21993_es-ES

liliconcom

DOE y la construcción de mejores modelos: tutoriales y diapositivas de presentación<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />

Regresar a la página de recursos para usuarios del gobierno federal de JMP

• Tutoriales y presentaciones: (Estos documentos están disponibles para descargar al final de la página).

  • Construyendo mejores modelos – Tutorial 597

    • A través de una variedad de estudios de casos, aprenderá a construir modelos mejores y más útiles con técnicas avanzadas de modelado predictivo, como regresión, redes neuronales y árboles de decisión. Aprenderá a dividir sus datos en conjuntos de entrenamiento, validación (ajuste) y prueba para evitar un ajuste excesivo. Y verá cómo utilizar técnicas de comparación para encontrar el mejor modelo predictivo. Este tutorial está dirigido a analistas, científicos, ingenieros e investigadores interesados en aprender cómo el modelado predictivo puede ayudarles a utilizar los datos que tienen hoy para predecir mejor el mañana.Aunque se resumen en la presentación de diapositivas Construyendo mejores modelos, los dos estudios de caso siguientes están disponibles como presentaciones independientes.

    • Estudio de caso 1: Vigilancia en vuelo de helicópteros: modelado sustituto de datos de simulación por computadora - WG28

      • Los datos para identificar a los insurgentes a partir de una simulación estocástica por computadora de un helicóptero que vuela para vigilar un convoy se modelan utilizando varios métodos diferentes. Los seis factores que afectan la proporción de insurgentes identificados (la respuesta) son la altura del helicóptero, la velocidad del helicóptero (en relación con el convoy), la distancia del helicóptero (desde el convoy), la velocidad del convoy, el número de insurgentes con AK47 y el nivel de camuflaje de los insurgentes. Los modelos empleados incluyen varios tipos de regresión, árbol de decisión y neuronal. Se comparan las fortalezas, debilidades y precisión de predicción relativas de los modelos.

    • Estudio de caso 2: Datos de ataques cibernéticos: mejora de la predicción con modelado de conjuntos - WG5

      • En 1998, DARPA desarrolló un conjunto de datos representativo de ataques cibernéticos con más de 20 tipos de ataques, 41 factores potencialmente causales y casi 5 millones de filas de datos. Estos y los datos derivados se analizan utilizando una variedad de modelos predictivos, que incluyen logística nominal, árboles de decisión y modelos neuronales. Se demostrará que la capacidad de predecir ataques se puede mejorar aún más mediante modelos promediados. Se demostrarán tanto el promedio algebraico simple de las probabilidades del modelo como el "modelado de conjuntos", donde los modelos se utilizan como entradas para otros modelos.

• Modelado y simulación eficientes utilizando métodos de diseño de experimentos – Tutorial 595

  • Esta presentación mostrará cómo se pueden utilizar los métodos de Diseño de Experimentos (DOE) para extraer la información más útil del menor número de ejecuciones de simulación por computadora. Al ejecutar secuencialmente bloques de simulaciones, los experimentadores informáticos pueden realizar la menor cantidad de pruebas necesarias para realizar análisis de sensibilidad de los factores que se estudian sin utilizar excesivamente los recursos informáticos de alto rendimiento. El mayor beneficio se produce cuando se puede desarrollar un modelo sustituto de ejecución rápida (segundos) para simulaciones de ejecución prolongada (horas, días o semanas).

  • El modelo sustituto rápido permite a los evaluadores y analistas consultar interactivamente el proceso modelado para encontrar condiciones operativas óptimas o las fronteras de la ventana operativa aceptable. Estas condiciones de gran interés se pueden ejecutar utilizando la simulación completa para validar el modelo sustituto y aumentar la precisión de la predicción. Las soluciones de diseño demostradas incluirán la aplicación de métodos DOE tradicionales a simulaciones basadas en agentes y eventos discretos, y diseños modernos de relleno de espacio a simulaciones basadas en física más complejas, como la dinámica de fluidos computacional (CFD). Se discutirá cuándo usar y cómo elegir entre los métodos tradicionales de aproximación de regresión lineal y los métodos de interpolación de regresión espacial. Se demostrará la práctica eficaz de utilizar simulaciones de puntos de control para determinar la precisión de las predicciones del modelo sustituto.

 

• Uso de diseños de cribado definitivos para obtener más información a partir de menos ensayos – Tutorial 594

  • Este tutorial está destinado a exponer a los evaluadores los métodos de detección de Diseño de experimentos (DOE) más recientes y eficaces. Los asistentes aprenderán sobre los métodos publicados recientemente no solo para detectar factores de manera eficiente, sino también para utilizar los datos de detección para desarrollar más rápidamente modelos predictivos de segundo orden. Se demostrará que los diseños de detección definitiva no solo detectan los efectos principales sino también la curvatura en cada factor, y lo hacen en menos pruebas que los diseños factoriales fraccionados tradicionales que, cuando se incluye un punto central, solo pueden detectar la curvatura globalmente.

  • Estos nuevos diseños, cuando se publicaron por primera vez en 2011, solo podían admitir factores continuos. Las mejoras publicadas en marzo de 2013 ahora les permiten admitir factores categóricos con dos niveles. Cuando el número de factores significativos es pequeño, un diseño de selección definitiva puede colapsar en un diseño de "un solo paso" capaz de soportar un modelo de superficie de respuesta con el que se pueden hacer predicciones precisas sobre el proceso caracterizado.
  • Se mostrará un estudio de caso en el que se optimiza un proceso de 10 factores en sólo 24 ensayos. Las pruebas de puntos de control en condiciones óptimas previstas muestran que el rendimiento del proceso aumentó en más del 20 %. En los casos en los que más de unos pocos factores son significativos y el diseño no puede colapsar en un diseño de una sola vez, las pruebas existentes pueden ampliarse económicamente para respaldar un modelo de superficie de respuesta en los factores importantes. Las comparaciones gráficas entre estos métodos alternativos y los diseños tradicionales mostrarán que los nuevos producen más información en, a menudo, menos ensayos.