21993_ja-JP

liliconcom

DOE とより良いモデルの構築 - チュートリアルとプレゼンテーション スライド<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />

JMP 連邦政府ユーザー リソース ページに戻る

• チュートリアルとプレゼンテーション: (これらのドキュメントはページの下部からダウンロードできます。)

  • より良いモデルの構築 – チュートリアル 597

    • さまざまなケーススタディを通じて、回帰、ニューラル ネットワーク、デシジョン ツリーなどの高度な予測モデリング手法を使用して、より優れたより有用なモデルを構築する方法を学びます。 過剰適合を防ぐために、データをトレーニング、検証 (チューニング)、およびテスト セットに分割する方法を学びます。 また、比較手法を使用して最適な予測モデルを見つける方法もわかります。 このチュートリアルは、予測モデリングが今日のデータを使用して明日をより適切に予測するのにどのように役立つかを学ぶことに興味のあるアナリスト、科学者、エンジニア、研究者を対象としています。「より良いモデルの構築」スライド デッキにまとめられていますが、以下の 2 つのケース スタディは、個別のスタンドアロン プレゼンテーションとして利用できます。

    • ケーススタディ 1: ヘリコプター飛行監視 – コンピュータ シミュレーション データの代理モデリング - WG28

      • 護送船団のヘリコプター飛行監視の確率的コンピューターシミュレーションから反乱軍を特定するためのデータは、いくつかの異なる方法を使用してモデル化されます。 特定された反乱軍の割合 (応答) に影響を与える 6 つの要素は、ヘリコプターの高さ、ヘリコプターの速度 (護送隊との相対)、ヘリコプターの距離 (護送隊からの距離)、護送隊の速度、AK47 を搭載した反乱軍の数、および反乱軍の迷彩レベルです。 使用されるモデルには、数種類の回帰、デシジョン ツリー、およびニューラルが含まれます。 モデルの相対的な長所、短所、予測精度が比較されます。

    • ケーススタディ 2: サイバー攻撃データ – アンサンブル モデリングによる予測の改善 - WG5

      • 1998 年に DARPA は、20 を超える攻撃タイプ、41 の潜在的な原因要因、および約 500 万行のデータを含む代表的なサイバー攻撃データ セットを開発しました。 これらのデータと派生データは、名目ロジスティック、デシジョン ツリー、ニューラル モデルなどのさまざまな予測モデルを使用して分析されます。 攻撃を予測する能力は、モデルを平均化することによってさらに向上できることが示されます。 モデル確率の単純な代数平均と、モデルが他のモデルへの入力として使用される「アンサンブル モデリング」の両方がデモンストレーションされます。

• 実験計画法を使用した効率的なモデリングとシミュレーション – チュートリアル 595

  • このプレゼンテーションでは、実験計画法 (DOE) 手法を使用して、最小限のコンピューター シミュレーションの実行から最も有用な情報を抽出する方法を示します。 シミュレーションのブロックを順次実行することにより、コンピューター実験者は、高性能コンピューティング リソースを過剰に使用することなく、研究対象の要因の感度分析を行うために必要な全体的に最小限の試行を実行できます。 最大の利点は、高速実行 (数秒) のサロゲート モデルを長時間実行 (数時間、数日、または数週間) のシミュレーション用に開発できる場合に発生します。

  • 高速サロゲート モデルにより、テスターとアナリストは、モデル化されたプロセスを対話的にクエリして、最適な動作条件や許容可能な動作ウィンドウの境界を見つけることができます。 これらの関心の高い条件は、完全なシミュレーションを使用して実行され、サロゲート モデルの検証と予測の精度の向上の両方を行うことができます。 実証される設計ソリューションには、離散イベントおよびエージェントベースのシミュレーションへの従来の DOE 手法の適用や、数値流体力学 (CFD) などのより複雑な物理ベースのシミュレーションへの最新の空間充填設計の適用が含まれます。 従来の線形回帰近似法と空間回帰内挿法をいつ使用するか、およびどのように選択するかについて説明します。 サロゲート モデルの予測の精度を決定するためにチェックポイント シミュレーションを使用する効果的な実践方法を示します。

 

• 最終的なスクリーニング計画を使用して、より少ない試験からより多くの情報を得る – チュートリアル 594

  • このチュートリアルは、テスターに最新かつ効果的な実験計画法 (DOE) スクリーニング方法を紹介することを目的としています。 参加者は、因子を効率的にスクリーニングするだけでなく、スクリーニング データを使用して二次予測モデルをより迅速に開発するための最近公開された方法について学びます。 最終的スクリーニング計画では、主効果だけでなく各因子の曲率も検出できることが示されます。また、中心点が含まれる場合には全体的な曲率のみを検出できる従来の一部実施要因計画よりも少ない試行回数で検出できます。

  • 2011 年に初めて公開されたとき、これらの新しい設計は連続因子のみをサポートしていました。 2013 年 3 月に公開された改良により、2 つのレベルでカテゴリ因子をサポートできるようになりました。 重要な因子の数が少ない場合、最終的スクリーニング計画は、特徴付けられたプロセスについて正確な予測を行うことができる応答曲面モデルをサポートできる「ワンショット」計画に崩壊する可能性があります。
  • わずか 24 回の試行で 10 要素のプロセスが最適化されるケーススタディが示されます。 予測された最適条件でのチェックポイント試験では、プロセス収率が 20% 以上増加したことが示されています。 いくつかの要因が重要であり、設計をワンショット設計にまとめることができない場合は、既存のトライアルを経済的に拡張して、重要な要因の応答曲面モデルをサポートできます。 これらの代替手法と従来の設計をグラフで比較すると、新しい手法の方が少ない試行回数でより多くの情報が得られることがわかります。