Vocero | Transcripción |
| James Wisnowski | Bienvenido equipo de descubrimiento. A Andrew Carl y Darryl Ahner y a mí nos gustaría y estamos entusiasmados de presentar dos nuevas técnicas de muestreo, muestreo adaptativo y |
| Realmente va a proporcionar a algunos practicantes una utilidad maravillosa en términos de mejorar el diseño de experimentos. Y lo que quiero hacer es repasar un par de nuestros |
| Procesos Aquí en adelante he estado hablando de cómo surgió todo esto. Pero cuando pensamos en DOE y diseños de aumento, ya existe una capacidad sólida en JMP. |
| Entonces, lo que hemos descubierto al trabajar con algunos estudios de simulación a muy gran escala es que nos falta una pieza aquí. |
| diseños de llenado de brechas y diseño de muestreo adaptativo. Y el |
| El punto clave será que los diseños de muestreo adaptativos se centrarán en la respuesta. |
| Entonces, esto es bastante diferente de cuando piensas en un diseño estándar en el que aumentas y miras el espacio de diseño y miras la matriz X. Ahora vamos a tener en cuenta los objetivos o las respuestas. Entonces esto realmente terminará |
| proporcionando una capacidad completamente nueva para que podamos probar muestras adicionales donde está la emoción. Por eso queremos estar en una región de alto gradiente, muy parecida a la que se podría pensar en la metodología de superficie de respuesta, tan profunda como el ascenso. |
| Ahora vamos a automatizar eso en términos de poder hacer esto con muchas variables y miles de ejecuciones en la simulación. |
| La buena noticia es que esto también se reduce bastante bien para el practicante con diseños pequeños. |
| Y haré un repaso rápido de nuestro complemento que les mostraremos, y luego Andrew hablará un poco sobre los detalles técnicos de esto. |
| Así que una cosa por la que quiero disculparme es que esto se centrará bastante en PowerPoint en lugar del complemento JMP. |
| por dos razones... debería decir, en lugar de la demostración de JMP... por dos razones, principalmente porque nuestro |
| Al mismo tiempo, tenemos mucho material que analizar, pero también nuestra utilización de JMP está realmente en el algoritmo que estamos creando en este muestreo adaptativo. Entonces |
| En última instancia, el apuntar y hacer clic de JMP es una interfaz de usuario muy simple que hemos desarrollado, pero ¿qué hay detrás de escena? |
| y el algoritmo, es realmente el poder de JMP aquí, así que. Muy rápido, el diseño de relleno de huecos, bastante claro. Podemos ver que hay algunas lagunas aquí, tal vez esto sea un poco exagerado y demuestra la técnica. |
| aunque en realidad es posible que tengamos una gran cantidad de factores con los que la maldición de la dimensionalidad puede entrar en juego y usted tiene estos agujeros en su diseño. |
| Y como pueden ver, podríamos aumentarlo con este diseño que llena el espacio, que es una especie de caballo de batalla. |
| en el aumento de gran parte de nuestro trabajo, particularmente en llamadas de estimulación y no se ve tan mal. Si miramos esos puntos azules que son los nuevos |
| puntos, los puntos que hemos agregado, no se ve tan mal. Y luego, si empiezas a mirar quizás un poco más de cerca, podrás ver que comenzamos a replicar muchos de ellos. |
| eso ya lo hemos hecho y tal vez no llenamos esos agujeros tanto como pensábamos, particularmente cuando quitamos el color azul y podemos ver eso |
| todavía hay una buena cantidad de lagunas allí. Entonces, mientras desarrollamos el muestreo adaptativo, reconocemos que una parte de eso es que necesitábamos llenar algunos vacíos. |
| en muchos de estos diseños. Y se nos ocurrió un algoritmo en nuestra herramienta, nuestro complemento, llamado explorador de límites que hará esto en particular... |
| Para cualquier diseño, realizará esta función particular para rellenar los huecos y podrá ver dónde podría tener mucha utilidad en muchas aplicaciones diferentes. |
| Entonces, en esta diapositiva o gráfico en particular, podemos ver que esos puntos azules ahora quizás estén más concentrados para los hoyos y hay algunos que están dispersos por el resto de la región. Pero incluso cuando vamos al... |
| Puedes colorearlo para que luzca mucho más uniforme, hemos llenado ese espacio muy bien. |
| Esa era más bien una utilidad que necesitábamos para nuestro objetivo general aquí, que era un muestreo activo. Y la aplicación principal que encontramos para esto |
| fueron los sistemas autónomos, que han generado mucho revuelo y mucha producción y prueba, particularmente en el Departamento de Defensa. |
| Entonces, en los sistemas autónomos, puedes pensar que en realidad hay dos elementos principales cuando lo piensas. En los sistemas autónomos realmente lo que estás viendo es si realmente necesitas |
| algún sensor para que el sistema sepa dónde está. Y luego el algoritmo o software para reaccionar ante eso. Entonces es una especie de sensor. |
| integración de software de algoritmos en la que nos centramos principalmente. Y lo que eso impulsa es un modelo de simulación muy complejo que honestamente necesita ser |
| ejecutar muchos, muchos miles de veces. Pero lo más importante es que lo que hemos encontrado es que en estos sistemas autónomos existen estos límites que tenemos en el rendimiento. |
| Así, por ejemplo, tenemos un ejemplo de líder-seguidor del ejército. Allí es donde un soldado conduciría un vehículo fuertemente blindado. |
| camión en un convoy y luego el resto del convoy sería autónomo, no tendrían soldados en ellos. |
| O piense quizás en el último Tesla, la camioneta, donde tiene navegación automática, ¿verdad? Entonces, la idea es que estamos buscando probar estos sistemas y tenemos que terminar haciendo muchas pruebas. Y lo que pasa es |
| por ejemplo, tal vez incluso en este Tesla, que podrías estar a 30 millas por hora, puedes estar bien y esquivar un obstáculo. Pero en 30.1 tendrías que hacer una maniobra evasiva que está fuera de las especificaciones del algoritmo. Entonces |
| de eso hablamos cuando decimos que estos límites están ahí fuera. son muy empinados |
| cambios en la respuesta, regiones de gradiente muy alto. Y ahí es donde queremos centrar nuestra atención. |
| No estamos tan interesados como en una especie de superficie plana, en realidad es donde está la parte interesante, ahí es donde nos gustaría hacerlo. |
| Y, sinceramente, lo que encontramos es que cuanto más repetimos esto, mejor se vuelve nuestra solución. Nosotros completamente |
| Recomiendo hacer esto como un proceso iterativo. Por lo tanto, esa es la parte adaptativa de esto: hacer sus pruebas y luego generar algunos puntos buenos nuevos y luego ver cuáles son esas respuestas y luego adaptar su próximo conjunto de ejecuciones a ellas. |
| Ese es nuestro muestreo adaptativo. |
| En cierto modo, la idea de esto, la génesis, surgió de un trabajo que hicimos con los laboratorios de física aplicada de la Universidad Johns Hopkins. Están haciendo un trabajo realmente bueno con los militares y |
| Mientras lo revisaba en uno de sus artículos de revista, pensé, ya sabes, esto es fantástico en términos de lo que estás haciendo, e incluso podríamos usar JMP para encontrar una solución que fuera más accesible para muchos de los practicantes. Porque el problema con |
| Johns Hopkins es que es muy específico y es algo...integrar, no es algo que sea muy |
| accesible para los equipos de prueba más pequeños. Por eso queremos dar... poner esto en manos de personas que puedan usarlo de inmediato. |
| Este artículo del Journal of Systems and Software es una especie de fuente de nuestro explorador de límites. Y resulta que utilizamos muchas de las buenas ideas, pero pudimos encontrar diferentes enfoques y |
| y otros métodos. En particular, usando capacidades nativas en JMP Pro, así como algunos desarrollos, como el diseño de llenado de espacios que hicimos a lo largo del camino. |
| Ahora, |
| En términos de este problema de ejemplo, probablemente sea mejor que simplemente lo explique. |
| justo en una demostración aquí. Entonces, si miro un gráfico aquí, puedo ver que... usaré esto... simplemente regresaré al ejemplo de Tesla. Entonces digamos que estoy haciendo una actividad de tipo navegación automática y tengo dos factores de entrada y digamos que tal vez |
| Tenemos velocidad y densidad de tráfico. Entonces estamos pensando en este algoritmo de Tesla. Quiere incorporarse al carril de la izquierda, así que debería decir, ya sabes, pasar. Entonces tiene que fusionarse. Entonces, uno de ellos sería la velocidad a la que va el Tesla y el otro podría ser la densidad del tráfico. |
| Y luego tal vez en esta área tengamos un número más bajo. Así que podemos pensar en estos números del 2 al 10, tal vez incluso podríamos pensar en las respuestas, tal vez incluso como una probabilidad de colisión. |
| Entonces, a baja velocidad/baja densidad, tenemos una probabilidad muy baja de colisión, pero aquí arriba, a alta velocidad/ |
| alta densidad, entonces tienes una probabilidad muy alta. Pero el punto es que lo que he resaltado y seleccionado aquí, puedes ver que hay una pendiente muy empinada. |
| diferencias en el desempeño a lo largo de la región fronteriza. Entonces, a medida que hacemos la simulación, comenzaríamos a hacer más y más pruebas de software para el algoritmo, |
| Notaremos que realmente no nos sirve de mucho conseguir más puntos aquí abajo. Sabemos que nos va bien en baja densidad y baja velocidad. Lo que realmente queremos hacer es trabajar en el área dentro de los límites aquí. Entonces ese es nuestro problema, |
| ¿Cómo puedo generar 200 puntos nuevos que realmente seguirán mis condiciones de contorno aquí? |
| Ahora, aquí lo que he hecho es que realmente tengo X1 y X2, nuevamente, piensa en la velocidad y... |
| nuestra velocidad así como la densidad. Y luego agregué una variable predictiva aquí que no significa nada. Y luego está nuestra respuesta. Entonces, para hacer esto, todo lo que tengo que hacer es ingresar al explorador de límites y al muestreo adaptativo, |
| Mis dos respuestas (y puede tener tantas respuestas como necesite) y luego aquí están mis tres factores de entrada. Y luego tengo algunas configuraciones aquí, ya sea que quiera apuntar al mínimo y máximo global o no, mostrar el límite. |
| Y, en última instancia, también les mostraremos que aquí tienen cierto control. Entonces, lo que sucede en este algoritmo es si realmente estamos buscando, ¿qué están haciendo los vecinos más cercanos? Si todos los vecinos más cercanos tienen la misma respuesta, como en probabilidad cero de tener |
| un accidente, ese no es un lugar muy interesante. Quiero ver dónde hay grandes diferencias. Y ahí es donde ese vecino más cercano |
| entra en juego. Así que seguiré adelante y ejecutaré esto. Y lo que estamos viendo allí es que podemos ver ahora mismo que el algoritmo utilizó la capacidad nativa de JMP para la detección de predicciones y |
| Afortunadamente, no utiliza la distribución normal. Puedes ver que está ejecutando el bosque de arranque. Andrew va a hablar sobre dónde se usó eso. |
| Y ultimamente |
| Lo que vamos a hacer aquí es generar un conjunto completo de nuevos puntos que, con suerte, deberían caer a lo largo del límite. Así que me tomó, ya sabes, aproximadamente 30 segundos hacer estos puntos y desde aquí puedo seguir adelante y detenerme. |
| mis nuevos puntos. Entonces puedes ver que mis nuevos puntos están más o menos a lo largo de esos límites, probablemente se vean más fácilmente si sigo adelante y pongo el otro. |
| unos. |
| Así que aquí mismo, tal vez lo haga. |
| Cambia el color aquí muy rápido. |
| Y seguiré adelante y mostraré quizás el punto medio de la perturbación. |
| Así que ahora podemos ver dónde están todos los puntos nuevos. Entonces, los que están un poco sombreados, esos son los que eran originales y ahora estamos viendo todos mis nuevos puntos que se han generado en ese límite. |
| Entonces, por supuesto, la pregunta es, ¿cómo, cómo hicimos eso? |
| Entonces lo que haré es regresar a mi presentación. |
| Y a partir de ahí, le daré la palabra a Andrew, quien dará un poco más de detalles técnicos en términos de cómo encontrar estos puntos límite porque no es tan simple como pensábamos. |
| andres karl | Bueno. Gracias, Jim. Voy a comenzar hablando sobre cómo llenar el vacío muy rápido porque también hemos puesto esto además de integrarlo en la herramienta bestia general. |
| También es una herramienta independiente. Entonces tiene una interfaz bastante simple donde seleccionamos las columnas que definimos el espacio que vamos a llenar. |
| Y para factores continuos, lee en la propiedad de la columna de codificación para obtener los valores alto y bajo y también puede tomar factores nominales. |
| Además, si ha generado esto a partir de un diseño personalizado o un diseño de relleno de espacio y tiene combinaciones no permitidas, se leerá en el script de combinación no permitida. |
| y solo llene los espacios dentro del espacio permitido. Entonces, el usuario especifica sus columnas, así como la cantidad de ejecuciones nuevas que desea. |
| Y permítanme mostrarles un ejemplo realmente rápido en un espacio de dimensiones superiores. Este es un caso de tres dimensiones. Tenemos un cubo del que sacamos un cilindro hueco y realizamos el proceso de agregar estos recorridos de llenado de huecos, y los encenderemos juntos para ver cómo encajan. |
| Y luego también apaga el color y a ver qué pasa. |
| Entonces esto es bueno porque en el espacio de dimensiones superiores, podemos llenar estos vacíos que ni siquiera necesariamente pudimos ver en los gráficos variables. ¿Entonces como hacemos esto? |
| Entonces, lo que hacemos es tomar los puntos originales, que en este caso ahora están coloreados en rojo en lugar de negro y podemos ver dónde estaban esos dos espacios. |
| y superponemos un conjunto candidato de tramos de un diseño de relleno de espacio para todo el espacio. |
| Agregamos para las tablas de datos concatonadas de las ejecuciones candidatas antiguas y nuevas, tenemos una columna indicadora, una columna indicadora continua, etiquetamos los puntos antiguos con 1 y etiquetamos el punto candidato con 0. Y en este espacio concatenado, ahora caben los 10 vecinos más cercanos. |
| modelo a la columna del indicador y guardamos las predicciones de esto. Entonces el candidato corre con las predicciones más pequeñas, en este caso, azul, |
| son los puntos de brecha que queremos agregar al diseño. Ahora bien, si hacemos esto de una sola vez, lo que tiende a hacer es exagerar las brechas más grandes. Entonces lo que hacemos es realmente hacer esto en un |
| proceso diez veces mayor, donde tomaremos una décima parte de nuestros nuevos puntos, los seleccionaremos como vemos aquí, y luego los agregaremos y luego volveremos a ejecutar nuestro algoritmo k-vecino más cercano para seleccionar algunos puntos nuevos y completar todos los espacios. más uniformemente. |
| Entonces esa es solo una opción... llenar espacios es una opción disponible dentro del explorador de límites. |
| Entonces Jim demostró que podemos usar cualquier número de respuestas, cualquier número de factores y que podemos tener respuestas continuas y nominales y factores continuos y nominales. |
| El hecho... los factores continuos que entran, vamos a normalizarlos detrás de escena a 01 para ponerlos en pie de igualdad. |
| Y para las respuestas individuales que entran en esto, vamos a recorrer individualmente cada respuesta para encontrar los límites de cada una de las respuestas dentro del espacio factorial. |
| Y al final, tenemos una herramienta multivariada que utiliza un bosque aleatorio que considera todas las respuestas a la vez. |
| Y entonces veremos cómo cada una de las diferentes opciones disponibles aquí en la GUI, en la interfaz de usuario, aparece dentro del algoritmo. |
| Entonces, después de la normalización para cualquiera de estas columnas continuas, el primer paso es la selección de predictores para todas las respuestas tanto continuas como nominales. |
| Y lo que hay que hacer es descubrir los predictores, son relevantes para cada respuesta particular. |
| Y tenemos una configuración predeterminada en la interfaz de usuario de 0,05 para la proporción de variantes explicadas o la parte de la contribución de cada variable. Entonces, en este caso, vemos que X1 y X2 se retienen para la respuesta Y1 y se rechaza el ruido X3. |
| El siguiente paso es ejecutar un algoritmo de vecino más cercano. Y usamos el valor predeterminado 5, pero esa es una opción que el usuario puede alternar. |
| Y no estamos tan preocupados por qué tan bien predice esto, sino simplemente usarlo como un método. |
| para llegar a los cinco vecinos más cercanos. ¿Cuáles son las filas de los cinco vecinos vecinos y a qué distancia están? ¿Cuáles son las distancias desde la fila actual? |
| Y vamos a utilizar esta información de los vecinos más cercanos para identificar cada punto, la probabilidad de que cada punto sea un punto límite. |
| Tenemos que usar split aquí y hacer un método diferente para respuestas continuas o nominales. Para las respuestas nominales, lo que hacemos es concatenar la respuesta de la columna actual. |
| junto con las respuestas de los cinco vecinos más cercanos en orden, en esta columna de concatenar vecinos. |
| Y tenemos una heurística simple que utilizamos para identificar la probabilidad límite en función de esa columna de vecinos concat. |
| Si todas las respuestas son iguales, decimos que es baja probabilidad de ser un punto límite. |
| Si al menos una de las respuestas es diferente, entonces decimos que tiene una probabilidad media de ser un límite, perdón, un punto límite. |
| Y si dos o más respuestas son diferentes, tiene una alta probabilidad de ser un punto límite. También registramos la fila utilizada. En este caso, ese es el par de límites. Entonces ese es el vecino más cercano que tiene una respuesta diferente a la fila actual. |
| Podemos trazar esas probabilidades de límites en nuestro diseño de relleno de espacio original. |
| Entonces, como Jim mencionó al principio, tenemos... inicialmente ejecutamos un diseño de llenado de espacio antes de ejecutar esta herramienta de exploración de límites para... explorar el espacio y obtener algunas respuestas. |
| Y ahora encajamos eso y calculamos la probabilidad límite para estos. Y podemos ver que nuestras probabilidades de límites coinciden con los límites reales. |
| Para respuestas continuas tomamos la respuesta continua de los cinco vecinos más cercanos, agregamos una columna para cada uno de ellos y tomamos la desviación estándar de ellos. |
| Los que tienen las mayores desviaciones estándar de los vecinos son los puntos que se encuentran en las áreas de gradiente más pronunciadas y es más probable que sean nuestros puntos límite. |
| También multiplicamos la desviación estándar por la distancia media para obtener nuestra métrica de información, |
| porque lo que eso hace es que para dos puntos que tienen una desviación estándar igual de vecinos, aumentará el peso del que está en una región más dispersa con menos puntos que ya están allí. |
| Ahora tenemos esta métrica de información continua y tenemos que descubrir cómo dividirla en probabilidades alta, media y baja para cada punto. |
| Entonces lo que hacemos es encajar en la distribución. Encajamos en una mezcla normal de tres y utilizamos la media como la distribución más grande como límite para los puntos de alta probabilidad. |
| Y utilizamos la intersección de las densidades de la distribución normal más grande y la segunda más grande como límite para los puntos de probabilidad media. |
| Entonces, una vez que hemos identificado esos límites, los aplicamos para formar nuestra columna de probabilidad límite. |
| Y también conservamos la fila utilizada, que es la más cercana. En este caso, para las respuestas continuas, ese es el vecino que tiene la respuesta más diferente en valor absoluto del rol actual. |
| Entonces ahora tanto para las respuestas continuas como para las nominales tenemos el mismo resultado. Tenemos la probabilidad límite y la fila utilizada. Ahora que hemos identificado los puntos límite, |
| Necesitamos poder usarlo para generar nuevos puntos a lo largo del límite. |
| Entonces, el primer método y, en cierto modo, el mejor. |
| para apuntar y acercar el límite es lo que llamamos método del punto medio. ¿Y qué hacemos para cada par de límites, cada fila y su uso de fila, su vecino más cercano? |
| identificado anteriormente... Lo siento, entonces no el vecino más cercano sino el vecino que es más relevante ya sea en términos de diferencia en la respuesta nominal o más diferente en términos de respuesta continua. |
| Para los factores continuos tomamos el promedio de las coordenadas de cada uno de esos dos puntos para formar el punto medio. Y eso es lo que ves en el gráfico aquí. Entonces pondríamos un punto |
| en el círculo rojo. Para los factores nominales, lo que hacemos es para los pares de límites tomar los niveles de ese factor. |
| que están presentes en cada uno de los dos puntos y elegimos uno de ellos al azar. Lo bueno de esto es que si ambos son iguales, significa que el punto medio también será el mismo nivel para ese factor nominal para esos dos puntos. |
| Un segundo método al que llamamos método de perturbación consiste simplemente en agregar una desviación aleatoria a cada uno de los puntos límite identificados. |
| Entonces, para el límite alto... puntos de alta probabilidad, agregamos dos de esos puntos de perturbación para el medio, agregamos uno. |
| Y para ese, sumamos, para los factores continuos, sumamos una desviación aleatoria. Normal significa 0; desviación estándar, .075 en el espacio normalizado, y ese .075 es algo que puedes escalar |
| dentro de la interfaz de usuario para aumentar o reducir la cantidad de dispersión alrededor del límite. |
| Y luego, para los factores nominales, lo que hacemos es tomar... elegimos aleatoriamente un nivel de cada uno de los factores nominales. Ahora la alta probabilidad... |
| puntos límite de alta probabilidad que obtienen un segundo punto de perturbación, lo que hacemos es en el segundo restringir esas configuraciones de factores nominales para que sean todas iguales a las del punto original. |
| Entonces hacemos este proceso de identificar el límite y crear los puntos medios y los puntos de perturbación para cada una de las respuestas especificadas en el explorador de límites. |
| Una vez que hacemos eso, concatenamos todo y luego veremos todos los puntos medios identificados para todas las respuestas. |
| y ahora utilice una técnica multivariada para generar ejecuciones adicionales. Debido a que el usuario puede especificar cuántas ejecuciones desea y estos métodos de punto medio y perturbación solo generan un número fijo de ejecuciones y dependiendo del |
| la disposición del terreno, supongo que se podría decir, para los datos. |
| Entonces, lo que hacemos es algo similar al diseño de llenado de espacios donde tomamos todas las perturbaciones identificadas y los puntos medios para todas las respuestas. |
| y llenamos todo el espacio con el diseño de relleno de espacio de puntos candidatos. Etiquetamos los puntos candidatos con 0 en un indicador continuo, los puntos medios con 1 y los puntos de perturbación con .01. |
| Ajustamos un bosque aleatorio a este indicador. Y luego echamos un vistazo. Guardamos las predicciones para los puntos de relleno del espacio candidato. |
| y luego tomamos las carreras candidatas con los mayores valores predictivos de este indicador de límite. |
| Y esos son los que agregamos usando este método de bosque aleatorio. Ahora bien, dado que este es un método multivariado, si tiene un área de su espacio de diseño que es un límite para múltiples respuestas, recibirá énfasis adicional y ejecuciones adicionales. |
| Aquí se muestran los tres tipos de puntos juntos. |
| Ahora, nuevamente, para enfatizar lo que dijo Jim, esto debe suceder en múltiples iteraciones, por lo que recopilaríamos esta información de nuestra herramienta de exploración de límites. |
| y luego concatenarlo nuevamente en el conjunto de datos original. Y luego, después de tener esas respuestas, volvemos a ejecutar el explorador de límites y aparecerá |
| continuamente a lo largo de las iteraciones, amplíe los límites y los impactos, posiblemente incluso encuentre más límites. Entonces los puntos de perturbación son más útiles. |
| para las primeras iteraciones cuando todavía estás explorando el espacio, están más dispersas y el método del bosque aleatorio es mejor para iteraciones posteriores, porque |
| Tendrá más puntos medios disponibles porque utiliza no sólo los de la iteración actual, sino también los registrados anteriormente. Tenemos una columna en la tabla de datos que registra el tipo de punto que se agregó. Así que también usaremos todos los puntos medios anteriores. |
| Entonces, si colocamos nuestro gráfico de superficie para este ejemplo que hemos estado viendo para una función escalonada, podemos ver que nuestros nuevos puntos, los puntos medios y los puntos de perturbación caen a lo largo de los acantilados, que son los límites, que es lo que queríamos. para ver. |
| Entonces, las dos últimas opciones para la interfaz de usuario o para indicar esas ejecuciones de llenado de espacios y también podemos pedirle que apunte al mínimo máximo global o que coincida con el objetivo para cualquier factor continuo, si está configurado como una propiedad de columna. |
| Sólo para mostrar un ejemplo final aquí, tenemos este ejemplo en el que tenemos estos dos cañones a través de un plano con una especie de pozo profundo en la intersección de estos. |
| Y hemos ejecutado los puntos de llenado del espacio inicial, que son los puntos que se muestran para tener una idea de la respuesta. Y si ejecutamos dos iteraciones de nuestra herramienta de exploración de límites, |
| Aquí es donde se colocan todos los puntos nuevos y podemos ver los espacios en medio de estas dos líneas. ¿Cuáles son esas lagunas? |
| Si echamos un vistazo al gráfico de la superficie, esos espacios son los pisos del cañón, donde en realidad no hay mucha pendiente. Entonces es plano, incluso localmente en una pequeña región, |
| pero todos estos puntos, todos estos puntos medios, |
| No se han colocado en los planos, sino en los escarpados acantilados, que es donde queríamos. Y aquí estamos activando y desactivando los puntos mínimos y pueden ver que están tocando el fondo del pozo. Así que también pudimos alcanzar el mínimo. |
| Entonces nuestra herramienta presenta dos distintos, dos discretos |
| Opciones, nuevas herramientas. Queremos el relleno de espacios que se pueda utilizar en cualquier tabla de datos que tenga propiedades de codificación establecidas para los factores continuos. |
| Y luego, la herramienta de exploración de límites que se puede usar para agregar, hacer ejecuciones que no miran el espacio de factores por sí solo, sino que miran la respuesta para apuntar al gradiente alto... áreas de alto cambio para agregar ejecuciones adicionales. . |
