揚聲器
|
成績單
|
| 韋恩·萊文 |
自驗證集成模型，因為我們將其視為實驗設計等方面的範式轉變。 |
| |
只是...我們去了。 我們的議程是...我們將要...只是簡要介紹一下誰在講話。 |
| |
因此，SVEM的內容，原因和方式。 因此，我們將對DOE和機器學習進行快速概述，描述將它們混合到SVEM中，分析一些現實世界...現實世界中的SVEM實驗， |
| |
回顧一些當前的研究，並演示JMP 16中的新候選人集設計器，這是JMP 16中的新成員，然後我們將按照通常的（如您所知）接下來的步驟以及問答環節等進行總結。 |
| |
SVEM是一種了不起的新方法，它可以用更少的實驗週期來提取更多的見解，並從包括DOE在內的少量數據中建立更準確的預測模型。 |
| |
然後，我們期望使用SVEM，我們保證您將節省成本，您將更快進入市場，並更快地解決問題。 我們將繼續探索所有這一切。 |
| |
在會議中。 |
| |
我是Wayne Levin，是Predictum的總裁，我是JMP的首席數據科學家Chris Gotwalt，我也加入了我，是Predictum的高級數據科學家，University of University的副教授Phil Ramsey。新罕布什爾。 |
| |
所以我們就 |
| |
在這裡盤點。 JMP對數據科學的巨大貢獻，眾所周知，在20年前的DOE領域中，JMP 4將具有坐標交換算法。 |
| |
然後大約八年前，九年前，我們看到了確定的篩選設計。 而且我們想認為SVEM，我們稱其為簡短的，可自我驗證的集成建模（嘗試并快速地說三遍），我們想認為這是另一種貢獻。 |
| |
機器學習和實驗設計。 |
| |
它克服了有限的數據量的限制。 如果數據量很少，就無法進行機器學習，通常必須擁有大量數據才能實現這一目標。 |
| |
現在，我們一直在該領域中嘗試SVEM，並且已經有許多公司與我們聯繫，我們已經提供了SVEM的試用版。 我們在 |
| |
Predictum是第一個在該領域創建產品並將產品推向市場的人，我只想與您分享到目前為止我們學到的一些知識。 |
| |
其中之一就是SVEM的運作異常出色。 我的意思是，當您有更多參數和運行次數時，它可以很好地與 |
| |
高階模型。 它確實提供了更準確的預測，還有助於從損壞的DOE中恢復。 因此，舉例來說，如果您有明確的篩選設計， |
| |
無論出於何種原因，都無法確定是否合適，我們已經向我們發送了一些歷史性DOE， |
| |
缺乏力量。 您知道，他們什麼也沒找到，但是使用SVEM，實際上可以。 它能夠。 而且您知道我們遇到了一些缺失或可疑運行的情況。 |
| |
我們學到的其他東西是，它不會幫助您進行理性階乘，所以類似的事情。 我們對這裡的預測模型感興趣 |
| |
分數階乘確實沒有給出預測模型；他們不是為此而設計的。 因此，它不會給您帶來數據無法傳遞的結構， |
| |
至少沒有達到這個程度。 我們了解到的另一件事是，我們尚未測試SVEM的全部潛力。 為此，我們確實需要 |
| |
首先要考慮SVEM來設計實驗，這意味著要研究更多因素。 我們不想只看三個或四個因素。 10、15甚至更多呢？ |
| |
從研究中我們了解到Chris和Phil將談論貝葉斯I最優設計是最好的...與SVEM以及混合設計一起使用的最佳方法 |
| |
對SVEM尤其有用，稍後我將再說一點。 就SVEM而言 |
| |
如果您想嘗試一下，我們將在Chris和Phil之後提供一些信息，以供您討論。 話雖如此，我將把它交給您，克里斯，克里斯 |
| |
了解SVEN的內容，原因和方式。 克里斯，謝謝你。 |
| 克里斯·高瓦特（Chris Gotwalt） |
好吧，很好，謝謝韋恩。 哦，等等，我要分享我的屏幕嗎？ |
| 韋恩·萊文 |
還沒有。 |
| |
好了 |
| 克里斯·高瓦特（Chris Gotwalt） |
好吧，很好，謝謝，韋恩。 |
| |
因此，現在我將介紹自驗證集成模型或SVEM的想法。 |
| |
我將使其保持基本狀態。 我假設您有一些設計和實驗分析的經驗。 |
| |
最重要的是，您應該了解統計建模過程可以歸結為使函數適合數據 |
| |
預測變量響應變量作為輸入變量的函數。 從高層次看，SVEM是使用大數據應用程序的機器學習算法之間的橋樑 |
| |
和實驗設計，這通常被認為是一個很小且很好的分析問題。 機器學習和DOE都有很長的歷史，但是直到現在，它們都是相對獨立的傳統。 |
| |
我們的研究表明，使用SVEM可以使用較少的觀測值獲得更準確的模型。 |
| |
這意味著可以使用更少的資源以更低的成本在更少的時間內完成產品和流程的改進。 因此，如果您身處競爭激烈的行業， |
| |
如果首先進入市場至關重要，那麼SVEM應該引起您的極大興趣。 |
| |
特別是，我們認為SVEM在製藥和生物技術行業中具有特殊的...巨大的前景， |
| |
高科技，例如半導體製造以及消費產品的開發。 |
| |
在JMP的工作中，我對許多行業和應用程序領域中的數據處理方式有大致的了解。 |
| |
我已經開發了用於構建最佳設計實驗以及相關分析過程（如混合模型和模型綜合化）的算法。 |
| |
另一方面，我還是JMP Pro神經網絡算法以及產品中其他一些機器學習技術的開發人員。 |
| |
在過去的20年中，我看到在對大型觀測數據集進行建模並看到許多新數據時，機器學習變得更加重要。 |
| |
已開發的算法。 同時，對設計實驗的分析也發生了變化，但在過去的20年中逐漸增加。 |
| |
1970年代末期閱讀Box，Hunter和Hunter的任何人都可以識別出工業實驗的總體統計方法。 |
| |
機器學習和實驗設計通常應用於工業領域，以解決本質上可預測的問題。 |
| |
我們使用這些工具來回答問題，例如傳感器指示批次是否有問題，或者我們如何調整流程以最大程度地提高產量同時將成本降至最低。 |
| |
儘管它們本質上都是可預測的，但機器學習和實驗設計通常已應用於相當不同類型的數據。 |
| |
我現在要做的是對這兩者進行快速概述，然後描述我們如何將它們融合到SVEM中。 |
| |
我將分析實際實驗中的一些數據，以顯示其工作原理以及為什麼我們認為整體效果很好。 |
| |
我將全面介紹...我將介紹...我將介紹由新罕布什爾大學的博士學位學生Trent Limpkiss（？）完成的模擬結果，這使我們相信該方法非常有用。有希望。 |
| |
然後，我看一個示例，該示例顯示如何使用JMP 16中的新候選集設計來查找現有數據集的最佳子集，以便您可以自己嘗試SVEM。 |
| |
我將重點介紹我們的一些觀察結果，提到我們希望回答的一些將來的問題，然後將其交給Phil，後者將進行更深入的案例研究和SVEM附加組件的演示，在。 |
| |
考慮屏幕上的簡單數據。 這是來自冶金工藝的數據，我們希望在加工步驟結束時預測收縮量。 |
| |
我們想在左側使用三個變量來預測收縮率。 建模相當於找到一個將壓力，時間和溫度聯繫起來的函數，該函數可在此處預測響應（收縮）。 |
| |
希望該模型能夠生成...將來可以推廣到新數據。 |
| |
在機器學習環境中，執行此操作的標準方法是將數據劃分為兩個不相交的行集。 一種叫做訓練集，它用於擬合模型，以確保我們不會過度擬合數據， |
| |
導致模型在新觀測值上不准確。 我們還有另一個數據子集，稱為驗證集，用於測試我們曾經使用過的各種模型。 |
| |
已經適合訓練集的 這裡需要權衡取捨，因為過於簡單的功能無法解釋足夠多的變化，因此它們在訓練和驗證集上的適用性很差。 |
| |
過於復雜的模型可以非常適合訓練集，但對於驗證集將非常不准確。 |
| |
我們使用諸如驗證R平方之類的度量來找到既不太簡單也不太複雜的goldilocks模型。 |
| |
該金發姑娘模型將是其驗證R平方在驗證集上最高的模型。 |
| |
當您用引號將無引號的行數相當多時，這種保留樣式模型的選擇是一種很好的方法， |
| |
通常在數億行或更多的行中。 較大的語句是有意的模棱兩可，並取決於當前的任務。 就是說，您在此處看到的12行實際上太小了，僅用於說明目的。 |
| |
在DOE中，我們通常會遇到時間和/或資源受到嚴重限制的情況。 |
| |
設計實驗（尤其是作為關鍵JMP功能的最佳設計實驗）的核心思想是圍繞獲得盡可能少的行數打包的最高質量信息。 |
| |
多年來，許多有才華的人們創建了統計工具，例如F檢驗，半正態圖和模型選擇標準，例如AIC和BIC， |
| |
幫助我們做出有關DOE數據模型的決策。 這些都是可以幫助我們確定應使用哪種模型作為科學，工程和製造決策依據的指南。 |
| |
通常不做的一件事是將機器學習模型選擇應用於設計的實驗。 現在為什麼會這樣？ |
| |
一個重要的原因是，信息被緊緊地包裝在設計中，以至於即使刪除一些觀察結果也會導致主要效果和交互作用崩潰。 |
| |
因此我們不再能夠將它們分成唯一可估計的效果。 如果仍然嘗試這樣做，則可能會看到軟件報告警告，例如丟失的自由度或添加到模型報告中的奇異細節。 |
| |
現在，我們將進行一些思想上的實驗。 如果我們嘗試作弊一點怎麼辦？ |
| |
如果我們複製原始表中的所有行，即X和Y，然後將一個副本標記為“ training”，將另一個副本標記為“ validation”，該怎麼辦？ 現在我們有足夠的數據，對不對？ 錯誤的。 我們並沒有愚弄任何人，這是這個瘋狂的計劃。 |
| |
太瘋狂了，因為如果您嘗試使用這種方法進行建模並查看擬合優度指數的任何圖，您會發現使它們變得更複雜會導致更適合訓練集，但是因為訓練和驗證 |
| |
在這種情況下，集合是相同的，方法總是會導致過擬合。 |
| |
因此，讓我們備份和重塑機器學習模型的選擇，就像在相同數據上計算出的兩個加權平方和的故事一樣。 |
| |
不用考慮根據兩個數據分區來選擇模型，我們可以將其視為兩列權重。 |
| |
訓練集中的行的訓練權重等於1，否則等於0，而驗證列等於 |
| |
對於訓練行，該值等於零；對於驗證行，該值等於1。 |
| |
因此，從機器學習模型選擇中，我們可以認為每一行都有自己的一對權重值，其中兩個權重均為二進制零和一。 |
| |
以這種方式設置它們可以使我們對模型擬合進行獨立評估。 |
| |
通過找到查找參數值來擬合模型，這些參數值會最小化使用訓練權重加權的平方誤差總和，並使用使用驗證列權重加權的平方誤差總和來衡量通用性能。 |
| |
如果我們在散點圖中繪製這些權重對，我們當然會看到訓練驗證權重……訓練和驗證權重是完全反相關的。 |
| |
現在，如果不是代替強迫自己使用完全反相關的二進制值對，而是放寬了這些值只能採用零和一的值的要求，那該怎麼辦？ |
| |
並允許權重取任何嚴格的正值？ |
| |
為此，我們必須放棄一些知識，尤其是據我所知，為了使其在數學上起作用，我們不再擁有完全反相關的權重對，但是我們可以通過一定的方式來做到這一點相關性。 |
| |
有很多方法可以做到這一點，但一種方法是使用與分數加權引導程序相同的方案來創建權重，在該方法中，我們使用均值為1的指數分佈 |
| |
創建權重。 使用均勻分佈的屬性有一個小技巧，我們可以用來創建指數分佈但高度反相關的權重對。 |
| |
當將此作為兩列加權驗證方案時，我們稱為自動驗證。 菲爾和我在這個想法上就此發表了幾本探索論文。 |
| |
使用此方法就像擁有權重的訓練列（其方差均值為1）和具有相同屬性的驗證列。 |
| |
在此自動驗證方案下，如果一行對平方的訓練總和的貢獻大於平均權重，則該行對平方的校驗和的貢獻將較小，反之亦然。 |
| |
Mike有一個加載項...我想指出，Mike Anderson創建了一個加載項，將數據集設置為JMP Pro建模平台可以使用的這種格式。 |
| |
現在，最近我和菲爾（Phil）成為特倫特（Trent）的博士生。 |
| |
在春季和秋季，Trent進行了許多模擬，嘗試了許多不同的方法來使模型適合DOE數據，包括基於自動驗證方法的整個動物園。 我將展示他的一些結果 |
| |
在這裡一點。 可以說，就獨立測試集上的最小平均誤差而言，始終有效的最佳方法是應用自動驗證 |
| |
結合變量選擇過程（例如正向選擇），但是我們沒有重複一次或多次重複該過程， |
| |
每次都保存預測公式，並最終在所有這些自動驗證的迭代中平均模型。 我們將此通用過程稱為自驗證集成模型或SVEM。 |
| |
因此，為了使事情更具體一些，我將舉一個簡單的例子來說明這一點。 我們首先初始化自動驗證權重。 |
| |
我們應用模型選擇程序，例如套索或正向選擇，然後將預測公式保存回表中。 |
| |
這是第一個預測公式。 在此迭代中，僅選擇了兩個線性主效果。 |
| |
然後，我們重新初始化權重，使用新的權重集再次適合模型，並保存該預測公式。 |
| |
這是第二個自動驗證的預測公式。 請注意，這次選擇了一組不同的主要效果和相互作用，並且它們的回歸係數這次不同。 |
| |
我們重複此過程很多次。 |
| |
最後，SVEM模型只是所有預測公式中的平均值。 |
| |
這是一個簡潔的圖，將SVEM算法說明為圖。 因此，將引導程序與模型平均相結合的想法 |
| |
當我們重新初始化權重後，一遍又一遍地發生。 我們保存來自該迭代的預測公式。 |
| |
我們保存...在這裡保存參數...在這裡插圖顯示了參數，但是與公式相同。 只需將它們全部保存下來，然後在一天結束時，最終模型就是所有迭代中的平均值。 |
| |
完成後，我們可以在圖形探查器中使用該SVEM模型，並啟用擴展中間公式，以便我們可以可視化結果模型並優化流程等。 |
| |
現在，我將介紹Trent的論文研究的結果。 |
| |
Box Behnkens和DSD的影響因素有四個和八個。 每個模擬包含1,000個模擬重複，並且每個模擬對於我們的二次響應曲面模型都有自己的一組真實參數值。 |
| |
活動參數呈雙指數分佈，我們探索了50％至100％的不同百分比的活動效果。 |
| |
對於1,000個仿真代表中的每一個，在獨立測試集上相對於真實模型評估SVEM預測，該測試集由在因子空間上的10,000個運行空間填充設計組成。 |
| |
我們研究了許多不同的經典單鏡頭建模方法，以及所有驗證的多種變體。 |
| |
但是，只看最有趣的結果就容易多了，因為要比較的東西太多了。 在我們調查的所有情況下，故事都是非常一致的。 |
| |
這是基本設計是確定的篩選設計的模擬過程之一，有8個因素和21個運行。 在這種情況下，50％的效果不為零。 |
| |
這意味著該模型的非零參數與運行時一樣多。 |
| |
左側是套索，Dantzig選擇器，正向選擇和修剪正向選擇的對數均方根誤差的箱形圖，所有均使用AICc進行了調整，這是該方法中表現最好的。 |
| |
此外，接下來是來自擬合確定性平台的方法的最佳性能，其次是將SVEM應用於不同的建模...右側有幾種不同的建模過程。 |
| |
當我們將測試集RMSE與SVEM預測進行比較時，獨立測試集的均方根誤差顯著降低。 |
| |
並且請注意，這是對數尺度的，因此，這在預測性能上有很大的不同。 |
| |
這是一個更有趣的結果。 這是真正使我震驚的情節。 這是相同的仿真設置，除了這裡所有的影響都不為零。 |
| |
因此，真正的模型不僅在設計矩陣中而且在參數本身中都是過飽和的。 |
| |
過去，我們不得不假設活動效果的數量只是所有效果的一小部分，並且肯定少於行數。 |
| |
儘管活動參數的數量大約是行數的兩倍，但在這裡我們得到的模型還是相當準確的，這的確非常出色。 |
| |
現在，我將快速瀏覽一下插圖 |
| |
SVEM展示瞭如何將其應用於您自己的歷史DOE。 我將使用發酵過程中的五因子DOE的真實示例，其中感興趣的響應是通過pDNA滴定度測量的產物收率。 |
| |
SVEM的最大優勢在於，我們可以通過更少的運行獲得更準確的模型。 這意味著我們可以獲取現有數據集， |
| |
使用JMP 16中的新候選集設計器來標識構成原始設計的引用不引用的預測核心的行的子集。 |
| |
我將獲取具有36行的原始數據，將五列作為協變量加載，並告訴定制設計器為我提供原始設計的16行子集，以便在該大小下提供最佳的預測性能。 |
| |
然後，我將隱藏並排除不在該子集設計中的所有行，以便以後可以將它們用作獨立的測試集。 |
| |
我將運行SVEM模型，並將SVEM模型的性能與您應用標準程序（例如前瞻選擇）以及AICc適合16次運行的結果進行比較。 |
| |
我想說的是，JMP 16中的新候選集設計師是……也是一個了不起的貢獻，我只想說一下Brad的團隊在創建這個新工具方面的表現令人難以置信，這將是深刻的在許多方面都非常有用，包括SVEM。 |
| |
為此，我們可以獲取數據集，然後轉到定制設計器。 |
| |
我們選擇協變量行，因此這是JMP 16中的新大綱節點。 |
| |
然後我們選擇五個輸入因子。 |
| |
單擊繼續。 |
| |
我們將按下RSM按鈕，它將自動將最佳性標準轉換為I最佳或預測性類型設計。 |
| |
我們選擇所有非攔截因子，然後在模型中的...上單擊鼠標右鍵。 |
| |
選擇此處的列表並創建...設置所有非攔截效果，就好像可能的效果一樣。 這就是讓我們擁有模型的原因 |
| |
其中的參數比我們的基本設計要多，因為設計標準現在將是貝葉斯I最優設計。 現在我們可以將運行次數設置為等於16。 |
| |
單擊製作設計。 |
| |
完成此操作後，優化器便發揮了魔力，現在在原始表中選擇了貝葉斯I最優子集設計中的所有行。 |
| |
我們可以轉到表，然後使用指示器或轉換列來記錄當前行選擇。 |
| |
然後，我將該列重命名為一個有意義的名稱，以供日後使用。 |
| |
通過選擇新指標列等於零的所有行，我們可以選擇不在子集設計中的點。 |
| |
然後，我們可以隱藏和排除這些行，以便它們不會包含在我們的模型擬合過程中。 |
| |
Phil將演示SVEM插件，因此我將跳過建模步驟，直接對貝葉斯I最優子集設計中未包括的行進行正向選擇加AICc和SVEM模型的模型比較。 所以您可以在這裡看到紅色的比較... |
| |
在此報告的紅色輪廓部分中。 我們看到SVEM在 |
| |
獨立測試集.5和傳統過程的R平方為.22，因此，與SVEM相比，我們得到的變異量基本上是傳統過程的兩倍。 |
| |
當我們將SVEM應用於所有46個觀測值時，我們還可以比較兩個模型的剖面軌跡。 |
| |
顯然，在將SVEM應用於所有46個運行時，我們基本上得到了相同的模型，因為在SVEM下只有16個運行時我們得到了相同的模型。 |
| |
但是基於前向選擇的模型缺少曲率項，更不要錯過...更不用說還有很多交互項也缺少。 這是一個相當簡單的過程……非常簡單的過程，可用於根據您自己的歷史數據測試SVEM。 |
| |
因此，整體SVEM |
| |
提出了很多問題。 它們中的許多都圍繞自由度在設計實驗中的作用，因為我們現在能夠擬合參數多於行的模型，這意味著如果存在這種情況，則實際上將存在負自由度。 |
| |
我認為這將使我們重新考慮基於P值的思維在工業實驗中的作用。 |
| |
我們將必須努力建立分析不確定性的新方法，例如預測...在預測的置信區間中。 |
| |
Phil和我正在做一些工作，試圖了解什麼是我們可以使用的最佳基礎模型系列。 因此，這可能是二次RSM，我們也正在研究很久以前提出的這些局部三次模型，但現在我們認為值得重新考慮。 |
| |
我們應該使用哪種設計？ 根據我們使用的基本模型中的因素數量，合適的樣本量是多少？ 篩選實驗的作用是什麼？ 一個大的未知數是分塊圖和分割圖實驗的作用是什麼 |
| |
在這個框架中？ |
| |
所以現在我要把它交給菲爾。 他將進行更深入的案例研究，並演示Predictum的SVEM插件。 把它拿走，菲爾。 |
| 菲利普·拉姆西 |
好的，謝謝克里斯。 我要做的是討論一個案例研究，所以讓我把它放在 |
| |
幻燈片，我會做一些 |
| |
克里斯說過，關於預言的插圖 |
| |
加載項實際上可以自動執行很多SVEM分析。 我們正在嘗試研究的是生物技術行業中使用的一種分析方法。 |
| |
而這是為了表徵治療性蛋白質的糖基化，基本上是成為抗體的蛋白質。 |
| |
許多在該行業工作的人都知道糖蛋白確實是一種非常豐富的療法來源，並且您還知道，如果您要研究GMP，就必須證明測量系統的可靠性。 實際上，對於糖譜分析， |
| |
快速，易於使用的分析方法並未真正得到充分開發。 因此，本實驗的目的是想出一種供人們使用的相當快速簡便的方法，該方法可以使他們對不同的 |
| |
（我這裡不是化學家）糖已經 |
| |
轉錄後附著在基礎蛋白上。 |
| |
為了給您一個主意，使用色譜法的主意，我將假定您已經對此有所了解，基本上，這是您可以使用的一種方法。 |
| |
有一些解決方案，您可以將其穿過色譜柱，然後，當不同的化學物質穿過色譜柱時， |
| |
它們往往會分開，並在不同的時間走出色譜柱。 所以基本上是一種形式，所謂的色譜圖，其中的峰 |
| |
是濃度的函數，峰的出現時間實際上對於確定物種實際是很重要的。 因此，在這種情況下，我們將研究一些 |
| |
糖。我只是簡單地稱它們為糖型，這是由從事這項工作的科學家開發的一種校準解決方案。 |
| |
而且我們確切地知道校準解決方案中的內容。 我們確切地知道應該洗脫哪些峰以及大概在哪裡。 |
| |
然後，我們可以將實際的人類抗體樣本與校準樣本進行比較。 並且其中一些糖型帶電。 他們很難使他們通過專欄。 |
| |
他們傾向於堅持下去，因此我們使用的是有時稱為梯度洗脫的方法。 |
| |
而且我不會詳細介紹。 在這裡，我們正在使用一種稱為高性能陰離子交換色譜的產品。 我不是專家，但是與我合作的科學家已經做到了 |
| |
開發此校準的一項非常出色的工作，以及我們需要一個歷史可追溯的校準解決方案的原因 |
| |
從人抗體樣品中洗脫出的糖關於它們從色譜柱中流出的位置並不完全可預測，因此我們有一些可用於校準的東西。 |
| |
所以。 |
| |
完成這項工作的人（我將在稍後提到她）設計了兩個獨立的實驗。 一種是16步三級設計。 |
| |
然後，她回來了，做了一個更大的28次運行的三級設計。 因此，一個可以用作訓練集，另一個可以用作驗證集，但是為了展示Chris所說的協變量選擇器和貝葉斯I最優策略， |
| |
兩種設計都合併為一個44次運行的設計。 然後我們 |
| |
使用協變量選擇器將該設計轉化為自定義設計，然後創建各種貝葉斯I最優設計。 |
| |
我們可以做更多的組合，但是我們只有這麼多時間來談論這個。 因此，共有三種設計。 一個運行10次，請記住五個因素，而我們要進行10次運行。 |
| |
13次運行設計和16次運行設計，再一次，我們可以做得更多。 所以，我們要做的就是看這些 |
| |
設計是在我們使用風扇擬合模型之後執行的，順便說一句，正如克里斯提到的那樣，在這些設計的每一個中，將從44個未選擇的運行中用作驗證或測試集，以查看模型的性能執行。 |
| |
好的，這些就是初始因素，醋酸鈉的初始量，氫氧化鈉的初始量。 然後執行三個單獨的梯度洗脫步驟 |
| |
整個過程大約需要40分鐘。 因此，這些是實驗中正在使用和操作的設置。 |
| |
在此實驗中，實際上可以觀察到44種不同的響應。 因此，在有時間的情況下，我將介紹兩個。 |
| |
一個是糖型3的保留時間，這是關鍵，這是校正色譜圖的關鍵。 |
| |
我們希望它能在大約八分半鐘的時間內出來，因為它與人抗體樣品非常吻合。 |
| |
實際上，建模非常容易。 第二個響應是糖型10的保留時間。 這是一種帶電荷的糖形式。 它洗脫時間很晚，往往會與其他帶電糖型聚集在一起，並且很難區分。 好的，這就是我要看的兩個答案。 |
| |
對於不熟悉色譜法的人來說，這裡有一些所謂的色譜圖。 這些實質上是回應， |
| |
響應的圖片，在這種情況下，如果您查看圖片，我們將查看保留時間，即何時 |
| |
峰3出來了嗎？ 峰10在什麼時候出現在色譜圖中？ 順便說一下，兩者之間要注意 |
| |
我顯示的色譜圖，輪廓有多大差異。 所以在這個實驗中，當我們操縱那些實驗因素時 |
| |
（順便說一下，我們有44個色譜圖；我向您展示了其中的兩個），您會看到這些峰的形狀和保留時間等等，以及分離度存在很多差異。 因此，無論我們在做什麼，我們都在明顯地進行操作 |
| |
是的，對於那些好奇的人，是的，我們將來會考慮將其作為功能數據以及如何使用功能數據分析。 |
| |
但這通常是未來，但這絕對是我們非常感興趣的事情。 色譜圖實際上是最終的功能數據。 但我只是要提取兩個特徵並嘗試對其建模。 好的。 我也想讚揚 |
| |
Cytovance Biologics的Eliza Yeung博士是一位好朋友，也是一位傑出的科學家。 她做了所有的實驗工作，並且是提出構築...的想法的那個人。 |
| |
她稱之為葡萄糖階梯的校準解決方案。 Eliza除了是一個好人之外，她還喜歡JMP。 因此，我們在很多方面都喜歡Eliza，好吧。 優秀的科學家。 可以，然後呢 |
| |
在我進入之前 |
| |
SVEM，我只想提及...克里斯提到了自1950年以來一直使用的完整二次模型，作為優化的基礎。 |
| |
基本上，所有主要影響，兩個因素相互作用和平方項。 實際上，對於許多複雜的物理系統而言，動力學實際上對於該模型而言過於復雜。 |
| |
康奈爾（Cornell）和蒙哥馬利（Montgomery）在1998年的一篇非常好的論文中指出了這一點，並建議在許多情況下， |
| |
他們稱之為交互模型的模型，我們稱之為局部三次模型，可能會更好地工作。 以我的經驗，使用SVEM並將此模型應用於許多案例研究中，它們是正確的。 它確實提供了更好的預測模型，但是存在一個問題。 |
| |
這些局部立方模型可能非常龐大，並且對傳統建模策略（如克里斯提到的過飽和模型是個大問題）提出了巨大挑戰。 |
| |
有多少個潛在術語？ 好吧，取K平方，兩倍，然後加一作為截距。 因此，對於五個因素，充分 |
| |
偏立方模型將具有51個項。 順便說一句，我要使用這些模型，但是我只會使用通常最重要的40個術語。 |
| |
然後，我們將使用自驗證集成模型來擬合模型，正如Chris所說，SVEM對於過飽和模型沒有問題。 |
| |
順便說一下，在機器學習文獻中，過飽和模型一直都是合適的。 |
| |
使用正確的機器學習技術，您實際上可以...他們可以實際顯示，您可以獲得更好的預測性能。 |
| |
好的，這在傳統統計中基本上是未知的。 因此，我們將使用SVEM插件，如果您想了解它，我提到過，您可以在Predictum與已經講過話的Wayne Levin聯繫，我相信Wayne願意與您交談。 |
| |
因此，讓我們簡要介紹一下JMP。 |
| |
我將向您展示該插件的實際工作方式，因此讓我介紹一下JMP。 |
| |
因此，我已經安裝了該加載項，因此它具有其自己的選項卡。 因此，我單擊Predictum。 順便說一下，這是我們創建的貝葉斯I最優設計之一，該設計有16個運行。 選擇自驗證集成模型。 |
| |
因此，您將看到典型的健身模型啟動對話框。 我將選擇五個因素。 |
| |
我現在將做一個響應面模型來進行說明，我想建模 |
| |
糖形的保留時間3。 注意在後台，此設置是自動驗證表，因此有一個等待功能。 |
| |
並且有一個自動驗證部分。 這一切都在後台，您不需要查看它。 但是該鋸...但是該外接程序創建了它，然後基本上將其隱藏了，但是您可以查看它（如果需要），但是將其隱藏起來是因為查看它並不十分重要。 |
| |
現在我們打開GenReg，這就是GenReg |
| |
控制面板。 順便說一句，順便說一句，就使用SVEM進行模型構建的方法而言，它實際上是不可知的。 因此，實際上，您可以使用GenReg甚至沒有的方法，但這是我們今天的主要重點。 因此，我們將進行正向選擇。 |
| |
而且因為我們只有這麼多時間，所以我只會做10次重複。 |
| |
單擊執行，我們將創建模型。 |
| |
因此，這是僅10次重複的輸出，您可以通過預測圖獲得實際值。 但是，這樣做的真正好處是，它實際上為您創建了集成模型的平均值。 |
| |
因此，我單擊了自驗證集成模型，保存了預測公式。 因此，我將繼續關閉此顯示。 |
| |
過來。 |
| |
這是我的模型。 |
| |
我現在可以採用此模型，並且可以將其應用於驗證數據。 因此，我們選擇了16個運行，因此還有28個可用作為驗證集，以查看我們的實際運行情況。 所以現在我要回到 |
| |
演示，並且順便說一句，如果沒有SVEM插件，這可能會有些困難，尤其是如果您不是特別精通JMP腳本的話 |
| |
實際創建這些模型。 因此，該外接程序可能看起來不像在後台做了很多工作，好吧。 那我們怎麼辦呢？ 因此，讓我將其放回幻燈片放映中。 |
| |
所以我要做的是，有三種設計，一種是16次運行設計，一種是13次運行，然後我選擇了10次運行。 我們真的努力了。 |
| |
就像我說的，有兩種反應，糖型10洗脫較晚，趨向於嘈雜，並且可能難以分辨。 因此，對於16次運行的設計，我實際上擬合了40個項的局部三次模型。 請記住，運行16次。 我符合40個學期的模型。 |
| |
然後，關鍵是驗證集的均方根誤差，好吧。 所以 |
| |
我適合我的第六個...我的40個學期模型，然後 |
| |
驗證集的均方根誤差很低，驗證R平方實際上接近98，因此非常非常適合。 |
| |
注意，即使是嘈雜的聲音 |
| |
glycoform 10，我們仍然有一個很好的模型。 我將通過預測的圖向您展示一些實際的圖。 所以我們做了13次，再一次做了13次，我們得到了很好的結果。 |
| |
然後最後是10。 順便說一句，我剛好適合標準的全二次模型，所以我覺得自己真的很幸運。 |
| |
但是我本可以繼續嘗試部分立方的。 再次注意，即使進行10次運行，對糖形3保留時間進行建模，我的R平方也只有0.94。 |
| |
對我來說，這確實令人印象深刻，我再次建模……我的模型的預測因子是觀察到的預測因子的兩倍，即使很難模擬糖型10，我們也做得很好。 |
| |
所以，這是一些實際的預測圖，我再次選擇糖形式10，因為它真的很難建模。 |
| |
所以我不想玩太多的系統。 我從經驗中知道很難建模。 因此有一個實際的預測圖。 十次運行設計還有一個實際的預測圖，它仍然做得很好 |
| |
當您考慮我們在這裡嘗試做的事情時。 |
| |
最後，我們總體上是如何做的？ |
| |
因此，這是一張我放在一起的小桌子，我以16次運行的設計為基準，然後我正在做的是比較當我們適應10次運行時發生的情況。 |
| |
期限模型和G10保留時間的13期限。 |
| |
您會注意到，我們有13個錯誤，而10個錯誤則小得多。 我不知道為什麼 我選擇僅顯示結果。 這是一個謎，我還沒有回去探索它。 |
| |
但是對於保留時間三，請注意，我從16降到了10。 是的，我的均方根誤差有所增加，但是您知道如果您通過預測圖查看實際值， |
| |
它仍然可以很好地預測驗證集。 因此，關鍵是我與生物技術公司合作了很多， |
| |
您可能會在實驗設計中達到的實際效率，而且我對你們中的許多人都知道，這些實驗的成本很高。 |
| |
更重要的是，它們需要很多時間。 這確實可以縮短您的實驗時間並減少實驗預算，甚至可以獲得更多信息。 |
| |
因此，這只是一個簡單的結論。 克里斯（Chris）展示了這個SVEM過程以及這個過程，您已經在模擬和案例研究中對此進行了研究。 |
| |
SVEM非常適合過飽和模型。 我不會介紹它，但是從機器學習實踐來看，過飽和模型的性能非常好。 他們一直以深度學習為例。 |
| |
就像Chris所說，SVEM基本上是將機器學習與實驗設計結合在一起。 |
| |
甚至更重要的是，一旦您開始走上SVEM的道路，這反過來又會告訴您您對實驗的想法。 |
| |
因此，基本上使用SVEM，我們可以開始考慮高效的實驗，這些實驗可以真正加快創新步伐，並實際上減少實驗的時間和成本。 並有時間開發產品和流程 |
| |
交貨時間越來越短，這不是小菜一碟，我知道生物技術領域的許多人也面臨著嚴重的預算限制。 |
| |
然後（順便說一下，大多數人是這樣），最後一個有前途的領域是貝塞爾I-最優設計。 |
| |
再說一遍，我將提到Brad Jones和他的團隊在將這些內容引入JMP方面做得很出色。 這是我所知道的唯一一個實際用於貝葉斯I最優設計的軟件包。 |
| |
而且我們認為SVEM將為許多可能性打開窗口。 所以基本上，這就是我的故事，我將把它交給韋恩·萊文。 |
| 韋恩·萊文 |
非常感謝 |
| |
菲爾和克里斯。 我希望每個人都能看到有很多工作要做，已經進行了很多研究，包括一些 |
| |
您可能會說，我已經在該遊戲中工作了30多年了，我不介意告訴您，我對在這裡看到的內容感到非常興奮。 |
| |
我認為這可以是真正的變革，可以真正改變……在這裡進行工業實驗的方式。 以前，我對單過飽和的設計感到非常興奮，那是 |
| |
由定制設計師提供便利，現在...在設計方面。 |
| |
東西的。 |
| |
現在，當您將SVEM放在分析方面時，我的意思是這是兩個很棒的口味 |
| |
您可能會說，它們在一起非常好。 因此，總而言之，我只想在這裡滑動一下 |
| |
菲爾，我本人和瑪麗·哥達德，我們正在安排按需課程（該課程應該在下個季度提供，例如四月份） |
| |
關於混合設計的實驗，我們將在該課程中將大量時間集中在SVEM上。 因此，如果您對此感興趣，請讓我知道或將要......以便我們可以在LinkedIn或其中之一上讓您知道或關注我們。 |
| |
同樣，對於SVEM插件，如果可以的話，我很高興我們首先將此產品推向市場。 |
| |
我們已經努力了好幾個月了。 我們每個月都會發布一個新版本，因此隨著我們從現場獲得反饋，它正在不斷發展，我要非常感謝Phil |
| |
領導這個。 而且他一直與我們的一位開發人員（???）合作，這確實是一個了不起的努力，很多艱苦的工作 |
| |
為了達到這一點，我們希望向您提供。 正如Phil前面提到的，您實際上有兩種方法可以嘗試這種方法。 一種就是嘗試插件本身， |
| |
它適用於14和15。 隨著16的推出，我想我們也將使其適用於16。 它確實需要JMP Pro，因此，如果您沒有JMP Pro，則這裡有一個鏈接，您可以在此處申請...以獲得JMP Pro試用許可證。 |
| |
當然，您可以通過下載此演示文稿的幻燈片來獲得此鏈接。 這就是您獲取它的方式，因此這是您可以自己嘗試使用它的一種方式。 |
| |
另一種方法是與我們聯繫，我們可以在概念證明的基礎上與您合作。 |
| |
我們可以進行一些比較分析，等等，當然，可以與您一起進行分析。 因此，您知道我們將把必要的文書放到位，並且 |
| |
我們不介意嘗試。 Wwe已經為許多公司做到了這一點，無論對您有什麼用，這可能對您來說是最簡單的方法。 好吧，現在，我想做的是 |
| |
暫時打開它以解決任何問題或評論。 我代表克里斯和菲爾說，謝謝您加入我們。 好吧，請提出問題和意見。 |
