揚聲器
|
成績單
|
| 戴維·王·帕斯卡（David.Wong-Pascua） |
可以，然後呢。 |
| |
順序和穩定贏得比賽。 所以，大家好，我是David，我是CatSci的資深科學家。 那麼，什麼是CatSci？ |
| |
CatSci是端到端化學過程，研發的創新合作夥伴。 我們與JMP UK等組織合作，以確保我們的所有決策均受數據驅動。 |
| |
對我們來說，這是第一次就將其正確，每次都將其正確；為每個項目制定量身定制的完美解決方案；我們的絕對重點是實現客戶的期望。 |
| |
我們在多個領域工作，包括早期和後期開發。 我們擁有工藝專業知識，悠久的催化經驗歷史，這一直是我們身份的核心特徵，並且在分析化學和材料科學領域擁有卓越的能力。 |
| |
因此，在CatSci上，我們面臨的挑戰之一是在過程優化的上游選擇分類變量。 |
| |
在我們的催化劑篩選工作中，這一困難最為突出。 |
| |
在幻燈片上的圖像中，我們可以看到我們用來進行催化劑篩選的某些設備和儀器。 |
| |
在左側，我們提供了預製的催化套件，其中包含24種金屬前驅物和配體的預定組合。 |
| |
中間是一個加氫器，裡面裝有一個48孔板，可以在右側看到。 |
| |
這樣可以同時進行48個單獨的實驗。 |
| |
這些儀器專為高通量和小規模設計，為我們的客戶運行10個或更多的這些板並不少見，總共可進行近500個實驗。 |
| |
那麼，為什麼我們需要進行相對大量的實驗？提高效率的好處是什麼？ |
| |
因此，首先，需要探索的化學空間非常大。 |
| |
對於任何反應，任何化學反應，都有許多因素會產生影響，例如溫度，濃度和化學計量。 |
| |
但是，使探索對於催化反應特別具有挑戰性的是，有許多重要的分類因素。這些包括金屬前體，配體，試劑，溶劑和添加劑。 |
| |
催化反應的另一個特徵是經常存在高階相互作用，因此這意味著對於催化劑體系（金屬前體和配體的特定組合）， |
| |
需要廣泛的溶劑和添加劑篩分以評估性能。 |
| |
僅在某些溶劑中表現不佳，就不能排除在此之前僅說出甲氧基前體和配體的某種組合……是不正確的。 可能是因為您沒有合適的溶劑或合適的添加劑。 |
| |
最後，解釋更有效的篩選方法的好處的最簡單方法之一就是查看材料的價格。 |
| |
我們的許多催化項目都涉及貴金屬，例如鉑，鈀，釕，銥和銠。 這些金屬中的一些是地殼中最稀有的元素，這在它們的價格中得到了反映。 |
| |
只是Google對其價格進行了快速搜索，您可以在此處看到銠的價格比黃金的價格高出一個數量級。 |
| |
催化篩選的另一大費用是配體。 儘管存在廉價的配體，但許多用於不對稱合成的性能最好的配體都是專有的配體，例如Solvias的Josiphos， |
| |
J001是最常用和最便宜的一種，仍然是黃金價格的兩倍。 |
| |
因此，減少實驗數量可以降低耗材成本，但當我們為具有多噸製造工藝的客戶找到最佳解決方案時，就會產生最大的影響。 |
| |
在這些情況下，催化劑負載量減少十倍或發現另一種更便宜的催化劑，例如，將銠催化劑替換為釕催化劑，每年可節省數百萬美元。 |
| |
現在移交給Ben，他將討論JMP UK團隊如何解決此問題。 |
| 本·弗朗西斯 |
非常感謝David。 |
| |
所以很明顯 |
| |
CatSci和許多其他類似CatSci的公司都面臨著巨大的配方空間挑戰， |
| |
可以具有非常高階的交互作用。 因此，科學非常非常複雜，我們要做的實驗旨在弄清這種複雜性很重要。 |
| |
不幸的是，由於David在此處列出的費用，僅測試每個單獨的組合併不是一個明智或可行的選擇。 |
| |
最終，我們需要採取某種形式的方法，其中涉及數據科學以數字方式理解這些關係。 |
| |
因此，為了繼續進行選擇並將其應用於製造...一個多重製造場景，我們需要知道它每次都會起作用，如David所說。 |
| |
因此，我們搜索了文獻，因為在JMP上，我們對DOE的應用非常感興趣，我們認為這是DOE的特殊情況。 |
| |
正如我們恰當地命名的那樣，這是一個很大的能源部。 因此，我們搜索了一個案例研究以將大型DOE方法應用於該案例研究，並發現了Perera等人的論文， |
| |
該研究於2018年發表，他們研究了該反應篩選的平台。 在這種情況下，有趣的是它們具有五個分類因素。 |
| |
這聽起來可能不算太多。 他們必須研究反應物1和2，配體，試劑和溶劑，但是本文提出的複雜性是每個因素的水平。 |
| |
四個，三個，十二，八個和四個級別分別組合在一起，形成4,608個不同的組合。 |
| |
現在，在Perera等人的論文中，他們測試了每一個組件，顯然這對世界上的每家公司都不是可行的解決方案，只是測試了每個組合，就像David之前概述的那樣。 |
| |
您可以在熱圖上看到他們能夠了解到一些高產區 |
| |
有些產量較低，有些也很低。 因此，有很多測試最終導致對過程的了解不多 |
| |
以及很高的實驗成本。 |
| |
因此，最終最終導致他們找到了一個組合，找到了一個組合，然後可以在紙上進行處理，然後說，看，這是一般的情況。 |
| |
第一次是對的，但是從那時起，如果他們將其放入多噸級製造方案中，那麼每次都對嗎？ 它將繼續提供所需的規範嗎？ |
| |
大型DOE解決方案會減少資源需求嗎？ |
| |
它第一次正確嗎？每次都正確嗎？ 以及我們衡量這些問題的方式以及我們的表現方式 |
| |
首先是在減少資源需求方面，我們只允許設計一個總共480次運行的實驗。 這模仿了10個48個工作板，大約是本文進行的運行的10％。 |
| |
通過查看或鑑定出論文中確定的80種高產量組合中的多少，來衡量它是否第一次正確 |
| |
由模型生成。 而且，最終，我們希望通過10％的運行，從我們的DOE中獲得至少八種高收益組合 |
| |
（此處的高收率表示超過95％的值）。 |
| |
最後，至關重要的是，每次通過查看模型的常規診斷（R平方）來測量它是否正確。 最終，我們能否看一下這一點，看看我們是否具有過程洞察力？ 關係有意義嗎？ 組合和互動有意義嗎？ |
| |
因此，我們在這裡也想給自己一個平價的方法，就是看完整的數據集4,608，我們發現其R平方為.89，這是採用增強樹方法的。 |
| |
現在，我將交給Phil，他將概述我們採用的第一個大型DOE方法。 |
| 菲爾·凱 |
謝謝，本；大衛，謝謝你，這樣很好地安排了現場。 因此，我們研究了三種不同的方法 |
| |
解決這個問題，看看我們是否可以減少該論文中實際測試的運行次數，並仍然獲得與Ben所述相同的有用信息。 |
| |
因此，我將討論這三種方法中的兩種，而這兩種是極端的方法。 有一個保守的方法和一個貪婪的方法，然後瑞安將通過更為混合的平衡方法進行討論，我們認為這最終可能會最好地發揮作用。 |
| |
因此，按照保守的方法，這是一種標準的DOE方法。 我們設計了一個帶有10個模塊的480運行自定義設計，因此代表了David展示給我們的催化劑篩選設備中的10個板。 |
| |
並且從480個實驗中獲得的主要結果是，我們能夠正確地預測13個最高產量的組合將是高產量的組合。 |
| |
我們能夠從480個運行數據集中構建一個模型，當我們針對該實驗中未使用的數據進行測試時， |
| |
R平方大約為0.73，實際上非常好。 從已發布的大型實驗中，我們從較小的實驗中獲得了一個很好的模型，對整個系統有了很好的理解。 |
| |
我們從中獲得的一些非常有趣的見解是，我們需要使用機器學習來從這些數據中獲得有用的模型，這對我們來說是一個驚喜。 我將更詳細地討論這一點。 |
| |
通過使用這種保守方法收集的數據，我們獲得了一些很好的理解。 它使我們對整個因子空間有了很好的了解，為什麼某些組合可以很好地起作用。 |
| |
它使我們能夠確定其他區域，因此，如果我們找到高收益的組合，但這是不切實際的，因為它太昂貴了， |
| |
催化劑太昂貴，或者它們是危險或有毒的，不適合工業生產，那麼我們就有了很多替代方案，因為我們對整個空間有了充分的了解。 |
| |
那麼，我們是怎麼做到的呢？ |
| |
JMP中的定制設計。 我們 |
| |
我設計了一個480行程，這是我的最佳設計，在這種情況下，分為10個區塊。 同樣，由David展示給我們的設備代表10個48孔板的10個塊。 |
| |
在這裡值得注意的是，我們在自定義設計中指定了一個用於主要效果的模型。 |
| |
對於第二階交互和第三階交互。 在三階相互作用以及所有這些分類因素的影響下， |
| |
僅有大量參數需要估算，因此我們實際上無法設計一個實驗來明確估算所有這些參數。 如果可能的話，我們需要考慮三階相互作用，因此這是480次運行中的貝葉斯優化設計。 |
| |
您可以從該視覺圖中看到，我們只是在瀏覽不同回合的實驗，不同的... 10個不同板塊。 |
| |
您可以看到，在實驗中增加了下一塊板後，我們如何將對整個因子空間的探索添加到整個過程中。 |
| |
我們不關注任何特定區域。我們只是在我們關於整個因子空間的知識中填充空間。 |
| |
因此，我們在實驗中使用了480個運行，而從已發布的數據集中獲得了剩餘的4,128行。 我們可以使用此測試數據來查看我們的模型在保留數據集（此測試數據）上的比較程度。 |
| |
現在，我們從各種DOE背景和經驗中期望 |
| |
當我們為某個模型設計實驗時，標準回歸技術將為我們提供最有用的模型。 |
| |
因此，我們在這裡使用JMP Pro，並使用廣義回歸來擬合完整的三階模型。 |
| |
現在我們實際上在這裡使用一個beta分佈，該分佈在0到1之間反彈預測，因此我們將收益率百分比轉換為0到1的比例。 這只是一個小技巧，當您在對諸如此類的收益數據建模時，當您擁有JMP Pro時可能要使用它。 |
| |
而且，我們使用前向選擇，並以AICc作為驗證方法，以便選擇重要的效果。 |
| |
我們在每個回合之後都重複一遍，因此，第一輪進行48輪，第二輪進行96輪，第三輪進行144輪，一直到第十輪為止，我們已經完成了480輪。 |
| |
在這裡，您可以看到gen reg上設置的過濾器，只是看那裡的前三輪。 |
| |
因此，在前三輪中，這是我們使用gen reg，正向選擇，AICc驗證獲得的模型。 |
| |
我認為，這不是一個很好的模型，僅憑直覺，就我們對化學的期望即可。 我們僅看到該模型涉及的兩個因素，因此僅選擇了兩個重要的重要影響。 |
| |
因此，我們可以將該模型保存到數據表中，然後可以看到該模型對保留數據，測試集的預測效果如何， |
| |
其餘4128行不在我們的實驗中。 我們可以在每一輪中做到這一點。 而且每一輪我們都這樣做，因此我們使用gen reg構建了10個模型。 |
| |
現在，作為替代方案，我們認為值得研究一些機器學習方法。 而在這裡，我們只是再次關注前三輪比賽。 |
| |
作為查看許多不同建模技術的一種快速方法，我們在JMP 16 Pro中使用了模型篩選。 |
| |
我們只在這裡填寫收益率和Y和X的因數。 我們設置了保留驗證列，以隨機保留25％的數據以進行驗證。 |
| |
單擊“確定”，它將貫穿所有這些不同的建模技術，因此，我們現在得到一個報告，該報告告訴我們 |
| |
這些...所有這些不同的建模技術的性能如何，包括一些gen reg模型，神經網絡和不同的樹方法。 |
| |
我們選擇了那裡最好的兩個。 實際上，在整個實驗過程中，我們發現神經...增強的神經網絡模型和自舉森林是性能最好的模型。 |
| |
因此，再次，我們可以將預測公式保存回去，並在測試數據集中使用那些未包含在實驗中的預測公式來進行比較，並查看我們的不同模型對該測試數據集的表現如何。 |
| |
而且我們在這裡使用模型比較和JMP Pro，因此我們將比較所有gen reg模型，神經網絡模型和Bootstrap森林模型。 |
| |
現在，您正在看R與該測試數據集平方的關係。 這些模型與保留測試數據集的擬合程度如何。 |
| |
您會看到gen reg，使用紅色的前向選擇的標準回歸模型，從頭開始 |
| |
在第一輪中，這實際上是最好的模型，但並沒有真正改善，然後突然在5點左右變得非常糟糕，然後在下一輪中再次變得非常好。 因此非常不穩定，到最後變得更糟，可能過度擬合。 |
| |
另一方面，機器學習方法是 |
| |
在第三輪之後，他們表現最佳，比我們的標準回歸技術表現更好，並且一直在不斷改進。 實際上， |
| |
您會看到神經在該處以綠色更好地開始，到最後，引導森林的性能優於增強的神經網絡模型。 |
| |
因此，這裡帶回家的方法就算是這種情況，您可能會認為這是一個相對簡單的情況，您確實需要JMP Pro中的機器學習方法來獲得此類系統或流程的最佳模型，最可靠模型。 |
| |
現在，我們只查看已發布的所有4,608次運行的實際收益結果與第十輪結束時的最佳模型的預測（在該階段進行了480次全部運行之後）的圖。 所以那是右邊的一個引導森林。 |
| |
而且還不錯，您知道您可以看到它所採取的重要行為。 它確定了低產區，並且確定了高產區。 所以， |
| |
特別是在右上角，他們使用的是碘反應物以及硼酸和硼酸酯 |
| |
那裡的反應物。 |
| |
因此，我們將其與另一種極端方法進行比較。 因此，第一輪48輪比賽完全相同；我們從相同的48次運行開始。 然後，我們建立一個模型，並使用該模型找出所有剩餘運行中的哪些， |
| |
在剩餘的全部4,560個運行中，模型預測哪些運行將具有最高的收益，然後在接下來的所有回合（直到10個）中，我們都會繼續這樣做。 |
| |
在這種情況下，我們可以正確預測更多的高收益和組合，但是當我們在10輪後獲得最終模型並將其與數據進行比較時， |
| |
我們沒有在實驗中使用過，R平方很糟糕。 是.33。 因此，實際上，我們獲得的模型並未對整個系統做出良好的預測。 |
| |
因此，我們對一個高產區有了很好的了解，並且正在尋找組合，找到效果良好的因素的設置，但實際上並不能真正使我們了解整個系統。 不是... |
| |
我們不會降低對系統整體的了解的可變性。 |
| |
因此，僅向您展示該系統，該方法的工作原理，這是我們完整的4,608次運行，所有可能的組合，而且，正如我在第1輪中提到的，這與使用保守方法的第1輪相同，因此我最佳 |
| |
一組點，您會看到它們在因子空間中均勻分佈。 |
| |
我們對這48次運行的數據擬合模型。 |
| |
然後，我們使用該模型預測所有其他可能組合的收益，然後從48個收益最高的預測中選擇一個， |
| |
那是那些。 因此，您可以看到，它們專注於...的高收益區域...我們不是...我們不再探索完整的因子空間。 |
| |
如果我們從第1、2、3輪到第10輪，您可以看到，每次添加...我們都將實驗添加到實驗中，這些實驗就位於頂部的高收益區域中左邊。 因此，我們實際上只專注於因子空間的一個區域。 |
| |
而且，如果我們將此處的實際值與預測值進行比較，您會發現它在該區域左上方的區域中做得很好。 |
| |
但是在其他地方，正如我們可能期望的那樣，它做出了相當糟糕的預測。這可能並不奇怪。 我們尚未在整個系統上進行實驗。 我們確實只是集中在那個高產地區。 |
| |
如果您將其與我們在左側的保守方法進行比較（因此您已經在左側看到了該圖），那麼請看一下模型 |
| |
通過第一輪到第十輪進行了改進，然後每一輪我們都再次使用模型篩選平台來找到最佳模型。 |
| |
事實證明，實際上在每個階段，增強神經網絡都是最好的模型。 好吧，您可以再次看到它有點不穩定，就像保守方法中的gen reg一樣。 |
| |
有時雖然還可以，但是永遠不會...它與我們從保守實驗中得到的最佳模型永遠都沒有競爭性。 |
| |
所以這是兩個極端，我將轉交給瑞安，他將討論針對此問題的更平衡或混合的方法。 |
| 瑞安·萊基維茲（Ryan Lekivetz） |
所以，謝謝那個菲爾。 和 |
| |
只是在演示過程中，就必須對Phil，Ben和David表示感謝，感謝他們允許我參與其中。 作為開發人員，玩一點實際上是一種樂趣。 因此，我是JMP中DOE平台的開發人員。 |
| |
因此，正如Phil在這裡提到的那樣，我在這裡看到的方法是一種混合方法。 |
| |
好了，所以這裡的想法是我們將研究優化與探索的想法。 |
| |
因此，如果您想到了Phil談到的貪婪方法，那實際上就是這種優化。 我將全力以赴，這就是我要專注的全部。 那種保守的方法，所關心的只是探索。 |
| |
所以這裡的想法是，我們可以在中間 |
| |
也許進行優化，同時還需要探索一些空間？ |
| |
所以我要說一下我在這裡做了什麼...所以我實際上是從提前設置的三個孔板開始的，對。 所以我做了這三個大小為48的塊，並且我只是做了主要效果，如果可能的話2FI。 |
| |
這樣做的原因是有時我並不真正相信只有48次運行的模型。 我說，好吧，讓我們稍微花些時間。 讓我們嘗試144個或三個孔板，這樣我也許可以再信任一下該模型了。 |
| |
因為從某種意義上說，即使您想到了這種貪婪的方法，如果您的模型很糟糕，您也將進入可怕的地區。 它不會幫助您很多。 |
| |
再次如此……與以前一樣，最後我仍然要做10個總孔板或10個總塊。 |
| |
我將在以後的幻燈片中討論這一點，但是實際上我在整個過程中都使用XGBoost。 因此，我的預測方式是使用XGBoost，這是我要了解的一個原因 |
| |
為此。 |
| |
但是，因此這裡的想法是從本質上採用預測值。 我說，我不會嚴格遵循最佳48條，而是要設定一個閾值。 |
| |
是的，所以在前三個之後，我從50歲開始。 因此，我說了要給我大於50的預測值，並且隨著我繼續進行進一步的實驗，我將每輪增加5個。 |
| |
我的意思是，這很武斷。其中的一部分是知道我們總共只有10輪，這也是因為我可以根據預測看那套有多大。 |
| |
是的，因此根據數據，如果看起來該集合仍然很大，則預測值約為50，則可以對其進行修改。 |
| |
因此，這裡的想法實際上只是為了慢慢地開始探索有望成為高產地區的可能性。 |
| |
所以，對嗎？ 好吧，因此，在這種情況下，我們實際上從80個最高收益組合中獲得了27個，即95個以上的收益組合，與貪婪方法相差不遠。 |
| |
如果再考慮所有保留數據的R平方，那就是最終測試R平方有0.69，因此與保守方法的確差得很遠。 所以... |
| |
我的意思是，您可能...現在可能要保持謹慎，僅查看這兩個數字，但基於此，這種混合動力確實確實是兩全其美。 我的意思是，您正在對此進行權衡，但是，您得到了一些好處。 |
| |
因此，僅對此方法有一些見解。 最後，我確實要說的是，我們確實對與高收益相關的那些因素空間有了更好的了解。 |
| |
我認為這個貪婪的人，如果您可以回想一下這些點的位置，它們實際上集中在左上角，因此它並沒有真正對該空間進行更多的探索。 |
| |
你可以想像，如果... |
| |
如果那裡的東西一夜之間價格突然翻了兩番，那麼您對該區域其他地區一無所知。 |
| |
是的，因此，通過這種混合方法，我們獲得了更多有關如何和為什麼，某些組合的信息，這為我們提供了更好的替代方案 |
| |
同樣，也許，如果您還有其他因素需要考慮，您會願意犧牲一點點的收益，因為根據其他衡量標準，還有更好的選擇。 |
| |
所以，實際上，這裡的想法...是的，所以讓我來研究一下在定制設計中實際上是如何完成的。 所以我採取的方法是 |
| |
在自定義設計器中使用協變量，我認為這有時會被低估。 |
| |
但是，所以我的想法是，我只是獲取了完整的數據集，所以整個4,608次運行， |
| |
每一輪...所以您可以想像，首先，我採用了這些...我採用144運行設計，然後我說，嗯，我將採用該完整數據集的一個子集。 如果我已經在以前的設計中選擇了它，那麼，我需要確保將其包括在內。 |
| |
然後，還給我提供高於該特定值的預測產量，因此，對於第四個設計，同樣要從50和55、60等開始。 |
| |
所以在數據表中 |
| |
現在，我要做的是選擇先前實驗中使用的設計要點。 因此，我確保將其突出顯示。 然後進行自定義設計，當您遇到加法因素時，這裡有一個稱為協變量的選項。 再說一次，我認為是... |
| |
許多人以前從未真正見過協變量，我在這裡提到，因為我想我可能會花整整一整段時間談論協變量， |
| |
但實際上實際上會有幾個博客條目（如果到您看到該視頻時它們還沒有增加，則可能是在您觀看此視頻後的幾天之內） |
| |
在這裡，我將進一步討論如何真正使用協變量。 但是這個主意是，您可能之前也聽說過一種稱為“候選集”的東西，所以這個主意是... |
| |
這是先前選擇的數據集以及所有類似內容的數據集，它告訴定制設計師您只能選擇這些設計點。 |
| |
您無法執行標準操作，我們將繼續嘗試切換坐標等操作。 它告訴JMP定制設計器，您必須在設計中使用這些運行，尤其是， |
| |
使用協變量的選項之一是您可以強制使用先前選擇的設計點，因此實際上就像進行設計擴充一樣 |
| |
在使用協變量後使用候選項。 |
| |
而且，當然，因為在這種情況下，...我無法真正拋棄以前嘗試過的那些設計要點。 確實，我們要做的就是選擇下一個48。 |
| |
不過，如果您想到了自定義設計，我在這裡也應該提一下... |
| |
因此，在每種情況下，我正在做的是...所以兩個因素相互作用，如果可能的話，然後是三個因素相互作用。 |
| |
但這確實是一種探索設計空間的機制，對。 我適合的模特 |
| |
事後才使用XGBoost，所以我的意思是設計並未針對XGBoost模型或類似的東西進行優化。 |
| |
可以說，這更多是代理，探索設計空間，在該空間上預期的產量看起來不錯，並且特別是因為這正在處理分類因素，因此將確保它試圖獲得良好的平衡。 另一件事要提到， |
| |
如果您想...再次，因為它沒有使用該基礎模型，XGBoost或類似的東西，則可以使用響應。 因此，在這種情況下，他們將收益預測為另一個協變量，而這樣做的目的是嘗試在高收益和低收益之間取得更好的平衡 |
| |
嘗試進行設計時的響應。 |
| |
因此，我們在這裡沒有對此進行探討，但是我認為將來這將是一件有效的事情。 |
| |
因此，達到了預期的產量。 所以，正如我在...中提到的那樣，所以我認為當Phil在談論其他一些機器學習技術時，他嘗試過 |
| |
對於我的???，我實際上主要專注於XGBoost。 |
| |
如果您查看左側的圖片，我這樣做的原因之一就是嘗試 |
| |
使用K折交叉驗證，但在這裡我使用設計編號，該編號本質上是每增加一次折疊的孔板。 因此，與其隨機選擇不同的K折， |
| |
它會說，我要看一下孔板，然後再嘗試將其固定住。 因此，如果您想像到第一個，當我只有三個孔板時， |
| |
它將取每個孔板，將其伸出，然後根據其餘兩個孔板來預測其預測效果。 因此，當我到達第十...第十個孔板時，它實際上就像是十倍。 |
| |
因此，我這樣做的部分原因是考慮嘗試使該模型對您尚未看到的下一個孔板具有魯棒性。 |
| |
而且，實際上，如果某個特定的孔板發生了某些事情，這實際上也可能會保護您， |
| |
然後，也許也可以從中獲得一點保護。 |
| |
我對XGBoost所做的另一件事是，當您啟動XGBoost平台時，例如通過加載項，您會看到頂部有一個小複選框，我們稱之為調優設計。 |
| |
因此，通過該調優設計， |
| |
它實際上是在蓋子後面安裝了一個空間填充設計，並針對不同的超參數運行了所有這些。 |
| |
所以我每次這樣做都是為了 |
| |
我將為50個運行選擇一個優化設計，但只是探索了該超參數空間。 所以我會選擇每個回合的模型 |
| |
是具有最佳驗證R平方的那個。 同樣，在這種情況下，驗證R的平方實際上僅使用我擁有的設計點，對。 所以這就是用...折疊K倍... |
| |
用那些不同的孔板。 因此，在這種情況下，驗證R平方不是...我不在使用尚未看到的數據，因為實際上，我還沒有該數據。 |
| |
但這只是說使用那種驗證技術，而我使用的是孔板。 再說一遍，這就是我在大多數情況下使用XGBoost的原因，我只是在嘗試一些與眾不同的方法 |
| |
使用K折疊技術，以及XGBoost時，我真的很喜歡使用空格填充。 |
| |
因此，讓我們在這裡看看。 因此，我們在這裡可以看到，這些是在連續幾輪中都獲得的點。 現在， |
| |
如果您想到貪婪方法中發生的事情，我的意思是說，它實際上集中在左上方。 |
| |
是的，但是現在，如果您看到這種混合方法， |
| |
當它開始向前移動時，您會看到它填補了這些點，但是我們也得到了更好的……更好的點採樣，尤其是在左側。 |
| |
是的，因此，如果您從角度考慮，現在對於那些高產區，您有許多更好的選擇。 |
| |
我認為是這樣...如果我們現在來看一下實際與預期， |
| |
實際上，我認為這也可以說明問題，因為我們做了更好的探索。 |
| |
在那些高產地區 |
| |
我認為，如果您向左下方看，它的漲幅並沒有那麼高，我認為在混合模型中我們可以做得更好，可以選擇一些可行的替代方案。 |
| |
使用此方法的好處還在於，我不僅可以專注於產量，還可以專注於其他方面。 |
| |
是的，所以如果您考慮... |
| |
我可能會有第二反應，不管是某種毒性，可能是成本，諸如此類， |
| |
當我查看這些預測值時，我不僅可以關注收益。 因此，如果您想到類似貪婪的方法， |
| |
如果您開始添加要考慮的第二項...第二項標準，則開始進行這種平衡要困難得多。 鑑於使用這種子集方法，在其中添加輔助響應確實一點也不困難。 |
| |
我想現在將其移交給Ben得出結論。 |
| 本·弗朗西斯 |
所以， |
| |
非常感謝David，Phil和Ryan給出了我們為什麼要這樣做的背景，然後最終為我們提供了兩種，三種非常好的解決方案和方法， |
| |
查看我們如何解決此問題。 在所有這些方法中，很明顯JMP正在為科學家提供價值。 因此，我們已經有了直接的，前期的經驗，我們將實驗資源減少了十倍。 我們僅使用了10％的運行次數。 和 |
| |
最終，我們在每種情況下都能夠滿足規格要求並提供實驗中的高產量解決方案。 |
| |
但是除此之外，我們還展示瞭如何根據採用這種方法的公司的目標和策略，對不同的深度過程進行理解。 |
| |
現在，您可能會注意到，我們三個來自JMP的人，對CatSci如何解決此問題非常感興趣。 我們不一定要 |
| |
CatSci以外的問題並自行解決；我們提供工具以解決DOE方面的問題。 這是David作為客戶之間的一次奇妙的合作， |
| |
技術銷售方面的我自己和phil，產品開發方面的Ryan，在這里關鍵是我們都從不同的角度看待這一點。 |
| |
為了實現這種解決方案，正如我之前所說，我們可以根據需要實現的目標，以不同的方式看待對過程的深刻理解。 |
| |
我們一路上發現了一些事情，這對JMP的我們來說確實是令人興奮的，並將導致產品改進，然後我們將這些問題交還給您自己 |
| |
作為客戶。 我們了解到機器學習方法適用於這種大的DOE情況，並且，正如您所知，對於JMP而言，它們很容易應用。 此外，我們還從驗證方法中學到了警告，我們可以對此進行進一步研究。 |
| |
因此，最終，我們在解決大型能源部挑戰方面在這裡做了很多工作，並且我們確信有很多像CatSci一樣的公司正在處理此類問題。 |
| |
因此，我們都邀請您進一步研究我們已經完成的這項工作，並且在社區方面我們在這裡有兩個鏈接，我們將在其中發布資源和視頻， |
| |
以及JMP Public帖子，使您可以動手使用我們在其中使用的數據。 因此，在本演講中的每一個人，我們要感謝您的收看。 |
