Lautsprecher
|
Transkript
|
| Wayne Levin |
Selbstvalidierendes Ensemblemodell, wie wir es als Paradigmenwechsel in der Versuchsplanung und so weiter betrachten. |
| |
Ich werde ... los geht's. Unsere Agenda hier ist ... wir werden ... nur eine kurze Einführung darüber, wer spricht. |
| |
Also, was, warum und wie von SVEM. Wir haben also einen schnellen Überblick über DOE und maschinelles Lernen, beschreiben, wie sie in SVEM integriert werden, analysieren einige reale ... reale SVEM-Experimente und wir werden es tun |
| |
Sehen Sie sich einige aktuelle Forschungsergebnisse an und demonstrieren Sie JMPs neuen Kandidaten-Set-Designer, neu in JMP 16, und dann werden wir mit den üblichen nächsten Schritten und Fragen und Antworten usw. enden. |
| |
SVEM ist eine bemerkenswerte neue Methode, um mit weniger experimentellen Zyklen mehr Erkenntnisse zu gewinnen und genauere Vorhersagemodelle aus kleinen Datensätzen, einschließlich DOEs, zu erstellen. |
| |
Wir gehen davon aus, dass Sie mit SVEM weniger Kosten haben, schneller auf den Markt kommen und viel schneller Probleme lösen können. Wir werden das alles erforschen, wenn wir vorwärts gehen. |
| |
in der Sitzung. |
| |
Ich bin Wayne Levin und ich bin der Präsident von Predictum. Zu mir gesellt sich Chris Gotwalt, der Chef-Datenwissenschaftler bei JMP, und Phil Ramsey, Senior Data Scientist hier bei Predictum und Associate Professor an der University of New Hampshire. |
| |
Also lass uns einfach |
| |
Bestandsaufnahme hier. Die Beiträge von JMP zur Datenwissenschaft sind riesig, wie wir alle wissen, und im DOE-Bereich, der vor über 20 Jahren bestand, wäre es ... JMP 4 mit dem Koordinatenaustauschalgorithmus. |
| |
Und dann, vor ungefähr acht Jahren, vor neun Jahren, sahen wir endgültige Screening-Designs herauskommen. Und wir würden gerne denken, dass SVEM, wir nennen es eine kurze, selbstvalidierende Ensemble-Modellierung (versuchen Sie es dreimal so schnell), wir denken, dass dies ein weiterer Beitrag ist. |
| |
maschinelles Lernen und Versuchsplanung. |
| |
Es überwindet die Beschränkungen begrenzter Datenmengen, richtig. Mit kleinen Datenmengen können Sie kein maschinelles Lernen durchführen. Normalerweise müssen Sie über große Datenmengen verfügen, um dies zu erreichen. |
| |
Jetzt haben wir SVEM vor Ort ausprobiert und wir hatten eine Reihe von Unternehmen, die sich diesbezüglich an uns gewandt haben, und wir haben eine Testversion von SVEM verfügbar gemacht. Waren bei |
| |
Predictum, das erste Unternehmen, das ein Produkt in diesem Bereich entwickelt, bringt ein Produkt auf den Markt, und ich möchte Ihnen nur einige der Dinge mitteilen, die wir bisher gelernt haben. |
| |
Und eines ist, dass SVEM außergewöhnlich gut funktioniert. Ich meine, wenn Sie mehr Parameter und Anzahl der Läufe haben, funktioniert es sehr gut mit |
| |
Modelle höherer Ordnung. Es gibt genauere Vorhersagen und hilft auch, sich von defekten DOEs zu erholen. So zum Beispiel, wenn Sie definitive Screening-Designs haben, die für |
| |
Was auch immer der Grund sein mag, wir können uns einige historische DOEs zusenden lassen |
| |
Mangel an Macht. Sie haben einfach nichts gefunden, aber mit SVEM hat es tatsächlich geklappt. Es war in der Lage. Und Sie wissen, wir hatten Fälle, in denen einige Läufe fehlten oder fragwürdig waren. |
| |
Etwas anderes, was wir gelernt haben, ist, dass es Ihnen bei rationalen Fakultäten nicht helfen wird, also solche Dinge. Wir sind hier an Vorhersagemodellen interessiert |
| |
und gebrochene Fakultäten geben wirklich keine Vorhersagemodelle; Sie sind nicht dafür ausgelegt. Es wird Ihnen also nichts geben, für dessen Bereitstellung die Daten nicht strukturiert sind. |
| |
zumindest nicht insoweit. Das andere, was wir gelernt haben, ist, dass wir das volle Potenzial von SVEM noch nicht getestet haben. Dafür brauchen wir wirklich |
| |
Zunächst Experimente mit SVEM zu entwerfen, und das bedeutet, mehr Faktoren zu betrachten. Wir wollen nicht nur drei oder vier Faktoren betrachten. Wie wäre es mit 10, 15 oder noch mehr? |
| |
Wir verstehen aus der Forschung, dass Chris und Phil darüber sprechen werden, dass Bayes'sche I-optimale Designs die besten sind ... der beste Ansatz für die Verwendung mit SVEM- und auch Mischungsdesigns |
| |
waren besonders nützlich für SVEM und ich werde später etwas mehr dazu sagen. Und was SVEM betrifft |
| |
Wenn Sie es ausprobieren möchten, haben wir am Ende nach Chris und Phil einige Informationen, um darüber zu sprechen. Und wenn das gesagt ist, werde ich es dir übergeben, Chris, der es tun wird |
| |
Gehen Sie auf das Was und Warum und das Wie von SVEN ein. Also los zu dir, Chris. |
| Chris Gotwalt |
Okay, gut, danke, Wayne. Oh, warte, teile ich meinen Bildschirm? |
| Wayne Levin |
Noch nicht. |
| |
Na, bitte. |
| Chris Gotwalt |
Okay, alles klar, danke, Wayne. |
| |
Jetzt werde ich die Idee von selbstvalidierenden Ensemble-Modellen oder SVEM vorstellen. |
| |
Ich werde es ziemlich einfach halten. Ich gehe davon aus, dass Sie Erfahrung mit der Gestaltung und Analyse von Experimenten haben. |
| |
Am wichtigsten ist, dass Sie verstehen, dass der statistische Modellierungsprozess darauf hinausläuft, Funktionen an Daten anzupassen |
| |
diese Prädiktorantwortvariable als Funktion von Eingabevariablen. Auf hohem Niveau ist SVEM eine Brücke zwischen Algorithmen für maschinelles Lernen unter Verwendung von Big-Data-Anwendungen |
| |
und Versuchsplanung, die allgemein als kleines und gutes Analyseproblem angesehen wird. Maschinelles Lernen und DOE haben jeweils eine lange Geschichte, aber bis jetzt waren sie relativ getrennte Traditionen. |
| |
Unsere Forschung zeigt, dass Sie mit weniger Beobachtungen mit SVEM genauere Modelle erhalten können. |
| |
Dies bedeutet, dass Produkt- und Prozessverbesserungen in kürzerer Zeit mit weniger Ressourcen zu geringeren Kosten durchgeführt werden können. Wenn Sie also in einer wettbewerbsorientierten Branche tätig sind, |
| |
Wenn es wichtig ist, zuerst auf den Markt zu kommen, sollte SVEM für Sie von großem Interesse sein. |
| |
Insbesondere glauben wir, dass SVEM besonders ... ein enormes Versprechen in der Pharma- und Biotech-Industrie hat, |
| |
Hochtechnologie wie die Halbleiterherstellung und bei der Entwicklung von Konsumgütern. |
| |
Bei meiner Arbeit hier bei JMP habe ich den Umgang mit Daten in vielen Branchen und Anwendungsbereichen aus der Vogelperspektive betrachtet. |
| |
Ich habe Algorithmen für die Erstellung optimaler Entwurfsexperimente sowie verwandte Analyseverfahren wie gemischte Modelle und die Verallgemeinerung Ihrer Modelle entwickelt. |
| |
Andererseits bin ich auch Entwickler der neuronalen Netzwerkalgorithmen von JMP Pro sowie einiger anderer maschineller Lerntechniken, die im Produkt enthalten sind. |
| |
In den letzten 20 Jahren hat maschinelles Lernen eine größere Rolle gespielt, wenn große Beobachtungsdatensätze modelliert und viele neue gesehen wurden |
| |
Algorithmen, die entwickelt wurden. Gleichzeitig hat sich auch die Analyse der geplanten Experimente geändert, jedoch in den letzten 20 Jahren schrittweise. |
| |
Die statistische Gesamtmethode des industriellen Experimentierens wäre für jeden erkennbar, der Ende der 1970er Jahre Box, Hunter und Hunter las. |
| |
Maschinelles Lernen und Versuchsplanung werden im Allgemeinen in der Industrie angewendet, um prädiktive Probleme zu lösen. |
| |
Wir verwenden diese Tools, um Fragen zu beantworten, z. B. ob der Sensor eine fehlerhafte Charge anzeigt oder wie wir den Prozess anpassen, um den Ertrag zu maximieren und gleichzeitig die Kosten zu minimieren. |
| |
Obwohl beide prädiktiver Natur sind, wurden maschinelles Lernen und Versuchsplanung im Allgemeinen auf ziemlich unterschiedliche Datentypen angewendet. |
| |
Was ich jetzt tun werde, ist einen kurzen Überblick über beide zu geben und dann zu beschreiben, wie wir sie in SVEM gemischt haben. |
| |
Ich werde einige Daten aus einem echten Experiment analysieren, um zu zeigen, wie es funktioniert und warum wir denken, dass es insgesamt sehr gut läuft. |
| |
Ich werde insgesamt gehen ... Ich werde gehen ... Ich werde die Ergebnisse von Simulationen von Trent Limpkiss (?), Einem Doktoranden an der Universität von New Hampshire, durchgehen, was uns das Vertrauen gegeben hat, dass der Ansatz sehr gut ist vielversprechend. |
| |
Anschließend werde ich ein Beispiel durchgehen, das zeigt, wie Sie die neuen Kandidatensatzdesigns in JMP 16 verwenden können, um optimale Teilmengen vorhandener Datensätze zu finden, damit Sie SVEM selbst ausprobieren können. |
| |
Ich werde einige unserer Beobachtungen hervorheben, einige zukünftige Fragen erwähnen, die wir hoffentlich beantworten können, und sie dann an Phil übergeben, der eine eingehendere Fallstudie und eine Demo des SVEM-Add- im. |
| |
Betrachten Sie die einfachen Daten auf dem Bildschirm. Es handelt sich um Daten aus dem metallurgischen Prozess, und wir möchten das Ausmaß der Schrumpfung am Ende der Verarbeitungsschritte vorhersagen. |
| |
Links haben wir drei Variablen, mit denen wir die Schrumpfung vorhersagen möchten. Das Modellieren läuft darauf hinaus, eine Funktion zu finden, die Druck, Zeit und Temperatur miteinander verbindet und die Reaktion (Schrumpfung) hier vorhersagt. |
| |
Hoffentlich würde dieses Modell ... in Zukunft auf neue Daten verallgemeinern. |
| |
In einem maschinellen Lernkontext besteht die Standardmethode darin, diese Daten in zwei nicht zusammenhängende Zeilensätze zu unterteilen. Eines wird als Trainingsset bezeichnet und dient zum Anpassen von Modellen, um sicherzustellen, dass die Daten nicht zu stark angepasst werden. |
| |
Dies führt zu Modellen, die bei neuen Beobachtungen ungenau sind. Wir haben eine weitere Teilmenge der Daten, die als Validierungsmenge bezeichnet wird und zum Testen verschiedener Modelle verwendet wird, die wir ... |
| |
die zum Trainingsset passen. Hier gibt es einen Kompromiss, bei dem zu einfache Funktionen schlecht in die Trainings- und Validierungssätze passen, weil sie nicht genügend Variationen erklären. |
| |
Zu komplexe Modelle passen zwar fast perfekt in das Trainingsset, sind jedoch im Validierungsset sehr ungenau. |
| |
Wir verwenden Maßnahmen wie die Validierung R im Quadrat, um das Goldlöckchenmodell zu finden, das weder zu einfach noch zu kompliziert ist. |
| |
Dieses Goldlöckchenmodell ist dasjenige, dessen Validierung R im Quadrat das höchste im Validierungssatz ist. |
| |
Diese Modellauswahl im Hold-out-Stil ist eine sehr gute Möglichkeit, um fortzufahren, wenn Sie ein Zitat haben, das eine relativ große Anzahl von Zeilen nicht zitiert. |
| |
oft in den Hunderten von Millionen Zeilen oder mehr. Die einigermaßen große Aussage ist absichtlich mehrdeutig und hängt von der jeweiligen Aufgabe ab. Die 12 Zeilen, die Sie hier sehen, sind jedoch zu klein und werden hier nur zur Veranschaulichung verwendet. |
| |
In DOEs befinden wir uns normalerweise in Situationen, in denen ernsthafte Zeit- und / oder Ressourcenbeschränkungen bestehen. |
| |
Eine Kernidee von entworfenen Experimenten, insbesondere von optimal entworfenen Experimenten, die eine wichtige JMP-Fähigkeit darstellen, besteht darin, Informationen von höchster Qualität zu erhalten, die in die kleinstmögliche Anzahl von Zeilen gepackt sind. |
| |
Viele brillante Leute haben über viele Jahre statistische Werkzeuge wie F-Tests, halbnormale Diagramme und Modellauswahlkriterien wie AIC und BIC erstellt. |
| |
Dies hilft uns, Entscheidungen über Modelle für DOE-Daten zu treffen. Dies sind alles Leitfäden, anhand derer wir ermitteln können, auf welchem Modell wir unsere wissenschaftlichen, technischen und Fertigungsentscheidungen basieren sollten. |
| |
Eine Sache, die nicht oft gemacht wird, ist die Anwendung der Modellauswahl für maschinelles Lernen auf entworfene Experimente. Warum sollte das so sein? |
| |
Ein wichtiger Grund ist, dass Informationen so eng in Designs gepackt sind, dass das Entfernen einiger Beobachtungen dazu führen kann, dass die Haupteffekte und Interaktionen zusammenbrechen |
| |
so dass wir sie nicht mehr in eindeutig abschätzbare Effekte unterteilen können. Wenn Sie es trotzdem versuchen, werden wahrscheinlich Warnungen zu Softwareberichten angezeigt, z. B. verlorene Freiheitsgrade oder Details zur Singularität, die dem Modellbericht hinzugefügt wurden. |
| |
Jetzt werden wir ein kleines Gedankenexperiment durchführen. Was wäre, wenn wir versuchen würden, ein bisschen zu schummeln? |
| |
Was wäre, wenn wir alle Zeilen aus der Originaltabelle, den Xs und Ys, kopieren und eine Kopie als "Training" und die andere als "Validierung" kennzeichnen würden? Jetzt haben wir genug Daten, oder? Falsch. Wir täuschen niemanden damit, das ist dieses verrückte Schema. |
| |
Es ist verrückt, denn wenn Sie versuchen, mit diesem Ansatz zu modellieren und sich einen Index des Index der Anpassungsgüte ansehen, werden Sie feststellen, dass eine kompliziertere Darstellung zu einer besseren Anpassung an das Trainingsset führt, aber aufgrund von Training und Validierung |
| |
Sätze sind in diesem Fall gleich, der Ansatz führt immer zu Überanpassung. |
| |
Lassen Sie uns also die Modellauswahl für maschinelles Lernen als eine Geschichte von zwei gewichteten Quadratsummen sichern und neu formulieren, die auf denselben Daten berechnet wurden. |
| |
Anstatt über die Modellauswahl in Form von zwei Datenpartitionen nachzudenken, können wir uns diese als zwei Gewichtungsspalten vorstellen. |
| |
Es gibt ein Trainingsgewicht, das für Zeilen im Trainingssatz gleich eins ist, andernfalls null und eine Validierungsspalte |
| |
Dies ist für die Trainingszeilen gleich Null und für die Validierungsspalte für die Validierungszeilen gleich Eins. |
| |
Aus der Auswahl des Modells für maschinelles Lernen können wir uns vorstellen, dass jede Zeile ein eigenes Paar von Gewichtswerten hat, wobei beide Gewichte binäre Nullen und Einsen sind. |
| |
Wenn wir sie auf diese Weise einrichten, können wir die Modellanpassung unabhängig beurteilen. |
| |
Modelle werden angepasst, indem Parameterwerte gefunden werden, die die Summe der mit dem Trainingsgewicht gewichteten quadratischen Fehler minimieren, und die Generalisierungsleistung wird mit der Summe der mit den Gewichten der Validierungsspalte gewichteten quadratischen Fehler gemessen. |
| |
Wenn wir diese Gewichtspaare in einem Streudiagramm darstellen, sehen wir natürlich, dass die Trainingsvalidierungsgewichte ... die Trainings- und Validierungsgewichte perfekt antikorreliert sind. |
| |
Was ist nun, wenn wir, anstatt uns zu zwingen, perfekt antikorrelierte Paare von Binärwerten zu verwenden, die Anforderung lockern, dass die Werte nur die Werte Null und Eins annehmen können |
| |
und zulassen, dass die Gewichte einen streng positiven Wert annehmen? |
| |
Um dies zu tun, müssen wir meines Wissens etwas aufgeben, damit dies mathematisch funktioniert. Wir können keine perfekt antikorrelierten Gewichtspaare mehr haben, aber wir können dies auf eine Weise tun, dass wir immer noch ein substanzielles Anti haben Korrelation. |
| |
Es gibt viele Möglichkeiten, dies zu tun, aber eine Möglichkeit, dies zu tun, besteht darin, Gewichte nach demselben Schema wie der fraktionierte gewichtete Bootstrap zu erstellen, wobei wir eine Exponentialverteilung mit einem Mittelwert von eins verwenden |
| |
um die Gewichte zu erstellen. Und es gibt einen kleinen Trick, bei dem die Eigenschaften der gleichmäßigen Verteilung verwendet werden, um exponentiell verteilte, aber stark antikorrelierte Gewichtspaare zu erstellen. |
| |
Wenn Sie dies als zweispaltiges gewichtetes Validierungsschema verwenden, nennen wir dies Autovalidierung. Phil und ich haben mehrere Entdeckungspapiere dazu gegeben ... zu genau dieser Idee. |
| |
Die Verwendung dieses Ansatzes entspricht einer Trainingsspalte mit Gewichten mit einem Varianzmittelwert von eins und der Validierungsspalte mit denselben Eigenschaften. |
| |
Wenn nach diesem Autovalidierungsschema eine Zeile mehr als das durchschnittliche Gewicht zu den Trainingssummen der Quadrate beiträgt, trägt diese Zeile weniger zu den Validierungssummen der Quadrate bei und umgekehrt. |
| |
Es gibt ein Add-In, das Mike ... Ich möchte darauf hinweisen, dass es ein Add-In gibt, das Mike Anderson erstellt hat und das Datensätze in ein solches Format setzt, das die Modellierungsplattformen von JMP Pro verwenden können. |
| |
Vor kurzem haben Phil und ich Trent als unseren Doktoranden aufgenommen. |
| |
Im Frühjahr und Herbst führte Trent viele Simulationen durch, in denen viele verschiedene Ansätze zum Anpassen von Modellen an DOE-Daten ausprobiert wurden, einschließlich eines ganzen Zoos von auf Autovalidierung basierenden Ansätzen. Ich werde einige seiner Ergebnisse zeigen |
| |
hier in ein bisschen. Es genügt zu sagen, dass der Ansatz, der hinsichtlich des minimalen durchschnittlichen Fehlers bei einem unabhängigen Testsatz durchweg am besten funktionierte, die Anwendung der automatischen Validierung war |
| |
in Kombination mit einem variablen Auswahlverfahren wie der Vorwärtsauswahl, aber anstatt dies einmal zu tun, wiederholen wir den Vorgang dutzende oder hunderte Male, |
| |
Speichern Sie die Vorhersageformel jedes Mal und mitteln Sie letztendlich die Modelle über alle diese automatisch validierten Iterationen. Und wir nennen dieses allgemeine Verfahren selbstvalidierte Ensemble-Modelle oder SVEM. |
| |
Um die Dinge etwas konkreter zu machen, werde ich ein kurzes Beispiel geben, das dies veranschaulicht. Wir beginnen mit der Initialisierung der Autovalidierungsgewichte. |
| |
Wir wenden ein Modellauswahlverfahren wie das Lasso oder die Vorwärtsauswahl an und speichern dann die Vorhersageformel zurück in der Tabelle. |
| |
Hier ist die erste Vorhersageformel. In dieser Iteration wurden nur zwei lineare Haupteffekte ausgewählt. |
| |
Dann initialisieren wir die Gewichte neu, passen sie mit dem neuen Satz von Gewichten wieder in das Modell an und speichern diese Vorhersageformel. |
| |
Hier ist die zweite automatisch validierte Vorhersageformel. Beachten Sie, dass diesmal ein anderer Satz von Haupteffekten und Wechselwirkungen ausgewählt wurde und ihre Regressionskoeffizienten diesmal unterschiedlich sind. |
| |
Wir wiederholen diesen Vorgang einige Male. |
| |
Und am Ende ist das SVEM-Modell einfach der Durchschnitt aller Vorhersageformeln. |
| |
Hier ist ein kurzes Diagramm, das den SVEM-Algorithmus als Diagramm darstellt. Die Idee, die Bootstrap-Prozeduren mit der Modellmittelung zu kombinieren |
| |
passiert immer und immer wieder, wie wir ... nachdem wir die Gewichte neu initialisiert haben. Wir speichern die Vorhersageformel aus dieser Iteration. |
| |
Wir speichern ... hier speichere ich den Parameter ... hier zeigt die Abbildung die Parameter, aber es ist dasselbe mit den Formeln. Speichern Sie sie einfach alle und am Ende des Tages ist das endgültige Modell einfach der Durchschnitt aller Iterationen. |
| |
Sobald wir fertig sind, können wir dieses SVEM-Modell im Diagrammprofiler mit aktivierten erweiterten Zwischenformeln verwenden, um das resultierende Modell zu visualisieren und unseren Prozess usw. zu optimieren. |
| |
Jetzt werde ich die Ergebnisse von Trents Dissertationsforschung durchgehen. |
| |
eine Box Behnkens und DSDs in vier und acht Faktoren. Jede Simulation bestand aus 1.000 Simulationsreplikationen und jede Simulation hatte ihren eigenen Satz von wahren Parameterwerten für unser quadratisches Antwortoberflächenmodell. |
| |
Die aktiven Parameter waren doppelt exponentiell verteilt und wir untersuchten verschiedene Prozentsätze der aktiven Effekte von 50% bis 100%. |
| |
Für jede der 1.000 Simulationswiederholungen wurde die SVEM-Vorhersage in Bezug auf das wahre Modell in einem unabhängigen Testsatz bewertet, der aus einem Design mit 10.000 Laufraumfüllungen über dem Faktorraum bestand. |
| |
Wir haben uns eine große Anzahl verschiedener klassischer Single-Shot-Modellierungsansätze sowie eine Reihe von Variationen der gesamten Validierung angesehen. |
| |
Es ist jedoch einfacher, nur die interessantesten Ergebnisse zu betrachten, da es zu viel zum Vergleichen gab. Die Geschichte war in allen untersuchten Situationen sehr konsistent. |
| |
Dies ist eine dieser Simulationen, bei denen das Basisdesign ein endgültiges Screening-Design mit acht Faktoren und 21 Läufen war. In diesem Fall waren 50% der Effekte ungleich Null. |
| |
Dies bedeutet, dass das Modell so viele Parameter ungleich Null hatte, wie es gerade Läufe gab. |
| |
Auf der linken Seite sind die Box-Plots des quadratischen Mittelwertfehlers für das Lasso, den Dantzig-Selektor, die Vorwärtsauswahl und die beschnittene Vorwärtsauswahl dargestellt, die alle mit dem AICc abgestimmt wurden. |
| |
Als nächstes wird die beste Leistung der Methoden von der Fit-Definitiv-Plattform erzielt, gefolgt von SVEM, das auf eine andere Modellierung angewendet wird ... mehrere verschiedene Modellierungsverfahren auf der rechten Seite. |
| |
Es gibt eine dramatische Verringerung des mittleren quadratischen Fehlers des unabhängigen Testsatzes, wenn wir die RMSEs des Testsatzes relativ zu den SVEM-Vorhersagen vergleichen. |
| |
Beachten Sie, dass dies auf einer logarithmischen Skala erfolgt. Dies ist also ein ziemlich dramatischer Unterschied in der Vorhersageleistung. |
| |
Hier ist ein noch interessanteres Ergebnis. Dies war die Verschwörung, die mich wirklich umgehauen hat. Dies ist der gleiche Simulationsaufbau, außer dass hier alle Effekte ungleich Null sind. |
| |
Die wahren Modelle sind also nicht nur in der Entwurfsmatrix, sondern auch in den Parametern selbst übersättigt. |
| |
In der Vergangenheit mussten wir davon ausgehen, dass die Anzahl der aktiven Effekte eine kleine Teilmenge aller Effekte war und sicherlich kleiner als die Anzahl der Zeilen. |
| |
Hier erhalten wir trotz der Anzahl der aktiven Parameter einigermaßen genaue Modelle, die etwa doppelt so hoch sind wie die Anzahl der Zeilen, was wirklich bemerkenswert ist. |
| |
Jetzt werde ich eine kurze Illustration durchgehen |
| |
von SVEM, um zu zeigen, wie Sie es auf Ihre eigenen historischen DOEs anwenden können. Ich werde ein reales Beispiel eines Fünf-Faktor-DOE aus einem Fermentationsprozess verwenden, bei dem die interessierende Antwort die Produktausbeute war, gemessen durch den pDNA-Titer. |
| |
Der große Vorteil von SVEM ist, dass wir mit weniger Auflagen genauere Modelle erhalten können. Dies bedeutet, dass wir vorhandene Datensätze übernehmen können. |
| |
Verwenden Sie den neuen Kandidatensatzdesigner in JMP 16, um die Teilmenge der Zeilen zu identifizieren, die das prädiktive Herz des ursprünglichen Entwurfs bilden. |
| |
Ich nehme die Originaldaten mit 36 Zeilen, lade die fünf Spalten als Kovariaten ein und fordere den benutzerdefinierten Designer auf, mir die 16-Zeilen-Teilmenge des Originaldesigns zu geben, die bei dieser Größe die beste vorhergesagte Leistung bietet. |
| |
Dann werde ich alle Zeilen ausblenden und ausschließen, die nicht in diesem Teilmengenentwurf enthalten sind, damit sie später als unabhängige Testmenge verwendet werden können. |
| |
Ich werde das SVEM-Modell ausführen und die Leistung des SVEM-Modells mit der Leistung vergleichen, die Sie erhalten, wenn Sie ein Standardverfahren wie Vorauswahl und AICc-Anpassung auf dieselben 16 Läufe anwenden. |
| |
Ich möchte sagen, dass der neue Kandidat für das Set-Design in JMP 16 ein ... ist, ist auch ein bemerkenswerter Beitrag, und ich möchte nur darauf hinweisen, wie unglaublich Brads Team bei der Entwicklung dieses neuen Tools war, das von grundlegender Bedeutung sein wird In vielerlei Hinsicht nützlich, auch mit SVEM. |
| |
Dazu können wir unseren Datensatz nehmen und zum benutzerdefinierten Designer gehen. |
| |
Wir wählen kovariate Zeilen aus, daher ist dies ein neuer Gliederungsknoten in JMP 16. |
| |
Dann wählen wir die fünf Eingabefaktoren aus. |
| |
Klicken Sie auf Weiter. |
| |
Und wir werden die RSM-Taste drücken, die die Optimalitätskriterien automatisch in ein I-optimales oder prädiktives Typendesign konvertiert. |
| |
Wir wählen alle Nicht-Intercept-Faktoren aus und klicken mit der rechten Maustaste auf ... im Modell ... |
| |
Wählen Sie hier die Liste aus und erstellen Sie ... setzen Sie alle Nicht-Intercept-Effekte so, als ob sie möglich wären. Dies ermöglicht es uns, Modelle zu haben |
| |
mit mehr Parametern als es Läufe als Basisdesign gibt, da die Designkriterien nun ein Bayes'sches I-optimales Design sein werden. Jetzt können wir die Anzahl der Läufe auf 16 einstellen. |
| |
Klicken Sie auf Design erstellen. |
| |
Und sobald wir das getan haben, arbeitet der Optimierer seine Magie und alle Zeilen, die im Bayes'schen I-optimalen Teilmengen-Design enthalten sind, werden jetzt in der Originaltabelle ausgewählt. |
| |
Wir können zur Tabelle gehen und dann einen Indikator oder eine Transformationsspalte verwenden, um die aktuelle Zeilenauswahl aufzuzeichnen. |
| |
Und ich ging voran und benannte die Spalte in einen aussagekräftigen Namen für später um. |
| |
Wir können die Punkte auswählen, die nicht im Teilmengenentwurf enthalten sind, indem wir alle Zeilen auswählen, in denen die neue Indikatorspalte gleich Null ist. |
| |
Und dann können wir diese Zeilen ausblenden und ausschließen, damit sie nicht in unseren Modellanpassungsprozess einbezogen werden. |
| |
Phil wird das SVEM-Add-In vorführen, daher überspringe ich die Modellierungsschritte und gehe direkt zu einem Modellvergleich der Vorwärtsauswahl plus AICc und des SVEM-Modells für die Zeilen, die nicht im Bayes'schen I-optimalen Teilmengen-Design enthalten sind. Sie können diesen Vergleich also hier in den roten Zahlen sehen ... |
| |
im roten Gliederungsteil des Berichts hier. Wir sehen, dass SVEM ein R-Quadrat auf dem hat |
| |
Der unabhängige Testsatz von 0,5 und das klassische Verfahren haben ein R-Quadrat von 0,22, sodass wir im Grunde genommen doppelt so viele Variationen erhalten wie mit dem klassischen Verfahren. |
| |
Wir können auch die Profilspuren der beiden Modelle vergleichen, wenn wir SVEM auf alle 46 Beobachtungen anwenden. |
| |
Es ist klar, dass wir im Grunde das gleiche Modell erhalten, wenn wir SVEM auf alle 46 Läufe anwenden, wie wir es mit nur 16 Läufen unter SVEM erhalten. |
| |
Dem auf Vorwärtsauswahl basierenden Modell fehlen jedoch Krümmungsterme, nicht zu übersehen ... ganz zu schweigen davon, dass auch viele Interaktionen fehlen. Dies ist eine ziemlich einfache Prozedur ... eine ziemlich einfache Prozedur, mit der Sie SVEM anhand Ihrer eigenen historischen Daten testen können. |
| |
Also insgesamt SVEM |
| |
wirft viele Fragen auf. Viele von ihnen konzentrieren sich auf die Rolle von Freiheitsgraden in Entwurfsexperimenten, da wir jetzt Modelle anpassen können, bei denen es mehr Parameter als Zeilen gibt, was bedeutet, dass es effektiv negative Freiheitsgrade geben würde, wenn es so etwas gäbe. |
| |
Ich denke, dies wird uns veranlassen, die Rolle des P-Wert-basierten Denkens beim industriellen Experimentieren zu überdenken. |
| |
Wir müssen daran arbeiten, neue Methoden für Unsicherheiten in der Analyse zu etablieren, wie z. B. Vorhersagen ... in Konfidenzintervallen für Vorhersagen. |
| |
Phil und ich arbeiten daran, die beste Familie von Basismodellen zu verstehen, mit denen wir arbeiten können. Dies könnten also quadratische RSMs sein, und wir betrachten auch diese partiellen kubischen Modelle, die vor langer Zeit vorgeschlagen wurden, aber jetzt glauben wir, dass es sich lohnt, sie zu überdenken. |
| |
Welche Arten von Designs sollten wir verwenden? Welche Stichprobengrößen sind in Abhängigkeit von der Anzahl der Faktoren im verwendeten Basismodell angemessen? Welche Rolle spielen Screening-Experimente? Und ein großes Unbekanntes ist die Rolle des Blockierens und des Split-Plot-Experimentierens |
| |
in diesem Rahmen? |
| |
Jetzt werde ich es Phil übergeben. Er wird eine eingehendere Fallstudie durchführen und auch das SVEM-Add-In von Predictum vorführen. Nimm es weg, Phil. |
| Philip Ramsey |
Okay, danke, Chris. Und was ich tun werde, ist eine Fallstudie zu besprechen, also lassen Sie mich dies einfügen |
| |
Diashow und ich werde einige tun |
| |
Illustration des Predictum, wie Chris sagte |
| |
Add-In, das tatsächlich einen Großteil der SVEM-Analyse automatisiert. Und wir versuchen, eine Analysemethode zu betrachten, die in der Biotech-Industrie verwendet wird. |
| |
Und dieser dient zur Charakterisierung der Glykoprofilierung von therapeutischen Proteinen, im Grunde genommen von Proteinen, um Antikörper zu werden. |
| |
Und viele von Ihnen, die in dieser Branche arbeiten, wissen, dass Glykoproteine wirklich eine sehr reichhaltige Quelle für Therapeutika sind, und Sie wissen auch, dass Sie die Zuverlässigkeit der Messsysteme nachweisen müssen, wenn Sie an GMP arbeiten. Und eigentlich für die Glykoprofilierung, |
| |
Schnelle, einfach zu verwendende Analysemethoden sind nicht wirklich vollständig entwickelt. Die Idee dieses Experiments war es also, eine ziemlich schnelle und einfache Methode zu finden, die die Leute verwenden konnten, um eine genaue Einschätzung der verschiedenen zu erhalten |
| |
(Ich bin hier kein Chemiker) Zucker, die gewesen sind |
| |
an das Basisprotein nach der Transkription gebunden. |
| |
Und um Ihnen eine Idee zu geben, die Idee, Chromatographie zu verwenden, und ich gehe davon aus, dass Sie damit vertraut sind, im Grunde ist es eine Methode, bei der Sie |
| |
Wenn Sie eine Lösung haben, lassen Sie sie durch eine Säule laufen, und dann, wenn die verschiedenen chemischen Spezies durch die Säule gehen, |
| |
Sie neigen dazu, sich zu unterschiedlichen Zeiten zu trennen und aus der Säule herauszukommen. Also im Grunde eine Form, was als Chromatagramm bezeichnet wird, wo der Peak |
| |
ist eine Funktion der Konzentration und der Zeitpunkt, zu dem der Peak auftritt, ist tatsächlich wichtig, um zu identifizieren, was die Art tatsächlich war. In diesem Fall werden wir uns einige davon ansehen |
| |
Zucker. Ich werde sie einfach Glykoformen nennen, und hier geht es darum, dass die Wissenschaftler, die diese Arbeit durchgeführt haben, eine Kalibrierungslösung entwickelt haben. |
| |
Und wir wissen genau, was in der Kalibrierungslösung enthalten ist. Wir wissen genau, welche Spitzen eluieren sollen und ungefähr wo. |
| |
Und dann können wir eine tatsächliche menschliche Antikörperprobe mit der Kalibrierungsprobe vergleichen. Und einige dieser Glykoformen sind geladen. Es ist schwierig, sie durch die Säule zu bringen. |
| |
Sie neigen dazu, sich daran zu halten, daher verwenden wir das, was manchmal als Gradientenelutionsverfahren bezeichnet wird. |
| |
Und ich werde nicht auf die Details eingehen. Und was wir hier tun, wir verwenden etwas, das als Hochleistungs-Anionenaustauschchromatographie bezeichnet wird. Ich bin kein Experte dafür, aber der Wissenschaftler, mit dem ich zusammengearbeitet habe, hat es getan |
| |
Eine sehr gute Arbeit bei der Entwicklung dieser Kalibrierung, und der Grund, warum wir eine Kalibrierungslösung brauchen, die historisch gesehen |
| |
Die Zucker, die aus einer menschlichen Antikörperprobe eluieren, sind nicht vollständig vorhersehbar, wo sie aus einer Säule austreten werden. Wir haben also etwas, das wir für die Kalibrierung verwenden können. |
| |
So. |
| |
Die Person, die die Arbeit gemacht hat, und ich werde sie gleich erwähnen, hat zwei separate Experimente entworfen. Eines ist ein dreistufiges Design mit 16 Auflagen. |
| |
Und später kam sie zurück und machte ein größeres 28-Run-Design auf drei Ebenen. Und so könnte einer als Trainingssatz verwendet werden und der andere ist ein Validierungssatz, aber um den kovariaten Selektor und die Bayes'sche I-optimale Strategie zu demonstrieren, über die Chris sprach, |
| |
Beide Designs wurden zu einem einzigen 44-Run-Design kombiniert. Wir dann |
| |
nahm dieses Design mit dem kovariaten Selektor in ein kundenspezifisches Design und erstellte dann verschiedene Bayes'sche I-optimale Designs. |
| |
Wir hätten mehr Kombinationen machen können, aber wir haben nur so viel Zeit, darüber zu sprechen. Es gibt also drei Designs. Man hat 10 Läufe, erinnere dich an die fünf Faktoren und wir machen 10 Läufe. |
| |
Ein 13-Run-Design und ein 16-Run-Design und wieder könnten wir weit mehr tun. Wir wollen also sehen, wie diese aussehen |
| |
Entwürfe werden ausgeführt, nachdem wir Lüfter zum Anpassen von Modellen verwendet haben. Übrigens werden, wie Chris erwähnt hat, in jedem dieser Entwürfe die Läufe, die nicht aus den 44 ausgewählt wurden, als Validierungs- oder Testsatz verwendet, um festzustellen, wie gut das Modell ist durchgeführt. |
| |
Okay, das sind also die Anfangsfaktoren, die Anfangsmenge an Natriumacetat, die Anfangsmenge an Natriumhydroxid. Und dann finden drei separate Gradientenelutionsschritte statt |
| |
über die Prozesszeit, die auf ca. 40 Minuten läuft. Dies sind also die Einstellungen, die im Experiment verwendet und bearbeitet werden. |
| |
In diesem Experiment gibt es tatsächlich 44 verschiedene Antworten, die man sich ansehen könnte. Angesichts der verfügbaren Zeit werde ich mir zwei ansehen. |
| |
Eine ist die Retentionszeit für Glycoform 3, und dies ist der Schlüssel, der das Kalibrierungschromatogramm verankert. |
| |
Und wir möchten, dass es nach ungefähr achteinhalb Minuten herauskommt, weil es gut mit menschlichen Antikörperproben übereinstimmt. |
| |
Es ist eigentlich ziemlich einfach zu modellieren. Die zweite Antwort ist die Retentionszeit von Glycoform 10. Es ist ein geladenes Glykoform. Es eluiert sehr spät und neigt dazu, sich mit anderen geladenen Glykoformen zusammenzuschließen, und ist schwerer zu unterscheiden. OK, das sind also die beiden Antworten, die ich mir ansehen werde. |
| |
Und für diejenigen, die mit Chromatographie nicht vertraut sind, sind hier einige sogenannte Chromatogramme. Dies sind im Wesentlichen die Antworten, |
| |
Bilder davon, wie die Antworten aussehen, und in diesem Fall, wenn Sie sich das Bild ansehen, werden wir uns die Aufbewahrungszeit ansehen, dh wann |
| |
Peak 3 rauskommen? Zu welcher Zeit und zu welcher Zeit kam Peak 10 heraus und tauchte im Chromatogramm auf? Und übrigens zwischen den beiden bemerken |
| |
Ich zeige Chromatogramme, wie unterschiedlich die Profile sind. Also in diesem Experiment, als wir diese experimentellen Faktoren manipulierten |
| |
(und übrigens haben wir 44 dieser Chromatogramme; ich zeige Ihnen zwei davon), Sie sehen viele Unterschiede in der Form und den Retentionszeiten usw. dieser Peaks und in der Auflösung. Was auch immer wir tun, wir manipulieren eindeutig |
| |
die Chromatogramme, und für diejenigen unter Ihnen, die neugierig sind, ja, wir denken in Zukunft darüber nach, wie funktionale Daten und wie funktionale Datenanalysen verwendet werden könnten. |
| |
Aber das ist oft die Zukunft, aber das ist definitiv etwas, an dem wir sehr interessiert sind. Chromatogramme sind letztendlich wirklich Funktionsdaten. Aber ich werde nur zwei Features extrahieren und versuchen, sie zu modellieren. Okay. Und ich möchte auch Anerkennung geben |
| |
Dr. Eliza Yeung von Cytovance Biologics, eine gute Freundin und exzellente Wissenschaftlerin. Und sie hat die ganze experimentelle Arbeit gemacht und sie war diejenige, die auf die Idee gekommen ist, die ... |
| |
Was sie die Glukoseleiter nennt, die Kalibrierungslösung. Und Eliza ist nicht nur eine nette Person, sondern liebt auch JMP. Wir mögen Eliza in vielerlei Hinsicht, okay. Ausgezeichneter Wissenschaftler. Okay, also |
| |
bevor ich hineinkomme |
| |
SVEM, ich möchte nur erwähnen ... Chris erwähnte das vollständige quadratische Modell, das seit 1950 als Grundlage für die Optimierung verwendet wurde. |
| |
Grundsätzlich alle Haupteffekte, Zwei-Faktor-Wechselwirkungen und quadratische Terme. Tatsächlich ist die Kinetik für viele komplexe physikalische Systeme für dieses Modell zu komplex. |
| |
Und Cornell und Montgomery wiesen 1998 in einem wirklich schönen Artikel darauf hin und schlugen vor, dass in vielen Fällen |
| |
Was sie das Interaktionsmodell nennen, wir nennen es das partielle kubische Modell, könnte besser funktionieren. Und meiner Erfahrung nach sind sie richtig, wenn Sie SVEM verwenden und dieses Modell auf viele Fallstudien anwenden. Es gibt tatsächlich bessere Vorhersagemodelle, aber es gibt ein Problem. |
| |
Diese partiellen kubischen Modelle können sehr groß sein und stellen eine große Herausforderung für traditionelle Modellierungsstrategien dar, bei denen übersättigte Modelle, wie Chris erwähnte, ein großes Problem darstellen. |
| |
Wie viele mögliche Begriffe gibt es? Nimm das K-Quadrat zweimal und füge eins für den Achsenabschnitt hinzu. Also für fünf Faktoren die volle |
| |
Teilkubisches Modell hätte 51 Terme. Übrigens werde ich diese Modelle verwenden, aber ich werde nur 40 der Begriffe verwenden, die normalerweise am wichtigsten sind. |
| |
Und dann werden wir eine selbstvalidierende Ensemble-Modellierung verwenden, um die Modelle anzupassen, und wie Chris sagte, hat SVEM kein Problem mit übersättigten Modellen. |
| |
Übrigens sind in der Literatur zum maschinellen Lernen übersättigte Modelle immer fit. |
| |
Und mit den richtigen Techniken des maschinellen Lernens können Sie tatsächlich ... sie können Ihnen tatsächlich zeigen, dass Sie eine bessere Vorhersageleistung erhalten. |
| |
Dies ist in der traditionellen Statistik weitgehend unbekannt, okay. Wir werden also das SVEM-Add-In verwenden, und ich habe erwähnt, dass Sie Wayne Levin, der bereits gesprochen hat, bei Predictum kontaktieren können, wenn Sie mehr darüber erfahren möchten. Ich bin sicher, Wayne würde gerne mit Ihnen sprechen. |
| |
Gehen wir also kurz zu JMP. |
| |
Und ich werde Ihnen zeigen, wie das Add-In tatsächlich funktioniert. Lassen Sie mich JMP überarbeiten. |
| |
Also habe ich das Add-In installiert, damit es eine eigene Registerkarte hat. Also klicke ich auf Predictum. Übrigens ist dies eines der Bayes'schen I-optimalen Designs, die wir erstellt haben, und dieses hat 16 Läufe. Wählen Sie die selbstvalidierende Ensemble-Modellierung. |
| |
So sehen Sie, wie Ihr typischer Startdialog für ein geeignetes Modell aussieht. Ich werde meine fünf Faktoren auswählen. |
| |
Und ich werde an dieser Stelle nur ein Antwortoberflächenmodell zur Veranschaulichung erstellen, und ich möchte modellieren |
| |
Retentionszeit für Glykoform 3. Beachten Sie im Hintergrund dieses Setup, die Autovalidierungstabelle, also gibt es eine Wartefunktion. |
| |
Und es gibt einen Teil der automatischen Validierung. Dies ist alles im Hintergrund, Sie müssen es nicht sehen. Aber die Säge ... aber das Add-In hat es erstellt und dann verbirgt es es im Grunde, aber Sie können es sich ansehen, wenn Sie wollen, aber es ist versteckt, weil es nicht besonders wichtig ist, es zu sehen. |
| |
Jetzt öffnen wir GenReg, also ist dies das GenReg |
| |
Schalttafel. Übrigens ist SVEM in Bezug auf die Methode, mit der Sie es für die Modellbildung verwenden, wirklich agnostisch. Sie könnten also Methoden verwenden, die nicht einmal in GenReg enthalten sind, aber das ist heute unser Hauptaugenmerk. Also werden wir die Vorauswahl treffen. |
| |
Und weil wir nur so viel Zeit haben, mache ich nur 10 Wiederholungen. |
| |
Klicken Sie auf Los und wir erstellen das Modell. |
| |
Hier ist also die Ausgabe für nur 10 Wiederholungen, und Sie erhalten eine tatsächliche durch vorhergesagte Darstellung. Aber das Schöne daran ist, dass es tatsächlich den Durchschnitt des Ensemble-Modells für Sie erstellt. |
| |
Also klicke ich auf das selbstvalidierende Ensemble-Modell und speichere die Vorhersageformel. Also werde ich fortfahren und diese Anzeige schließen. |
| |
Komm. |
| |
Und da ist mein Modell. |
| |
Ich kann dieses Modell jetzt nehmen und es auf die Validierungsdaten anwenden. Wir haben also 16 Läufe ausgewählt, sodass weitere 28 verfügbar sind, die als Validierungssatz verwendet werden können, um zu sehen, wie wir es tatsächlich gemacht haben. An diesem Punkt gehe ich jetzt zurück zum |
| |
Präsentation und übrigens ohne das SVEM-Add-In kann es ein bisschen schwierig sein, insbesondere wenn Sie nicht besonders gut mit JMP-Skripten umgehen können |
| |
um diese Modelle tatsächlich zu erstellen. Das Add-In sieht also möglicherweise nicht so aus, als hätte es im Hintergrund sehr viel Arbeit geleistet, okay. Wie haben wir es gemacht? Lassen Sie mich dies wieder in die Diashow aufnehmen. |
| |
Also, was ich getan habe, es gibt drei Designs, ein 16-Run-Design, ein 13-Run, und dann habe ich einen 10-Run ausgewählt. Wir schieben wirklich den Umschlag. |
| |
Und es gibt zwei Antworten, wie gesagt, Glycoform 10 eluiert spät und neigt dazu, laut zu sein und kann schwer zu lösen sein. Für das 16-Run-Design passe ich also tatsächlich ein 40-Term-Teilkubikmodell an. Denken Sie daran, 16 Läufe. Und ich passe ein 40-Term-Modell an. |
| |
Und dann ist der Schlüssel dazu der quadratische Durchschnittsfehler im Validierungssatz, okay. So |
| |
Ich passe mein sechstes ... mein 40-Term-Modell und dann das |
| |
Der quadratische Durchschnittsfehler des Validierungssatzes war gering und das R-Quadrat der Validierung lag tatsächlich nahe bei 98, sodass es sehr, sehr gut passte. |
| |
Beachten Sie, auch für die viel lauter |
| |
Glycoform 10, wir haben immer noch ein ziemlich gutes Modell. Ich zeige Ihnen einige aktuelle anhand vorhergesagter Handlungen. Also haben wir das für 13 gemacht, noch einmal für 13, wir haben sehr gute Ergebnisse erzielt. |
| |
Und dann endlich für 10. Übrigens für 10, ich passe einfach auf das quadratische Standardmodell, ich hatte das Gefühl, mein Glück wirklich zu pushen. |
| |
Aber ich hätte weitermachen und die teilweise kubische versuchen können. Und noch einmal, selbst bei 10 Läufen, bei denen die Retentionszeit von Glycoform 3 modelliert wurde, erhielt ich ein R-Quadrat von 0,94. |
| |
Für mich ist das wirklich beeindruckend und ich habe wieder modelliert ... mein Modell hatte doppelt so viele Prädiktoren wie es Beobachtungen gab und selbst mit dem schwer zu modellierenden Glykoform 10 haben wir uns recht gut geschlagen. |
| |
Also, hier sind einige aktuelle, vorhergesagte Diagramme, und ich wähle wieder Glycoform 10, weil es wirklich schwer zu modellieren ist. |
| |
Ich wollte das System also nicht zu sehr spielen. Ich weiß aus Erfahrung, dass es schwer zu modellieren ist. Es gibt also eine tatsächliche, vorhergesagte Handlung. Es gibt eine weitere tatsächliche, vorhergesagte Handlung für das 10-Run-Design, die immer noch ziemlich gut funktioniert |
| |
wenn Sie überlegen, was wir hier versuchen. |
| |
Und schließlich, wie haben wir uns insgesamt geschlagen? |
| |
Dies ist also eine kleine Tabelle, die ich zusammengestellt habe und die ich als Grundlage für das 16-Run-Design verwendet habe. Dann vergleiche ich, was passiert ist, als wir die 10-fach-Tabelle angepasst haben. |
| |
Termmodell und der 13-Term für die Retentionszeit für G10. |
| |
Sie werden feststellen, dass wir für 13 einen ziemlich großen Fehler und für 10 einen viel kleineren Fehler haben. Ich weiß nicht warum. Ich wollte nur zeigen, was die Ergebnisse waren. Es ist ein bisschen rätselhaft, und ich bin nicht zurückgegangen, um es zu erforschen. |
| |
Beachten Sie jedoch, dass ich für die Aufbewahrungszeit drei von 16 auf 10 gehe. Ja, ich habe eine gewisse Erhöhung des quadratischen Durchschnittsfehlers festgestellt, aber Sie wissen, ob Sie die tatsächliche nach vorhergesagter Darstellung betrachten. |
| |
Die Vorhersage des Validierungssatzes ist immer noch gut. Der Punkt dieses Wesens, und das ist, ich weiß das ist, ich arbeite viel mit Biotech-Unternehmen, die |
| |
Die tatsächlichen Wirkungsgrade, die Sie möglicherweise in Ihren Versuchsplänen erzielen könnten, und ich weiß, dass diese Versuche für viele von Ihnen kostspielig sind. |
| |
Und was noch wichtiger ist, sie nehmen viel Zeit in Anspruch. Dies kann Ihre Versuchszeit wirklich verkürzen, Ihr Versuchsbudget reduzieren und noch mehr Informationen erhalten. |
| |
Also nur eine kurze Schlussfolgerung. Dieses SVEM-Verfahren und dies, und wie Chris gezeigt hat, haben wir dies in Simulationen und Fallstudien untersucht. |
| |
SVEM eignet sich hervorragend für übersättigte Modelle. Ich werde nicht darauf eingehen, aber aus der Praxis des maschinellen Lernens ist bekannt, dass übersättigte Modelle sehr gut funktionieren. Sie verwenden die ganze Zeit und tiefes Lernen als Beispiel. |
| |
Grundsätzlich kombiniert SVEM, wie Chris sagt, maschinelles Lernen mit der Gestaltung von Experimenten. |
| |
Und noch wichtiger ist, dass Sie, sobald Sie den Weg der SVEM beschreiten, darüber informieren, wie Sie über das Experimentieren denken. |
| |
Wenn wir also SVEM verwenden, können wir über hocheffiziente Experimente nachdenken, die das Innovationstempo wirklich beschleunigen und die Zeit und die Kosten für Experimente reduzieren können. Und mit der Zeit, Produkte und Prozesse zu entwickeln |
| |
Wenn die Vorlaufzeiten immer kürzer werden, ist dies kein trivialer Punkt, und ich weiß, dass viele von Ihnen in der Biotechnologie auch mit ernsthaften Budgetbeschränkungen konfrontiert sind. |
| |
Und dann (übrigens die meisten Menschen) und schließlich ist ein vielversprechender Bereich das Bayseian I-optimale Design. |
| |
Und noch einmal, ich werde erwähnen, dass Brad Jones und seine Gruppe großartige Arbeit geleistet haben, um diese in JMP einzuführen. Es ist das einzige Softwarepaket, von dem ich weiß, dass es tatsächlich Bayes'sche I-optimale Designs ausführt. |
| |
Und wir glauben, dass SVEM das Fenster für viele Möglichkeiten öffnen wird. Im Grunde ist das meine Geschichte und ich werde sie Wayne Levin übergeben. |
| Wayne Levin |
Vielen Dank dafür, |
| |
Phil und Chris. Ich hoffe, jeder kann sehen, dass es sehr viel Arbeit gibt, und es wurde viel geforscht, auch einige |
| |
Arbeite in den Gräben, könnte man sagen, und ich bin jetzt seit über 30 Jahren in diesem Spiel. Es macht mir nichts aus, dir zu sagen, dass ich sehr aufgeregt bin über das, was ich hier sehe. |
| |
Ich denke, das kann wirklich transformativ sein, wirklich verändert, was ... wie industrielle Experimente hier durchgeführt werden. Ich war vorher sehr begeistert von übersättigten Designs allein und das war es auch |
| |
erleichtert mit einem kundenspezifischen Designer und jetzt mit ... das ist auf der Design-Seite. |
| |
von Sachen. |
| |
Wenn Sie SVEM auf die Analyseseite bringen, meine ich, das sind zwei großartige Geschmäcker |
| |
das passt gut zusammen, könnte man sagen. Also, nur um zu schließen, ich werde das hier einfach reinschieben |
| |
Phil, ich und Marie Goddard, wir stellen einen On-Demand-Kurs zusammen (er sollte im nächsten Quartal verfügbar sein, wie im April). |
| |
Wir werden uns in diesem Kurs viel Zeit auf SVEM konzentrieren. Wenn Sie das interessiert, lassen Sie es mich bitte wissen oder werden ... damit wir Sie über LinkedIn oder eines dieser Dinge informieren oder uns folgen können. |
| |
Und für das SVEM-Add-In freue ich mich, wenn ich darf, dass wir als Erste damit vermarktet haben. |
| |
Wir haben einige Monate hart daran gearbeitet. Wir machen ungefähr jeden Monat eine neue Veröffentlichung, daher entwickelt sie sich weiter, da wir Feedback vom Feld erhalten, und ich möchte Phil sehr danken |
| |
dafür. Und er hat mit einem unserer Entwickler zusammengearbeitet (???) und es war wirklich eine großartige Anstrengung, viel harte Arbeit |
| |
um an diesen Punkt zu gelangen, und wir möchten Ihnen dies zur Verfügung stellen. Und wie Phil bereits erwähnt hat, gibt es zwei Möglichkeiten, dies zu versuchen. Eine ist, versuchen Sie einfach das Add-In selbst, |
| |
es funktioniert mit 14 und 15. Und wenn 16 herauskommen, wird es wahrscheinlich auch für 16 funktionieren. Es ist JMP Pro erforderlich. Wenn Sie also nicht über JMP Pro verfügen, finden Sie hier einen Link, über den Sie eine JMP Pro-Testlizenz beantragen können. |
| |
Diesen Link erhalten Sie natürlich, indem Sie die Folien für diese Präsentation herunterladen. So können Sie es bekommen, also können Sie auf diese Weise damit arbeiten, um es selbst zu versuchen. |
| |
Eine andere Möglichkeit ist, uns einfach zu kontaktieren, und wir können mit Ihnen auf Proof-of-Concept-Basis zusammenarbeiten. |
| |
Und wir könnten einige vergleichende Analysen usw. durchführen und diese Analyse natürlich mit Ihnen überprüfen. Sie wissen also, dass wir die erforderlichen Unterlagen bereitstellen und |
| |
es macht uns nichts aus, es auszuprobieren. Wir haben das für eine gute Anzahl von Unternehmen getan und das ist vielleicht der einfachste Weg für Sie, was auch immer für Sie funktioniert. Okay, und für den Moment möchte ich dann tun |
| |
Öffnen Sie es zu diesem Zeitpunkt für Fragen oder Kommentare. Ich sage im Namen von Chris und Phil, danke, dass Sie zu uns gekommen sind. Also okay, Fragen und Kommentare bitte. |
