Modelos de conjuntos autovalidablesCientífico jefe de datos de JMP @ chris_gotwalt1 con el profesor principal de la Universidad de New Hampshire @philramsey introdujo la técnica de Self Validating Ensemble Models (SVEM) para analizar DoE.Creo que Chris lo dice mejor: "Puede obtener modelos más precisos con menos observaciones utilizando SVEM".Este es un puente entre Machine Learning y DoE.Espero que lo disfruten.
Este video se está procesando actualmente. Vuelva a intentarlo en unos minutos.
Re: Modelos de conjuntos autovalidables¡Muy interesante, gracias por compartirlo! En realidad, estaba a punto de hacer muchas preguntas sobre cómo diseñar DoE para ese tipo de análisis, sin embargo, Chris las planteó todas él mismo en la discusión final. Tengo muchas ganas de ver la evolución de los SVEM y estoy emocionado de conocer los diseños óptimos para ellos. Si está disponible, ¡definitivamente estoy dispuesto a probarlos!
Tengo una pregunta para entender el ejemplo. En la explicación, Chris dijo "Se ajusta algún modelo estadístico a los datos ponderados". En el ejemplo concreto, ¿eso significa que cuando hablamos de SVEM RSM usamos los pesos de entrenamiento calculados en cada iteración como un "Peso" en la plataforma "Modelo de ajuste" cuando ajustamos un RSM?
Re: Modelos de conjuntos autovalidables@Kira_Alhorn , Si.Lo que está diciendo es que con cada modelo en el SVEM está reevaluando la columna de peso de arranque ponderado fraccionalmente emparejado, por lo que tendrá un modelo con un nuevo peso en cada miembro del conjunto de entrenamiento.Si está utilizando la plataforma Fit Model, esta columna se utilizará como variable de peso.Para la plataforma de regresión generalizada, esto se utilizará como la variable de frecuencia.
Espero que esto ayude.Avísame si necesito aclarar más.
