Modèles d'ensemble à validation automatiqueScientifique des données en chef JMP @ chris_gotwalt1 avec maître de conférences de l'Université du New Hampshire @philramsey a introduit la technique SVEM (Self Validating Ensemble Models) pour l'analyse des DoE.Je pense que Chris le dit le mieux "Vous pouvez obtenir des modèles plus précis avec moins d'observations en utilisant SVEM".Il s'agit d'un pont entre l'apprentissage automatique et le DoE.J'espère que ça vous plait.
Cette vidéo est en cours de traitement. S'il vous plait, réessayez dans quelques minutes.
Re: Modèles d'ensemble à validation automatiqueTrès intéressant - merci pour le partage! En fait, j'étais sur le point de poser beaucoup de questions sur la manière de concevoir des DoE pour ce type d'analyse, mais Chris les a toutes soulevées lui-même lors de la discussion finale. J'ai vraiment hâte de voir les SVEM évoluer et je suis ravi d'entendre parler de conceptions optimales pour eux. Si disponible, je suis vraiment prêt à les essayer!
J'ai une question pour ma compréhension de l'exemple. Dans l'explication, Chris a dit: "Vous adaptez un modèle statistique aux données pondérées". Dans l'exemple concret, cela signifie-t-il que lorsque nous parlons de SVEM RSM, nous utilisons les poids d'entraînement calculés à chaque itération comme un «poids» dans la plate-forme «Fit Model» lors de l'ajustement d'un RSM?
Re: Modèles d'ensemble à validation automatique@Kira_Alhorn , Oui.Ce qu'il dit, c'est qu'avec chaque modèle dans le SVEM, vous réévaluez la colonne de poids Bootstrap pondéré fractionnaire apparié, vous aurez donc un modèle avec un nouveau poids sur chaque membre de l'ensemble d'entraînement.Si vous utilisez la plate-forme Fit Model, cette colonne sera utilisée comme variable de pondération.Pour la plate-forme de régression généralisée, elle sera utilisée comme variable freq.
J'espère que cela t'aides.Faites-moi savoir si j'ai besoin de clarifier davantage.
