透過各種案例研究，您將學習使用進階預測建模技術（例如回歸、神經網路和決策樹）來建立更好、更有用的模型。 您將學習將資料劃分為訓練集、驗證集（調整）和測試集，以防止過度擬合。 您將了解如何使用比較技術來找到最佳的預測模型。 本教學適合有興趣了解預測建模如何幫助他們使用今天擁有的數據來更好地預測明天的分析師、科學家、工程師和研究人員。儘管在「建立更好的模型」幻燈片中進行了總結，但下面的兩個案例研究可以作為單獨的獨立簡報。
使用幾種不同的方法對直升機飛行監視車隊的隨機電腦模擬中識別叛亂分子的數據進行建模。 影響已識別叛亂分子比例（反應）的六個因素是直升機高度、直升機速度（相對於車隊）、直升機距離（距離車隊）、車隊速度、攜帶 AK47 的叛亂分子數量以及叛亂分子偽裝等級。 使用的模型包括多種類型的迴歸、決策樹和神經模型。 比較模型的相對優勢、劣勢和預測準確性。
1998 年，DARPA 開發了一個具有代表性的網路攻擊資料集，其中包含 20 多種攻擊類型、41 個潛在因果因素和近 500 萬行資料。 使用各種預測模型（包括名目邏輯、決策樹和神經模型）對這些資料和衍生資料進行分析。 將表明，透過平均模型可以進一步提高預測攻擊的能力。 將演示模型機率的簡單代數平均以及“集成建模”（其中模型用作其他模型的輸入）。
本示範將展示如何使用實驗設計 (DOE) 方法從最少的電腦模擬運行中提取最有用的信息。 透過依序運行模擬區塊，電腦實驗人員可以對所研究的因素進行敏感度分析所需的總體最少的試驗，而無需過度利用高效能運算資源。 當可以為長時間運行（數小時、數天或數週）的模擬開發快速運行（數秒）的代理模型時，就會產生最大的好處。
本教學課程旨在讓測試人員了解最新且有效的實驗設計 (DOE) 篩選方法。 與會者將了解最近發布的方法，不僅可以有效篩選因素，還可以使用篩選資料更快速地開發二階預測模型。 明確篩選設計不僅可以檢測主效應，還可以檢測每個因子的曲率，並且與傳統的部分因子設計相比，在包含中心點時只能檢測全局曲率時，試驗次數更少。
