21993_fr-FR

liliconcom

DOE et création de meilleurs modèles – Tutoriels et diapositives de présentation<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />

Revenir à la page des ressources utilisateur de JMP pour le gouvernement fédéral

• Tutoriels et présentations : (Ces documents sont disponibles en téléchargement en bas de page.)

  • Construire de meilleurs modèles – Tutoriel 597

    • Grâce à une variété d'études de cas, vous apprendrez à créer des modèles meilleurs et plus utiles avec des techniques avancées de modélisation prédictive, telles que la régression, les réseaux neuronaux et les arbres de décision. Vous apprendrez à partitionner vos données en ensembles de formation, de validation (réglage) et de test pour éviter un ajustement excessif. Et vous verrez comment utiliser des techniques de comparaison pour trouver le meilleur modèle prédictif. Ce didacticiel s'adresse aux analystes, scientifiques, ingénieurs et chercheurs souhaitant découvrir comment la modélisation prédictive peut les aider à utiliser les données dont ils disposent aujourd'hui pour mieux prédire demain.Bien que résumées dans le diaporama Building Better Models, les deux études de cas ci-dessous sont disponibles sous forme de présentations indépendantes distinctes.

    • Étude de cas 1 : Surveillance des vols d'hélicoptères – Modélisation de substitution des données de simulation informatique - WG28

      • Les données permettant d'identifier les insurgés à partir d'une simulation informatique stochastique d'un hélicoptère surveillant un convoi sont modélisées à l'aide de plusieurs méthodes différentes. Les six facteurs affectant la proportion d'insurgés identifiés (la réponse) sont la hauteur de l'hélicoptère, la vitesse de l'hélicoptère (par rapport au convoi), la distance de l'hélicoptère (par rapport au convoi), la vitesse du convoi, le nombre d'insurgés équipés d'AK47 et le niveau de camouflage des insurgés. Les modèles utilisés incluent plusieurs types de régression, d'arbre de décision et neuronal. Les forces relatives, les faiblesses et la précision des prévisions des modèles sont comparées.

    • Étude de cas 2 : Données de cyberattaques – Améliorer la prévision grâce à la modélisation d'ensemble - WG5

      • En 1998, la DARPA a développé un ensemble de données représentatif sur les cyberattaques comprenant plus de 20 types d'attaques, 41 facteurs potentiellement causals et près de 5 millions de lignes de données. Ces données et leurs dérivés sont analysés à l'aide de divers modèles prédictifs, notamment des modèles logistiques nominaux, des arbres de décision et des modèles neuronaux. Il sera démontré que la capacité de prédire les attaques peut être encore améliorée par des modèles de moyenne. La moyenne algébrique simple des probabilités du modèle ainsi que la « modélisation d'ensemble » - où les modèles sont utilisés comme entrées dans d'autres modèles - seront démontrées.

• Modélisation et simulation efficaces à l'aide des méthodes de plans d'expériences – Tutoriel 595

  • Cette présentation montrera comment les méthodes de plans d'expériences (DOE) peuvent être utilisées pour extraire les informations les plus utiles à partir du plus petit nombre d'exécutions de simulation informatique. En exécutant séquentiellement des blocs de simulations, les expérimentateurs informatiques peuvent effectuer le moins d'essais nécessaires pour effectuer une analyse de sensibilité des facteurs étudiés sans surutiliser les ressources informatiques hautes performances. Le plus grand avantage se produit lorsqu'un modèle de substitution à exécution rapide (secondes) peut être développé pour des simulations de longue durée (heures, jours ou semaines).

  • Le modèle de substitution rapide permet aux testeurs et aux analystes d'interroger de manière interactive le processus modélisé pour trouver les conditions de fonctionnement optimales ou les limites de la fenêtre de fonctionnement acceptable. Ces conditions d'un grand intérêt peuvent ensuite être exécutées à l'aide de la simulation complète pour valider le modèle de substitution et augmenter la précision de la prédiction. Les solutions de conception démontrées incluront l'application des méthodes traditionnelles du DOE aux simulations à événements discrets et basées sur des agents, ainsi que des conceptions modernes de remplissage d'espace à des simulations basées sur la physique plus complexes telles que la dynamique des fluides computationnelle (CFD). Quand les utiliser et comment choisir parmi les méthodes traditionnelles d'approximation par régression linéaire et les méthodes d'interpolation par régression spatiale seront discutées. La pratique efficace consistant à utiliser des simulations de points de contrôle pour déterminer l'exactitude des prédictions du modèle de substitution sera démontrée.

 

• Utiliser des modèles de dépistage définitif pour obtenir plus d’informations à partir de moins d’essais – Tutoriel 594

  • Ce didacticiel est destiné à exposer les testeurs aux méthodes de sélection de plans d'expériences (DOE) les plus récentes et les plus efficaces. Les participants découvriront les méthodes récemment publiées non seulement pour filtrer efficacement les facteurs, mais aussi pour utiliser les données de dépistage pour développer plus rapidement des modèles prédictifs de second ordre. Il sera démontré que les modèles de dépistage définitif détectent non seulement les effets principaux, mais également la courbure de chaque facteur - et le font en moins d'essais que les modèles fractionnaires-factoriels traditionnels qui, lorsqu'un point central est inclus, ne peuvent détecter la courbure que globalement.

  • Lors de leur première publication en 2011, ces nouvelles conceptions ne pouvaient prendre en charge que des facteurs continus. Les améliorations publiées en mars 2013 leur permettent désormais de prendre en charge des facteurs catégoriels à deux niveaux. Lorsque le nombre de facteurs significatifs est faible, une conception de dépistage définitif peut se transformer en une conception « one-shot » capable de prendre en charge un modèle de surface de réponse avec lequel des prédictions précises peuvent être faites sur le processus caractérisé.
  • Une étude de cas sera présentée dans laquelle un processus à 10 facteurs est optimisé en seulement 24 essais. Les essais aux points de contrôle dans des conditions optimales prévues montrent que le rendement du processus a augmenté de plus de 20 %. Dans les cas où plusieurs facteurs sont significatifs et où la conception ne peut pas se résumer à une conception unique, les essais existants peuvent être augmentés de manière économique pour prendre en charge un modèle de surface de réponse dans les facteurs importants. Des comparaisons graphiques entre ces méthodes alternatives et les conceptions traditionnelles montreront que les nouvelles méthodes fournissent plus d'informations avec souvent moins d'essais.