Selbstvalidierende Ensemble-ModelleJMP Chief Data Scientist @ chris_gotwalt1 mit Hauptdozent an der University of New Hampshire @ Philramsey Einführung der SVEM-Technik (Self Validating Ensemble Models) zur Analyse von DoEs.Ich denke, Chris sagt es am besten "Mit SVEM können Sie mit weniger Beobachtungen genauere Modelle erhalten".Dies ist eine Brücke zwischen maschinellem Lernen und DoE.Ich hoffe du genießt es.
Betreff: Selbstvalidierende Ensemble-ModelleSehr interessant - danke fürs Teilen! Eigentlich wollte ich viele Fragen stellen, wie man DoEs für diese Art von Analyse entwirft, aber Chris hat sie alle in der abschließenden Diskussion selbst angesprochen. Ich freue mich sehr auf die Entwicklung der SVEMs und bin gespannt auf die optimalen Designs für sie. Wenn verfügbar, bin ich definitiv bereit, sie auszuprobieren!
Ich habe eine Frage zum Verständnis des Beispiels. In der Erklärung sagte Chris: "Sie passen ein statistisches Modell an die gewichteten Daten an." Bedeutet das im konkreten Beispiel, dass wir bei SVEM-RSM die in jeder Iteration berechneten Trainingsgewichte als „Gewicht“ in der Plattform „Fit Model“ verwenden, wenn wir ein RSM anpassen?
Betreff: Selbstvalidierende Ensemble-Modelle@Kira_Alhorn , Ja.Was er sagt ist, dass Sie mit jedem Modell in der SVEM die gepaarte fraktionierte fraktionierte Bootstrap-Gewichtungsspalte neu bewerten, sodass Sie ein Modell mit einem neuen Gewicht für jedes Mitglied des Trainingssatzes haben.Wenn Sie die Fit Model-Plattform verwenden, wird diese Spalte als Gewichtsvariable verwendet.Für die generalisierte Regressionsplattform wird dies als Frequenzvariable verwendet.
Hoffe das hilft.Lassen Sie mich wissen, wenn ich weiter klären muss.
