21993_de-DE

liliconcom

DOE und der Aufbau besserer Modelle – Tutorials und Präsentationsfolien<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />

Zurück zur Benutzerressourcenseite der JMP-Bundesregierung

• Tutorials und Präsentationen: (Diese Dokumente stehen unten auf der Seite zum Download bereit.)

  • Bessere Modelle bauen – Tutorial 597

    • Anhand verschiedener Fallstudien lernen Sie, mit fortschrittlichen Prognosemodellierungstechniken wie Regression, neuronalen Netzen und Entscheidungsbäumen bessere und nützlichere Modelle zu erstellen. Sie lernen, Ihre Daten in Trainings-, Validierungs- (Tuning-) und Testsätze zu unterteilen, um eine Überanpassung zu verhindern. Und Sie erfahren, wie Sie mithilfe von Vergleichstechniken das beste Vorhersagemodell finden. Dieses Tutorial richtet sich an Analysten, Wissenschaftler, Ingenieure und Forscher, die erfahren möchten, wie die prädiktive Modellierung ihnen helfen kann, die Daten, die sie heute haben, zu nutzen, um die Zukunft besser vorherzusagen.Obwohl sie im Foliendeck „Building Better Models“ zusammengefasst sind, sind die beiden folgenden Fallstudien als separate, eigenständige Präsentationen verfügbar.

    • Fallstudie 1: Überwachung von Hubschrauberflügen – Ersatzmodellierung von Computersimulationsdaten – WG28

      • Daten zur Identifizierung von Aufständischen aus einer stochastischen Computersimulation eines Hubschraubers zur Überwachung eines Konvois werden mit verschiedenen Methoden modelliert. Die sechs Faktoren, die den Anteil der identifizierten Aufständischen (die Reaktion) beeinflussen, sind die Höhe des Hubschraubers, die Geschwindigkeit des Hubschraubers (relativ zum Konvoi), die Entfernung des Hubschraubers (vom Konvoi), die Geschwindigkeit des Konvois, die Anzahl der Aufständischen mit AK47 und die Tarnstufe der Aufständischen. Zu den verwendeten Modellen gehören verschiedene Arten von Regression, Entscheidungsbaum und neuronalen Modellen. Relative Stärken, Schwächen und Vorhersagegenauigkeit von Modellen werden verglichen.

    • Fallstudie 2: Cyber-Angriffsdaten – Verbesserung der Vorhersage mit Ensemble-Modellierung – WG5

      • Im Jahr 1998 entwickelte DARPA einen repräsentativen Datensatz zu Cyberangriffen mit über 20 Angriffstypen, 41 potenziell ursächlichen Faktoren und fast 5 Millionen Datenzeilen. Diese und abgeleitete Daten werden mithilfe verschiedener Vorhersagemodelle analysiert, darunter nominale Logistikmodelle, Entscheidungsbäume und neuronale Modelle. Es wird gezeigt, dass die Fähigkeit, Angriffe vorherzusagen, durch Mittelungsmodelle weiter verbessert werden kann. Sowohl die einfache algebraische Mittelung von Modellwahrscheinlichkeiten als auch die „Ensemble-Modellierung“, bei der Modelle als Eingaben für andere Modelle verwendet werden, werden demonstriert.

• Effiziente Modellierung und Simulation mit Methoden der Versuchsplanung – Tutorial 595

  • In dieser Präsentation wird gezeigt, wie Methoden der Versuchsplanung (DOE) verwendet werden können, um aus der kleinsten Anzahl von Computersimulationsläufen die nützlichsten Informationen zu extrahieren. Durch die sequentielle Ausführung von Simulationsblöcken können Computerexperimentatoren insgesamt die wenigsten Versuche durchführen, die für eine Sensitivitätsanalyse der untersuchten Faktoren erforderlich sind, ohne Hochleistungsrechenressourcen übermäßig zu beanspruchen. Der größte Vorteil ergibt sich, wenn ein Ersatzmodell mit schneller Laufzeit (Sekunden) für Simulationen mit langer Laufzeit (Stunden, Tage oder Wochen) entwickelt werden kann.

  • Das schnelle Ersatzmodell ermöglicht es Testern und Analysten, den modellierten Prozess interaktiv abzufragen, um optimale Betriebsbedingungen oder die Grenzen des akzeptablen Betriebsfensters zu finden. Diese besonders interessanten Bedingungen können dann mit der vollständigen Simulation ausgeführt werden, um sowohl das Ersatzmodell zu validieren als auch die Genauigkeit der Vorhersage zu erhöhen. Die gezeigten Designlösungen umfassen die Anwendung traditioneller DOE-Methoden auf diskrete ereignis- und agentenbasierte Simulationen sowie moderne raumfüllende Designs auf komplexere physikbasierte Simulationen wie Computational Fluid Dynamics (CFD). Es wird besprochen, wann die traditionellen linearen Regressionsnäherungsmethoden und räumlichen Regressionsinterpolationsmethoden zu verwenden sind und wie man zwischen ihnen wählen kann. Die effektive Praxis der Verwendung von Checkpoint-Simulationen zur Bestimmung der Genauigkeit von Ersatzmodellvorhersagen wird demonstriert.

 

• Verwendung definitiver Screening-Designs, um mehr Informationen aus weniger Versuchen zu erhalten – Tutorial 594

  • Dieses Tutorial soll Tester mit den neuesten und effektivsten Design of Experiments (DOE)-Screening-Methoden vertraut machen. Die Teilnehmer lernen die kürzlich veröffentlichten Methoden kennen, mit denen nicht nur Faktoren effizient gescreent werden, sondern die Screening-Daten auch zur schnelleren Entwicklung von Vorhersagemodellen zweiter Ordnung genutzt werden können. Es wird gezeigt, dass Designs mit definitivem Screening nicht nur die Haupteffekte, sondern auch die Krümmung in jedem Faktor erkennen – und zwar in weniger Versuchen als herkömmliche fraktional-faktorielle Designs, die bei Einbeziehung eines Mittelpunkts die Krümmung nur global erkennen können.

  • Diese neuen Designs konnten bei ihrer Erstveröffentlichung im Jahr 2011 nur kontinuierliche Faktoren unterstützen. Durch im März 2013 veröffentlichte Verbesserungen ermöglichen sie nun die Unterstützung kategorialer Faktoren auf zwei Ebenen. Wenn die Anzahl der signifikanten Faktoren gering ist, kann ein definitives Screening-Design zu einem „One-Shot“-Design zusammenbrechen, das ein Antwortoberflächenmodell unterstützen kann, mit dem genaue Vorhersagen über den charakterisierten Prozess getroffen werden können.
  • Gezeigt wird eine Fallstudie, in der ein 10-Faktoren-Prozess in nur 24 Versuchen optimiert wird. Checkpoint-Versuche unter vorhergesagten optimalen Bedingungen zeigen, dass die Prozessausbeute um mehr als 20 % gesteigert wurde. In Fällen, in denen mehr als ein paar Faktoren von Bedeutung sind und der Entwurf nicht zu einem One-Shot-Entwurf zusammengeführt werden kann, können die vorhandenen Versuche wirtschaftlich erweitert werden, um ein Reaktionsflächenmodell für die wichtigen Faktoren zu unterstützen. Grafische Vergleiche zwischen diesen alternativen Methoden und herkömmlichen Designs werden zeigen, dass die neuen Methoden in oft weniger Versuchen mehr Informationen liefern.