Processus gaussiens (passage de la modélisation spécialisée à la modélisation prédictive)Les processus gaussiens sont une technique de modélisation très puissante en analyse prédictive.
https://scikit-learn.org/stable/modules/gaussian_process.html
Bien que JMP dispose de GP, il est uniquement destiné à la modélisation spécialisée (impossible d'ajustement à l'aide de la formation/validation/test)
Modélisation statistique avancéeExploration et visualisation des donnéesModélisation prédictive et apprentissage automatiqueRe : Processus gaussiens (passant de la modélisation spécialisée à la modélisation prédictive)- Graines serait génial, par exemple sélectionnable : périodique, tendance linéaire, bruité, paramètre de lissage et noyaux libres.
- De plus, ce serait formidable si vous pouviez inclure le incertitude des points de données d'entrée .
- Une fonction simple pour trouver le ou les (n prochains) points de variance la plus élevée dans une plage d'entrée spécifiée aiderait à trouver le ou les meilleurs points expérimentaux suivants. Bien sûr, cela peut être fait par un script, mais une entrée de menu pour cela rendrait la tâche beaucoup plus facile pour les non-scripteurs.
Re : Processus gaussiens (passant de la modélisation spécialisée à la modélisation prédictive)L'ajout de différents noyaux (mère, etc.) serait également très bénéfique pour la modélisation générale.
Re : Processus gaussiens (passage de la modélisation spécialisée à la modélisation prédictive)Il serait très utile de pouvoir analyser les courbes avec des variables DOE (supplémentaires) comme les courbes FDE et Fit. Si cela constituait une option supplémentaire du modèle FDE, ce problème serait résolu.
