주문 감소 모델의 데이터 포인트는 몇 개입니까?나는 다시 한번 내가 무엇을 하고 싶은지 알고 있다고 생각하지만 질문을 올바르게 공식화하는 방법을 찾을 수 없는 상황에 처하게 되었습니다...아마도 어려움을 겪고 있는 엔지니어를 도와줄 만큼 친절한 사람이 있을까요?
저는 차수 감소 모델을 구축하려고 합니다. 저는 복잡하고 기계적인 모델을 갖고 있으며 제한된 운영 공간에서 시스템 성능을 설명하기 위한 간단한 상관관계를 개발하고 싶습니다.저는 JMP를 사용하여 "공간 채우기" 실험을 설계하고 기계 모델을 실행하여 결과 테이블을 채우는 스크립트를 작성했습니다.결과를 JMP로 가져올 수 있고 "Fit Model" 플랫폼을 통해 내 요구 사항에 맞는 상관관계를 구축하는 데 성공했습니다.
그러나 기계적인 모델은 상대적으로 느리게 실행되므로 기계적인 실행이 얼마나 적은지 알아내려고 노력하면서도 전반적으로 좋은 결과를 생성하는 동기가 부여됩니다.기존 데이터 세트를 사용하여 이에 답할 수 있어야 할 것 같습니다. 데이터를 수동으로 마스킹하고 하위 세트에 맞춘 다음 더 큰 데이터 세트에 맞는지 확인하고 보이지 않는 데이터의 r2를 비교할 수 있습니다. 예를 들어.수동으로 수행하는 것은 괜찮지만 시간이 많이 걸립니다(또는 어쩌면 제가 게으른 것일 수도 있습니다). 제가 놓친 마법 위젯이 있나요?
"신경망" 플랫폼을 사용하고 검증 세트의 r2가 상승하기 시작할 때까지 "홀드백 부분"을 늘릴 수 있을 것 같습니다.나는 "선형" 모델(비록 2차 및 교차항을 사용하더라도)을 고수하고 싶지만 그렇게 하면 한계가 추정될 것 같습니다.또한 Holdback은 한 번만 선택할 수 있는 것 같아서 해당 게임을 플레이하려면 플랫폼을 다시 시작해야 합니다.
미리 감사드립니다!
찰스
데이터 접근데이터 혼합 및 정리실험 설계예측 모델링 및 기계 학습결과 공유 및 전달Re: 주문 감소 모델의 데이터 포인트는 몇 개입니까?다시 한 번 감사드립니다, 댄.귀하의 답변을 이해하고 이에 동의합니다.
기본(기계적) 모델은 매우 비선형적이므로 문제는 2차 모델이 충분히 좋은지(또는 ~10개의 입력 매개변수 중 어떤 것이 비선형성을 보일지) 미리 확신할 수 없다는 것입니다.사실 나는 aNN이 비선형성을 포착할 가능성이 높지만 당신이 말한 것처럼 매개변수가 너무 많다는 점을 싫어합니다.
나는 aNN의 Holdback 부분이 매개변수 피팅에 직접 사용되었다는 사실을 깨닫지 못했습니다. 중지할 시기를 선택하는 데 "유일하게" 사용되는 것이라고 생각했습니다.확실히 홀드백 비율을 충분히 높이면 모델의 품질이 저하됩니다(맞춤 및 검증 모두).저는 실제로 홀드백 비율이 증가하는 루프 내에서 aNN 모델을 여러 번 실행한 다음 적합 및 검증 세트에 대한 r2를 캡처하는 귀여운 스크립트를 작성하여 모델 품질이 저하되기 시작하는 지점에 대한 느낌을 얻을 수 있었습니다. ..
어쨌든, 귀하의 도움에 진심으로 감사드립니다. 이제 DoE 플랫폼에 대해 더 많이 알게 되었고 앞으로 이런 종류의 문제를 더 잘 해결할 수 있을 것 같습니다!모델 출력이 상대적으로 매끄러울 가능성이 높다는 것을 알고 있다면 추천하신 것처럼 보다 구조화된 디자인을 사용하고 가장자리/중심점을 테스트할 것입니다.확신이 없다면 공간 채우기 디자인을 사용할 것입니다. 즉, 적합성을 얻기 위해 더 많은 데이터 포인트를 사용하지만 시스템의 비선형성을 더 잘 이해할 수 있기를 바랍니다(해당되는 경우).
모두 제일 좋다
찰스
Re: 주문 감소 모델의 데이터 포인트는 몇 개입니까?설계된 실험과 신경망의 차이는 적합한 모델과 관련이 있습니다.
신경망 모델은 매우 비선형적인 동작을 포착할 수 있습니다. 그러기 위해서는 훨씬 더 많은 데이터가 필요합니다. 그러나 결과 모델은 2차 모델보다 훨씬 더 복잡하고 "흔들립니다". 일반적으로 신경망 모델에는 많은 매개변수가 있습니다. 또한 신경망에는 (아시다시피) 홀드아웃 데이터 세트가 필요합니다. 즉, 모든 데이터가 모델 피팅에 사용되는 것은 아닙니다. 이는 또한 모델을 구축하는 데 데이터의 일부만 사용되므로 더 큰 데이터 세트가 필요하다는 것을 의미합니다. 홀드아웃 세트는 신경망 매개변수 추정을 중지할 시기를 결정하는 데 사용되므로 더 많은 비율의 데이터를 유지하는 것은 더 적은 데이터를 사용하는 것과 완전히 동일하지 않습니다. 홀드아웃 세트는 훈련 데이터보다 낮은 수준으로 여전히 사용되고 있습니다.
따라서 어떤 접근 방식이 가장 좋을지는 이 기계적 모델이 얼마나 비선형적일 것으로 기대하는지에 따라 달라집니다. 이는 비용/이익 또는 위험/보상 균형이 될 것입니다.
2차 모델이 관계를 추정하는 데 적합한 작업을 수행한다고 진정으로 믿는다면 실험 설계 접근 방식을 사용하고 데이터를 적게 사용하십시오.
신경망이 관계를 더 잘 포착할 것으로 기대한다면 신경망을 선택하세요. 하지만 더 많은 데이터가 필요하다는 대가를 치르게 됩니다.
Re: 주문 감소 모델의 데이터 포인트는 몇 개입니까?고마워요 댄. 나는 이 문제를 해결했고, 답변은 21개 사례로 돌아왔습니다(실제로 실행한 ~2200개 대신). 검정력 분석에서 모든 "검정력" 값은 1로 돌아왔으므로 이는 모델이 좋아야 함을 의미한다고 생각합니다.
그렇게 말하면서 저는 Neural 플랫폼을 사용하여 원래 2200개 케이스의 일부를 맞추었습니다. Fit을 4번 실행하는 스크립트를 설정하고 Holdback 비율을 높이면서 r2와 q2를 비교했습니다. 홀드백 비율이 <0.925일 때 둘 다 양호했습니다(4개 모델 중 최소 3개 모델에 대해 > 0.995). 0.95개의 변수를 보류했을 때(즉, 피팅에 사용된 0.05*2200 = 110개의 조건을 사용함) r2는 4개 중 3개 적합에 대해 <0.985였고 q2는 4개 중 3개에 대해 <0.97이었습니다.
Neural 플랫폼을 사용할 때 왜 더 많은 사례가 필요한지 잘 모르겠습니다. "맞춤형 디자인"은 원래 공간 채우기 디자인이 공간 전체에 분산되어 통찰력이 떨어지는 -1 / +1 패턴을 사용하는 것 같습니다.
감사해요
찰스Re: 주문 감소 모델의 데이터 포인트는 몇 개입니까?그래서 당신은 핏에 편안함을 느끼는 2차 모델을 갖게 되었습니다. 이제 비슷한 핏을 얻기 위해 실제로 몇 번의 실행이 필요한지 결정하고 싶습니다. 그렇죠? 선형 모델의 예측 값에 더 관심이 있습니까, 아니면 해당 선형 모델의 매개변수를 추정하는 데 더 관심이 있습니까? 나는 당신이 예측에 관심이 있다고 가정합니다.
그렇다면 아마도 이 접근법이 효과가 있을 것입니다. DOE > 사용자 정의 디자인을 선택합니다. 요인을 입력하세요. RSM 모델을 지정합니다(주효과, 모든 2차 상호작용 및 모든 제곱항 -- 이것이 귀하가 말한 것이라고 생각합니다). 기본 실행 횟수를 확인하세요. 디자인 만들기를 클릭합니다.
JMP는 해당 실행 횟수로 I-최적 설계(예측에 가장 적합)를 생성합니다.
출력의 전력 분석 부분을 엽니다. 예상 RMSE를 입력합니다(이미 적합한 모델의 RMSE가 됩니다). 이미 가지고 있는 선형 모델에서 예상 계수를 입력합니다. 예상 계수에 변경 사항 적용을 클릭합니다. 결과로 나타나는 검정력 수치는 이 설계가 해당 효과를 감지할 확률입니다. 이 숫자가 높기를 원할 것입니다. 얼마나 높을지는 당신에게 달려 있습니다. 충분히 높지 않으면 돌아가서 설계의 런 수를 늘립니다.
또한 디자인 공간 부분 플롯과 예측 분산 프로필을 살펴보는 것이 좋습니다. 이 그래프는 해당 실행 횟수를 사용한 모델의 예측 "정확도"를 보여줍니다. 전체 설계 공간에 걸쳐 상당히 균일한 낮은 예측 분산을 찾습니다.
이게 도움이 되길 바란다!
