefüllt, wie wir dachten, insbesondere wenn wir die blaue Färbung entfernen und das sehen können |
| Da gibt es immer noch einige Lücken. Während wir das adaptive Sampling entwickeln, erkennen wir, dass wir einige Lücken schließen müssen |
| in vielen dieser Designs. Und wir haben in unserem Tool, unserem Add-In, einen Algorithmus namens Boundary Explorer entwickelt, der genau dieses spezielle Problem erfüllt ... |
| Bei jedem Design übernimmt es diese spezielle Funktion, um die Löcher zu füllen, und Sie können sehen, wo dies in vielen verschiedenen Anwendungen von großem Nutzen sein könnte. |
| Auf dieser speziellen Folie oder Grafik können wir also sehen, dass diese blauen Punkte jetzt möglicherweise stärker auf die Löcher konzentriert sind und einige über den Rest der Region verteilt sind. Aber selbst wenn wir zum... |
| Sie können eine Farbe wählen, die insgesamt viel gleichmäßiger aussieht. Wir haben diesen Raum sehr gut ausgefüllt. |
| Das war eher ein Nutzen, den wir für unser Gesamtziel brauchten, nämlich eine aktive Probenahme. Und die primäre Anwendung, die wir dafür gefunden haben |
| Es handelte sich um autonome Systeme, die besonders im Verteidigungsministerium viel Aufsehen erregt und viel produziert und getestet haben. |
| Wenn Sie also darüber nachdenken, denken Sie vielleicht, dass es in autonomen Systemen eigentlich zwei Hauptelemente gibt. Bei autonomen Systemen geht es vor allem darum, was Sie wirklich brauchen |
| Irgendein Sensor, der dem System irgendwie mitteilt, wo es sich befindet. Und dann der Algorithmus oder die Software, die darauf reagiert. Es ist also eine Art Sensor- |
| Algorithmus-Software-Integration, auf die wir uns hauptsächlich konzentrieren. Und was das dann antreibt, ist ein sehr komplexes Simulationsmodell, das ehrlich gesagt auch so sein muss |
| laufen viele, viele tausend Male. Aber was noch wichtiger ist: Was wir herausgefunden haben, ist, dass es in diesen autonomen Systemen Grenzen gibt, die in der Leistung bestehen. |
| So haben wir zum Beispiel ein Anführer-Gefolgs-Beispiel aus der Armee. Dort würde ein Soldat einen sehr schwer gepanzerten Wagen fahren |
| LKW in einem Konvoi und der Rest des Konvois wäre autonom, sie hätten keine Soldaten in sich. |
| Oder denken Sie vielleicht an den neuesten Tesla, den Pickup, bei dem es ein automatisches Navigationssystem gibt, oder? Die Idee ist also, dass wir diese Systeme testen wollen und am Ende viele Tests durchführen müssen. Und was passiert, ist |
| Zum Beispiel, vielleicht sogar in diesem Tesla, bei dem Sie 30 Meilen pro Stunde erreichen könnten, könnten Sie in Ordnung sein und einem Hindernis ausweichen. Aber bei 30,1 müssten Sie ein Ausweichmanöver durchführen, das außerhalb der Algorithmusspezifikationen liegt. Also |
| Das ist es, worüber wir reden, wenn wir sagen, dass diese Grenzen da draußen sind. Sie sind sehr steil |
| Veränderungen in der Reaktion, sehr hohe Gradientenbereiche. Und darauf wollen wir unsere Aufmerksamkeit richten. |
| Es interessiert uns nicht so sehr, dass es sich um eine Art ebene Fläche handelt, sondern darum, wo der interessante Teil ist, und dort würden wir es gerne machen. |
| Und ehrlich gesagt haben wir herausgefunden, dass unsere Lösung umso besser wird, je mehr wir darüber iterieren. Wir völlig |
| Ich empfehle, dies als iterativen Prozess durchzuführen. Das ist also der adaptive Teil davon: Führen Sie Ihre Tests durch und generieren Sie dann einige neue gute Punkte. Sehen Sie sich dann an, wie diese Reaktionen aussehen, und passen Sie dann Ihre nächsten Läufe daran an. |
| Das ist also unser adaptives Sampling. |
| Die eigentliche Idee dazu, die Entstehung, entstand aus einer Arbeit, die wir in Laboren für angewandte Physik an der Johns Hopkins University durchgeführt haben. Sie leisten wirklich gute Arbeit mit dem Militär und |
| Als ich es in einem ihrer Zeitschriftenartikel besprochen habe, dachte ich mir: Wissen Sie, das ist fantastisch im Hinblick auf das, was Sie tun, und wir könnten JMP sogar nutzen, um vielleicht eine Lösung zu finden, die zugänglicher wäre viele der Praktizierenden. Weil das Problem mit |
| Johns Hopkins ist, dass es sehr spezifisch ist und etwas... integrieren, es ist nicht etwas sehr Besonderes |
| für kleinere Testteams zugänglich. Deshalb möchten wir es in die Hände von Leuten geben, die es sofort nutzen können. |
| Dieser Artikel aus dem Journal of Systems and Software ist sozusagen die Quelle unseres Grenzerforschers. Und wie sich herausstellte, haben wir viele der guten Ideen genutzt, konnten aber unterschiedliche Ansätze entwickeln und |
| und andere Methoden. Insbesondere die Nutzung nativer Funktionen in JMP Pro sowie einige Entwicklungen, wie das Lückenfüllungsdesign, das wir nebenbei erstellt haben. |
| Jetzt, |
| Was dieses Beispielproblem betrifft, ist es wahrscheinlich das Beste, wenn ich es einfach erkläre |
| direkt in einer Demo hier. Wenn ich mir hier also eine Grafik ansehe, kann ich sehen, dass ... Ich werde diese verwenden ... Ich gehe einfach auf das Tesla-Beispiel zurück. Nehmen wir also an, ich mache eine Aktivität vom Typ „Automatische Navigation“ und habe zwei Eingabefaktoren und sagen wir „Vielleicht“. |
| Wir haben Geschwindigkeit und Verkehrsdichte. Wir denken also über diesen Tesla-Algorithmus nach. Es möchte auf die Spur nach links übergehen, also möchte ich sagen, Sie wissen schon, vorbeikommen. Es muss also zusammengeführt werden. Einer davon wäre also die Geschwindigkeit, mit der der Tesla fährt, und der andere könnte die Verkehrsdichte sein. |
| Und dann haben wir hier unten in diesem Bereich vielleicht eine niedrigere Zahl. Wir können uns also diese Zahlen zwei bis zehn vorstellen, wir könnten vielleicht sogar an die Reaktionen denken, vielleicht sogar an die Wahrscheinlichkeit einer Kollision. |
| Unten bei niedriger Geschwindigkeit/geringer Dichte ist die Wahrscheinlichkeit einer Kollision also sehr gering, aber hier oben bei hoher Geschwindigkeit/ |
| hohe Dichte, dann haben Sie eine sehr hohe Wahrscheinlichkeit. Aber der Punkt ist, was ich hier hervorgehoben und ausgewählt habe. Sie können sehen, dass es sehr steil ist |
| Leistungsunterschiede entlang der Grenzregion. Wenn wir also die Simulation durchführen, beginnen wir, mehr und mehr Softwaretests für den Algorithmus durchzuführen. |
| Wir werden feststellen, dass es uns wirklich nicht viel nützt, hier unten mehr Punkte zu holen. Wir wissen, dass wir bei geringer Dichte und niedriger Geschwindigkeit gut abschneiden. Was wir tun wollen, ist, hier wirklich an den Grenzen des Gebiets zu arbeiten. Das ist also unser Problem, |
| Wie kann ich 200 neue Punkte generieren, die wirklich meinen Randbedingungen hier entsprechen? |
| Was ich nun getan habe, ist, dass es sich tatsächlich um X1 und X2 handelt. Denken Sie noch einmal an die Geschwindigkeit und ... |
| unsere Geschwindigkeit sowie die Dichte. Und dann habe ich hier einfach eine Prädiktorvariable eingefügt, die nichts bedeutet. Und dann ist da noch unsere Antwort. Um dies zu tun, muss ich lediglich in den Boundary Explorer und unter adaptives Sampling gehen. |
| meine beiden Antworten (und Sie können so viele Antworten haben, wie Sie benötigen) und hier sind meine drei Eingabefaktoren. Und dann habe ich hier noch ein paar Einstellungen, ob ich auf das globale Minimum und Maximum abzielen möchte oder nicht, die Grenze anzeigen. |
| Und letztendlich werden wir Ihnen auch zeigen, dass Sie hier eine gewisse Kontrolle haben. Was also passiert, ist, dass wir in diesem Algorithmus wirklich suchen: Was machen die nächsten Nachbarn? Wenn alle nächsten Nachbarn die gleiche Antwort haben, wie bei Nullwahrscheinlichkeit |
| Ein Unfall, das ist kein sehr interessanter Ort. Ich möchte sehen, wo es große Unterschiede gibt. Und dort ist der nächste Nachbar |
| kommt ins Spiel. Also werde ich weitermachen und dies ausführen. Und was wir dort sehen, ist, dass wir jetzt sehen können, dass der Algorithmus die nativen Fähigkeiten von JMP für das Vorhersage-Screening verwendet hat |
| Glücklicherweise wird nicht die Normalverteilung verwendet. Sie können sehen, dass die Bootstrap-Gesamtstruktur ausgeführt wird. Andrew wird darüber sprechen, wo das verwendet wurde. |
| Und ultimativ |
| Was wir hier tun werden, ist, eine ganze Reihe neuer Punkte zu generieren, die hoffentlich entlang der Grenze liegen sollten. Es hat also ungefähr 30 Sekunden gedauert, diese Punkte zu erledigen, und von hier aus kann ich einfach weitermachen und hochfahren |
| meine neuen Punkte. Sie sehen also, dass meine neuen Punkte in gewisser Weise entlang dieser Grenzen liegen, was wahrscheinlich am einfachsten zu erkennen ist, wenn ich weitermache und den anderen einfüge |
| Einsen. |
| Also genau hier, vielleicht werde ich es tun |
| Wechseln Sie hier ganz schnell die Farbe. |
| Und ich werde weitermachen und vielleicht den Mittelpunkt der Störung zeigen. |
| Im Moment können wir also einigermaßen sehen, wo sich all die neuen Punkte befinden. Die schattierten Punkte sind also ursprünglich, und jetzt sehen wir alle meine neuen Punkte, die in dieser Grenze generiert wurden. |
| Die Frage ist natürlich: Wie haben wir das gemacht? |
| Was ich also tun werde, ist, zu meiner Präsentation zurückzukehren. |
| Und von da an übergebe ich es irgendwie an Andrew, wo er ein bisschen mehr technische Details dazu geben wird, wie wir diese Grenzpunkte finden, weil es nicht so einfach ist, wie wir dachten. |
| Andreas Karl | Okay. Danke, Jim. Ich werde damit beginnen, ganz schnell über das Füllen von Lücken zu sprechen, da wir dies zusätzlich zur Integration in das gesamte Beast-Tool integriert haben. |
| Es ist auch ein eigenständiges Tool. Es verfügt also über eine ziemlich einfache Schnittstelle, in der wir die Spalten auswählen, mit denen wir den Raum definieren, den wir ausfüllen wollten. |
| Und für kontinuierliche Faktoren liest es die Codierungsspalteneigenschaft ein, um die oberen und unteren Werte zu erhalten, und es können auch nominale Faktoren verwendet werden. |
| Wenn Sie dies außerdem aus einem benutzerdefinierten Design oder einem raumfüllenden Design generiert haben und unzulässige Kombinationen haben, wird das Skript für unzulässige Kombinationen eingelesen |
| und füllen Sie Lücken nur innerhalb des zulässigen Raums. Der Benutzer gibt also seine Spalten sowie die Anzahl der gewünschten neuen Durchläufe an. |
| Und lassen Sie mich ein ganz kurzes Beispiel in einem höherdimensionalen Raum zeigen. Es handelt sich hierbei um einen Fall von drei Dimensionen. Wir haben einen Würfel, aus dem wir einen Hohlzylinder herausgenommen haben, und haben den Prozess des Hinzufügens dieser Lückenfüllläufe durchlaufen, und wir werden sie zusammen einschalten, um zu sehen, wie sie zusammenpassen. |
| Und dann auch die Farbe ausschalten und schauen, was passiert. |
| Das ist also schön, denn im höherdimensionalen Raum können wir diese Lücken füllen, die wir in den Diagrammen nach Variablen nicht unbedingt sehen konnten. Wie machen wir das? |
| Was wir also tun, ist, wir nehmen die ursprünglichen Punkte, die in diesem Fall jetzt rot statt schwarz gefärbt sind, und können sehen, wo diese beiden Lücken waren. |
| und wir überlagern einen Kandidatensatz von Läufen aus einem raumfüllenden Design für den gesamten Raum. |
| Wir fügen für die verketteten Datentabellen der alten und neuen Kandidatenläufe eine Indikatorspalte hinzu, eine kontinuierliche Indikatorspalte, wir beschriften die alten Punkte mit 1 und den Kandidatenpunkt mit 0. Und in diesen verketteten Raum passen wir nun einen 10. nächsten Nachbarn ein |
| Wir fügen das Modell der Indikatorspalte hinzu und speichern daraus die Vorhersagen. Der Kandidat läuft also mit den kleinsten Vorhersagen, in diesem Fall blau, |
| sind die Lückenpunkte, die wir in das Design einfügen möchten. Wenn wir dies nun in einem einzigen Durchgang tun, werden die größten Lücken tendenziell überbetont. Wir machen das also tatsächlich in einem |
| Zehnfachprozess, bei dem wir ein Zehntel unserer neuen Punkte nehmen, sie wie hier sehen auswählen, diese dann hinzufügen und dann unseren k-Nearest-Neighbor-Algorithmus erneut ausführen, um einige neue Punkte auszuwählen und alle Räume auszufüllen gleichmäßiger. |
| Das ist also nur eine Option ... das Lückenfüllen ist eine Option, die im Grenz-Explorer verfügbar ist. |
| Jim zeigte also, dass wir eine beliebige Anzahl von Antworten und Faktoren verwenden können und dass wir sowohl kontinuierliche als auch nominale Antworten sowie kontinuierliche und nominale Faktoren haben können. |
| Aufgrund der kontinuierlichen Faktoren, die eine Rolle spielen, werden wir diejenigen hinter den Kulissen auf 01 normalisieren, um sie auf eine gleichberechtigtere Grundlage zu stellen. |
| Und für die einzelnen Antworten, die hier einfließen, werden wir jede Antwort einzeln durchlaufen, um die Grenzen für jede der Antworten innerhalb des Faktorraums zu ermitteln. |
| Und am Ende haben wir ein multivariates Tool, das eine Zufallsstruktur verwendet, die alle Antworten gleichzeitig berücksichtigt. |
| Und so werden wir sehen, wie jede der verschiedenen Optionen, die hier in der GUI, in der Benutzeroberfläche, verfügbar sind, im Algorithmus zum Ausdruck kommt. |
| Nach der Normalisierung für eine dieser kontinuierlichen Spalten besteht der erste Schritt im Prädiktor-Screening für alle kontinuierlichen und nominalen Antworten. |
| Dabei geht es darum, die Prädiktoren herauszufinden, sie sind für jede einzelne Antwort relevant. |
| Und wir haben in der Benutzeroberfläche eine Standardeinstellung von .05 für den Anteil der erklärten Varianten oder den Anteil des Beitrags jeder Variablen. In diesem Fall sehen wir also, dass X1 und X2 für die Antwort Y1 beibehalten werden und X3-Rauschen unterdrückt wird. |
| Der nächste Schritt besteht darin, einen Algorithmus für den nächsten Nachbarn auszuführen. Und wir verwenden den Standardwert 5, aber das ist eine Option, die der Benutzer umschalten kann. |
| Und es geht uns nicht so sehr darum, wie gut die Vorhersagen sind, sondern darum, dies einfach als Methode zu verwenden |
| um zu den fünf nächsten Nachbarn zu gelangen. Wie lauten die Reihen der fünf Nachbarn und wie weit sind sie entfernt? Wie groß sind die Abstände von der aktuellen Reihe? |
| Und wir werden diese Informationen über die nächsten Nachbarn verwenden, um jeden Punkt zu identifizieren, wobei die Wahrscheinlichkeit, dass jeder Punkt ein Grenzpunkt ist, ermittelt wird. |
| Wir müssen hier Split verwenden und eine andere Methode für kontinuierliche oder nominale Antworten anwenden. Bei den nominalen Antworten verketten wir die Antworten aus der aktuellen Spalte |
| zusammen mit den Antworten der fünf nächsten Nachbarn der Reihe nach in dieser Spalte „Verkettete Nachbarn verketten“. |
| Und wir haben eine einfache Heuristik, mit der wir die Grenzwahrscheinlichkeit basierend auf dieser Concat-Nachbarn-Spalte ermitteln. |
| Wenn alle Antworten gleich sind, sprechen wir von einer geringen Wahrscheinlichkeit, dass es sich um einen Grenzpunkt handelt. |
| Wenn mindestens eine der Antworten unterschiedlich ist, dann sagen wir, dass es sich mit mittlerer Wahrscheinlichkeit um eine Grenze handelt, entschuldigen Sie, um einen Grenzpunkt. |
| Und wenn zwei oder mehr Antworten unterschiedlich sind, handelt es sich mit hoher Wahrscheinlichkeit um einen Grenzpunkt. Wir erfassen auch die verwendete Zeile. In diesem Fall handelt es sich um das Grenzpaar. Das ist also der nächste Nachbar, dessen Antwort sich von der aktuellen Zeile unterscheidet. |
| Wir können diese Randwahrscheinlichkeiten in unserem ursprünglichen raumfüllenden Design darstellen. |
| Wie Jim bereits erwähnt hat, führen wir zunächst einen raumfüllenden Entwurf durch, bevor wir dieses Grenzerkundungstool ausführen, um den Raum zu erkunden und einige Antworten zu erhalten. |
| Und jetzt passen wir das an und haben die Grenzwahrscheinlichkeit dafür berechnet. Und wir können sehen, dass unsere Grenzwahrscheinlichkeiten mit den tatsächlichen Grenzen übereinstimmen. |
| Für kontinuierliche Antworten nehmen wir die kontinuierliche Antwort der fünf nächsten Nachbarn, fügen für jeden von ihnen eine Spalte hinzu und ermitteln die Standardabweichung davon. |
| Diejenigen mit den größten Standardabweichungen der Nachbarn sind die Punkte, die in den Bereichen mit dem steilsten Gradienten liegen, und diese sind mit größerer Wahrscheinlichkeit unsere Grenzpunkte. |
| Wir multiplizieren auch die Standardabweichung mit der mittleren Entfernung, um unsere Informationsmetrik zu erhalten. |
| Denn was das bewirkt, ist, dass für zwei Punkte, die eine gleiche Standardabweichung der Nachbarn haben, derjenige höher gewichtet wird, der sich in einem dünner besiedelten Bereich befindet, in dem bereits weniger Punkte vorhanden sind. |
| Jetzt haben wir also diese kontinuierliche Informationsmetrik und müssen herausfinden, wie wir sie für jeden Punkt in hohe, mittlere und niedrige Wahrscheinlichkeiten aufteilen können. |
| Was wir also tun, ist, dass wir in den Vertrieb passen. Wir passen eine normale Dreiermischung an und verwenden den Mittelwert als größte Verteilung als Grenzwert für die Punkte mit hoher Wahrscheinlichkeit. |
| Und wir verwenden den Schnittpunkt der Dichten der größten und zweitgrößten Normalverteilung als Grenzwert für die Punkte mit mittlerer Wahrscheinlichkeit. |
| Sobald wir diese Grenzwerte identifiziert haben, wenden wir sie an, um unsere Grenzwahrscheinlichkeitsspalte zu bilden. |
| Und wir behalten auch die verwendete Zeile bei, die am nächsten liegt. In diesem Fall handelt es sich bei den kontinuierlichen Antworten um den Nachbarn, dessen Antwort sich im absoluten Wert am stärksten von der aktuellen Rolle unterscheidet. |
| Nun haben wir sowohl für die kontinuierliche als auch für die nominale Antwort die gleiche Ausgabe. Wir haben die Grenzwahrscheinlichkeit und die verwendete Zeile. Nachdem wir nun die Grenzpunkte identifiziert haben, |
| Wir müssen damit in der Lage sein, neue Punkte entlang der Grenze zu generieren. |
| Also die erste und in mancher Hinsicht beste Methode |
| Für das Anvisieren und Vergrößern der Grenze nennen wir die Mittelpunktmethode. Und was wir für jedes Grenzpaar tun, jede Zeile und ihre Zeilenverwendung, ihren nächsten Nachbarn |
| bereits zuvor identifiziert ... Es tut mir leid, also nicht der nächste Nachbar, sondern der Nachbar, der entweder im Hinblick auf den Unterschied in der nominalen Reaktion oder am unterschiedlichsten im Hinblick auf die kontinuierliche Reaktion am relevantesten ist. |
| Für die kontinuierlichen Faktoren nehmen wir den Durchschnitt der Koordinaten für jeden dieser beiden Punkte, um den Mittelpunkt zu bilden. Und das sehen Sie in der Grafik hier. Also würden wir einen Punkt setzen |
| am roten Kreis. Bei nominalen Faktoren nehmen wir für die Randpaare die Stufen dieses Faktors |
| die in jedem der beiden Punkte vorhanden sind und wir wählen zufällig einen davon aus. Das Schöne daran ist, dass, wenn beide gleich sind, der Mittelpunkt auch für diesen Nominalfaktor für diese beiden Punkte auf dem gleichen Niveau liegt. |
| Eine zweite Methode, die wir Störungsmethode nennen, besteht darin, einfach eine zufällige Abweichung zu jedem der identifizierten Grenzpunkte hinzuzufügen. |
| Für die hohe Grenze ... Punkte mit hoher Wahrscheinlichkeit fügen wir also zwei solcher Störungspunkte für das Medium hinzu, wir fügen einen hinzu. |
| Und dazu fügen wir für die kontinuierlichen Faktoren eine zufällige Abweichung hinzu. Normal bedeutet 0; Standardabweichung, .075 im normalisierten Raum, und dieser .075 ist etwas, das Sie skalieren können |
| innerhalb der Benutzeroberfläche, um die Ausbreitung um die Grenze herum entweder zu erhöhen oder zu verringern. |
| Und was wir dann für nominale Faktoren tun, ist, dass wir ... wir wählen zufällig eine Stufe jedes nominalen Faktors aus. Nun zur hohen Wahrscheinlichkeit... |
| Bei Grenzpunkten mit hoher Wahrscheinlichkeit, die einen zweiten Störungspunkt erhalten, beschränken wir im zweiten die nominalen Faktoreinstellungen so, dass sie alle denen des ursprünglichen Punkts entsprechen. |
| Wir führen also diesen Prozess durch, bei dem wir die Grenze identifizieren und die Mittelpunkte und Störungspunkte für jede der im Grenz-Explorer angegebenen Antworten erstellen. |
| Sobald wir das getan haben, verketten wir alles miteinander und schauen uns dann alle Mittelpunkte an, die für alle Antworten identifiziert wurden. |
| und verwenden Sie nun eine multivariate Technik, um zusätzliche Läufe zu generieren. Weil der Benutzer angeben kann, wie viele Läufe er möchte, und diese Mittelpunkt- und Störungsmethoden nur eine feste Anzahl von Läufen generieren und abhängig von der |
| Ich schätze, man könnte sagen, die Lage des Landes, für die Daten. |
| Was wir also tun, ähnelt dem Gap-Filling-Design, bei dem wir alle identifizierten Störungen und Mittelpunkte für alle Antworten verwenden |
| und wir füllen den gesamten Raum mit dem raumfüllenden Design der Kandidatenpunkte. Wir haben die Kandidatenpunkte in einem kontinuierlichen Indikator mit 0, die Mittelpunkte mit 1 und die Störungspunkte mit 0,01 gekennzeichnet. |
| Wir passen einen zufälligen Wald an diesen Indikator an. Und dann werfen wir einen Blick darauf. Wir speichern die Vorhersagen für die Füllpunkte des Kandidatenraums |
| und dann nehmen wir die Kandidatenläufe mit den größten Vorhersagewerten dieses Grenzindikators. |
| Und das sind diejenigen, die wir mit dieser Random-Forest-Methode hinzufügen. Da es sich nun um eine multivariate Methode handelt, wird ein Bereich Ihres Designraums, der eine Grenze für mehrere Antworten darstellt, besonders hervorgehoben und erhält zusätzliche Durchläufe. |
| Hier sehen Sie also die drei Arten von Punkten zusammen. |
| Um noch einmal zu betonen, was Jim gesagt hat: Dies muss in mehreren Iterationen geschehen, also würden wir diese Informationen von unserem Boundary Explorer-Tool sammeln |
| und verketten Sie es dann wieder mit dem ursprünglichen Datensatz. Und nachdem wir diese Antworten erhalten haben, führen Sie Boundary Explorer erneut aus, und es wird passieren |
| Kontinuierlich über die Iterationen hinweg, vergrößern Sie die Grenzen und Auswirkungen und finden Sie möglicherweise sogar noch mehr Grenzen. Daher sind die Störungspunkte am nützlichsten |
| Bei frühen Iterationen, wenn Sie noch den Weltraum erkunden, sind sie weiter verteilt, und die Random-Forest-Methode ist für spätere Iterationen besser, weil |
| Es stehen mehr Mittelpunkte zur Verfügung, da nicht nur die Mittelpunkte der aktuellen Iteration, sondern auch die zuvor aufgezeichneten verwendet werden. Wir haben eine Spalte in der Datentabelle, die den Typ des hinzugefügten Punkts aufzeichnet. Daher werden wir auch alle vorherigen Mittelpunkte verwenden. |
| Wenn wir also unser Oberflächendiagramm für dieses Beispiel, das wir uns angesehen haben, auf eine Stufenfunktion anwenden, können wir sehen, dass unsere neuen Punkte, Mittelpunkte und Störungspunkte alle entlang der Klippen fallen, die die Grenzen darstellen, was wir wollten um zu sehen. |
| Die letzten beiden Optionen für die Benutzeroberfläche oder zur Anzeige dieser Lückenfüllung werden also ausgeführt, und wir können sie auch auffordern, das globale Min.-Max.-Ziel festzulegen oder das Ziel für alle kontinuierlichen Faktoren abzugleichen, sofern dies als Spalteneigenschaft festgelegt ist. |
| Um hier nur ein letztes Beispiel zu zeigen: Wir haben dieses Beispiel, in dem wir diese beiden Schluchten durch eine Ebene mit einer Art tiefem Brunnen an der Kreuzung dieser beiden Schluchten haben. |
| Und wir haben die anfänglichen Raumfüllpunkte durchlaufen, die angezeigt werden, um eine Vorstellung von der Reaktion zu bekommen. Und wenn wir zwei Iterationen unseres Boundary Explorer-Tools ausführen, |
| Hier werden alle neuen Punkte platziert und wir können die Lücken in der Mitte dieser beiden Linien sehen. Was sind das für Lücken? |
| Wenn wir einen Blick auf das Oberflächendiagramm werfen, sind diese Lücken die Böden des Canyons, wo es dort unten nicht wirklich steil ist. Es ist also flach, sogar lokal über eine kleine Region, |
| aber alle diese Punkte, alle diese Mittelpunkte, |
| wurden nicht auf den Flugzeugen, sondern auf den steilen Klippen platziert, wo wir es wollten. Und hier schalten wir die Mindestpunkte ein und aus und Sie können sehen, dass sie dort den Boden des Brunnens erreichen. So konnten wir auch das Minimum anvisieren. |
| Unser Tool präsentiert also zwei unterschiedliche, zwei diskrete |
| Optionen, ein neues Werkzeug. Wir wollen die Lückenfüllung, die für jede Datentabelle verwendet werden kann, in der Codierungseigenschaften für die kontinuierlichen Faktoren festgelegt sind. |
| Und dann kann das Grenz-Explorer-Tool verwendet werden, um Läufe hinzuzufügen, die nicht den Faktorraum selbst, sondern die Reaktion betrachten, um auf die Bereiche mit hohem Gradienten und hoher Änderung abzuzielen, um zusätzliche Läufe hinzuzufügen . |
