通过各种案例研究，您将学习使用高级预测建模技术（例如回归、神经网络和决策树）构建更好、更有用的模型。 您将学习将数据划分为训练集、验证集（调整）和测试集，以防止过度拟合。 您将了解如何使用比较技术来找到最佳的预测模型。 本教程适用于有兴趣了解预测建模如何帮助他们使用今天拥有的数据更好地预测明天的分析师、科学家、工程师和研究人员。尽管在“构建更好的模型”幻灯片中进行了总结，但下面的两个案例研究可以作为单独的独立演示文稿提供。
使用几种不同的方法对直升机飞行监视车队的随机计算机模拟中识别叛乱分子的数据进行建模。 影响已识别叛乱分子比例（响应）的六个因素是直升机高度、直升机速度（相对于车队）、直升机距离（距车队）、车队速度、携带 AK47 的叛乱分子数量以及叛乱分子伪装等级。 使用的模型包括多种类型的回归、决策树和神经模型。 比较模型的相对优势、劣势和预测准确性。
1998 年，DARPA 开发了一个具有代表性的网络攻击数据集，其中包含 20 多种攻击类型、41 个潜在因果因素和近 500 万行数据。 使用各种预测模型（包括名义逻辑、决策树和神经模型）对这些数据和衍生数据进行分析。 将表明，通过平均模型可以进一步提高预测攻击的能力。 将演示模型概率的简单代数平均以及“集成建模”（其中模型用作其他模型的输入）。
本演示将展示如何使用实验设计 (DOE) 方法从最少的计算机模拟运行中提取最有用的信息。 通过顺序运行模拟块，计算机实验人员可以对所研究的因素进行敏感性分析所需的总体最少的试验，而无需过度利用高性能计算资源。 当可以为长时间运行（数小时、数天或数周）的模拟开发快速运行（数秒）的代理模型时，就会产生最大的好处。
本教程旨在让测试人员了解最新且有效的实验设计 (DOE) 筛选方法。 与会者将了解最近发布的方法，不仅可以有效筛选因素，还可以使用筛选数据更快速地开发二阶预测模型。 明确筛选设计不仅可以检测主效应，还可以检测每个因子的曲率，并且与传统的部分因子设计相比，在包含中心点时只能检测全局曲率时，试验次数更少。
