21993_ko-KR

liliconcom

DOE 및 더 나은 모델 구축 - 튜토리얼 및 프레젠테이션 슬라이드<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />

JMP 연방 정부 사용자 리소스 페이지로 돌아가기

• 튜토리얼 및 프리젠테이션: (이러한 문서는 페이지 하단에서 다운로드할 수 있습니다.)

  • 더 나은 모델 구축 – 튜토리얼 597

    • 다양한 사례 연구를 통해 회귀, 신경망, 의사결정 트리 등의 고급 예측 모델링 기술을 사용하여 더 우수하고 유용한 모델을 구축하는 방법을 배우게 됩니다. 과적합을 방지하기 위해 데이터를 훈련, 검증(조정) 및 테스트 세트로 분할하는 방법을 배우게 됩니다. 그리고 비교 기술을 사용하여 최상의 예측 모델을 찾는 방법을 살펴보겠습니다. 이 튜토리얼은 예측 모델링이 현재 보유한 데이터를 사용하여 내일을 더 잘 예측하는 데 어떻게 도움이 되는지 알아보는 데 관심이 있는 분석가, 과학자, 엔지니어 및 연구자를 위한 것입니다.더 나은 모델 구축 슬라이드 데크에 요약되어 있지만 아래 두 가지 사례 연구는 별도의 독립형 프레젠테이션으로 제공됩니다.

    • 사례 연구 1: 헬리콥터 비행 감시 - 컴퓨터 시뮬레이션 데이터의 대리 모델링 - WG28

      • 호송대를 위한 헬리콥터 비행 감시의 확률론적 컴퓨터 시뮬레이션에서 반군을 식별하기 위한 데이터는 여러 가지 방법을 사용하여 모델링됩니다. 식별된 반군 비율(대응)에 영향을 미치는 6가지 요소는 헬리콥터 높이, 헬리콥터 속도(호송대 기준), 헬리콥터 거리(호송대 기준), 호송 속도, AK47을 보유한 반군 수 및 반군 위장 수준입니다. 사용되는 모델에는 여러 유형의 회귀, 의사결정 트리 및 신경이 포함됩니다. 모델의 상대적인 강점, 약점 및 예측 정확도가 비교됩니다.

    • 사례 연구 2: 사이버 공격 데이터 – 앙상블 모델링을 통한 예측 개선 - WG5

      • 1998년 DARPA는 20개 이상의 공격 유형, 41개의 잠재적 원인 요인, 거의 500만 행의 데이터로 구성된 대표적인 사이버 공격 데이터 세트를 개발했습니다. 이러한 데이터와 파생 데이터는 명목형 로지스틱, 의사결정 트리, 신경 모델을 포함한 다양한 예측 모델을 사용하여 분석됩니다. 평균화 모델을 통해 공격 예측 능력이 더욱 향상될 수 있음이 입증될 것입니다. 모델 확률의 간단한 대수적 평균화와 모델이 다른 모델에 대한 입력으로 사용되는 '앙상블 모델링'을 모두 시연합니다.

• 실험 계획법을 사용한 효율적인 모델링 및 시뮬레이션 – 튜토리얼 595

  • 이 프레젠테이션에서는 실험 설계(DOE) 방법을 사용하여 최소한의 컴퓨터 시뮬레이션 실행에서 가장 유용한 정보를 추출하는 방법을 보여줍니다. 시뮬레이션 블록을 순차적으로 실행함으로써 컴퓨터 실험자는 고성능 컴퓨팅 리소스를 과도하게 활용하지 않고도 연구 중인 요인의 민감도 분석을 수행하는 데 필요한 전체적으로 최소한의 시도를 수행할 수 있습니다. 가장 큰 이점은 장기 실행(몇 시간, 며칠 또는 몇 주) 시뮬레이션을 위해 빠른 실행(초) 대리 모델을 개발할 수 있을 때 발생합니다.

  • 빠른 대리 모델을 통해 테스터와 분석가는 모델링된 프로세스를 대화형으로 쿼리하여 최적의 작동 조건이나 허용 가능한 작동 창의 한계를 찾을 수 있습니다. 그런 다음 전체 시뮬레이션을 사용하여 관심이 높은 이러한 조건을 실행하여 대리 모델을 검증하고 예측 정확도를 높일 수 있습니다. 시연된 설계 솔루션에는 이산 이벤트 및 에이전트 기반 시뮬레이션에 대한 기존 DOE 방법의 적용과 전산유체역학(CFD)과 같은 보다 복잡한 물리 기반 시뮬레이션에 대한 최신 공간 채우기 설계가 포함됩니다. 언제 사용하고 전통적인 선형 회귀 근사 방법과 공간 회귀 보간 방법 중에서 선택하는 방법에 대해 논의합니다. 대리 모델 예측의 정확성을 결정하기 위해 체크포인트 시뮬레이션을 사용하는 효과적인 방법을 시연합니다.

 

• 확정 선별 설계를 사용하여 더 적은 수의 시험에서 더 많은 정보 얻기 - 자습서 594

  • 이 튜토리얼은 테스터에게 최신의 효과적인 DOE(Design of Experiments) 스크리닝 방법을 소개하기 위한 것입니다. 참석자들은 요인을 효율적으로 선별하는 것뿐만 아니라 선별 데이터를 사용하여 2차 예측 모델을 더욱 신속하게 개발하는 방법에 대해 최근 발표된 방법에 대해 배우게 됩니다. 확정 선별 설계는 주효과뿐만 아니라 각 요인의 곡률도 탐지하는 것으로 나타났습니다. 중앙점이 포함된 경우 전역적으로 곡률만 탐지할 수 있는 기존의 부분 요인 설계보다 더 적은 수의 시도를 통해 탐지할 수 있습니다.

  • 2011년에 처음 발표된 이러한 새로운 설계는 연속 요인만 지원할 수 있었습니다. 2013년 3월에 발표된 개선 사항을 통해 이제 두 가지 수준의 범주형 요인을 지원할 수 있습니다. 중요한 요인의 수가 적은 경우 확정 선별 설계는 특성화된 프로세스에 대해 정확한 예측을 할 수 있는 반응 표면 모델을 지원할 수 있는 '일회성' 설계로 축소될 수 있습니다.
  • 단 24번의 시도만으로 10가지 요소 프로세스가 최적화된 사례 연구가 표시됩니다. 예측된 최적 조건의 체크포인트 시험에서는 공정 수율이 20% 이상 증가한 것으로 나타났습니다. 몇 가지 이상의 요인이 중요하고 설계가 일회성 설계로 축소될 수 없는 경우 기존 시험을 경제적으로 확장하여 중요한 요인의 반응 표면 모델을 지원할 수 있습니다. 이러한 대체 방법과 기존 설계를 그래픽으로 비교하면 새로운 방법이 더 적은 수의 시도로 더 많은 정보를 얻을 수 있음을 알 수 있습니다.