揚聲器
|
成績單
|
| 大衛·黃-帕斯卡 |
可以，然後呢。 |
| |
順序和穩定贏得比賽。 大家好，我是 David，是 CatSci 的高級科學家。 那麼什麼是 CatSci？ |
| |
CatSci 是端到端化學工藝、研究和開發的創新合作夥伴。 我們與 JMP UK 等組織合作，確保我們的所有決策均由數據驅動。 |
| |
對我們來說，重要的是第一次就做對，並且每次都做對；為每個項目制定量身定制的完美解決方案；我們的絕對重點是滿足客戶的期望。 |
| |
我們在多個領域開展工作，包括早期和後期開發。 我們擁有工藝專業知識和悠久的催化經驗，這一直是我們身份的核心特徵，並且我們在分析化學和材料科學方面擁有出色的能力。 |
| |
因此，在 CatSci，我們面臨的挑戰之一是流程優化上游分類變量的選擇。 |
| |
這個困難在我們的催化劑篩選工作中最為突出。 |
| |
在幻燈片的圖像中，我們可以看到一些我們用來進行催化劑篩選的裝置和儀器。 |
| |
左邊，我們有預製的催化套件，其中包含 24 種金屬前體和配體的預劑量組合。 |
| |
中間是一個氫化器，裡面有一個 48 孔板，如右側所示。 |
| |
這允許同時進行 48 個單獨的實驗。 |
| |
這些儀器專為高通量和小規模而設計，為我們的客戶運行 10 個或更多此類板並不罕見，總計多達近 500 個實驗。 |
| |
那麼為什麼我們需要進行比較大量的實驗，對於提高效率有什麼好處呢？ |
| |
所以，首先，需要探索的化學空間極其巨大。 |
| |
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。 |
| |
然而，催化反應的探索尤其具有挑戰性，因為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點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選來衡量性能。 |
| |
僅僅因為它在某種溶劑中表現不佳而排除之前所說的金屬前體和配體的某種組合是不正確的。 可能的情況是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是查看材料的價格。 |
| |
我們的許多催化項目涉及貴金屬，例如鉑、鈀、釕、銥和銠。 其中一些金屬是地殼中最稀有的元素之一，這反映在它們的價格上。 |
| |
只需在谷歌上快速搜索一下它們的價格，您就可以看到銠的價格比黃金貴一個數量級以上。 |
| |
催化篩選的另一大開支是配體。 雖然存在廉價配體，但許多用於不對稱合成的最佳性能配體都是專有配體，例如來自 Solvias 的 Josiphos， |
| |
其中最常見且最便宜的 J001 的價格仍然是黃金的兩倍。 |
| |
因此，減少實驗次數可以降低耗材成本，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替代的更便宜的催化劑（例如，將銠催化劑更換為釕催化劑）每年可以節省數百萬美元。 |
| |
現在交給 Ben，他將討論 JMP 英國團隊如何解決這個問題。 |
| 本弗朗西斯 |
非常感謝，大衛。 |
| |
所以很明顯 |
| |
CatSci 和許多其他與 CatSci 類似的公司面臨著巨大的挑戰，配方空間很大， |
| |
可以有非常高階的相互作用。 因此，科學非常非常複雜，我們通過實驗來揭示這種複雜性非常重要。 |
| |
不幸的是，由於大衛在那裡概述的成本，僅測試每種組合的選擇並不是真正明智或可行的選擇。 |
| |
最終，我們需要採取某種形式的方法，其中涉及數據科學來以數字方式理解這些關係。 |
| |
因此，為了繼續並將所選配方應用於製造……多種製造場景，我們需要知道它每次都會起作用，正如大衛所說。 |
| |
所以我們查閱了文獻，因為在JMP我們對DOE的應用很感興趣，我們覺得這是DOE的一個特殊情況。 |
| |
正如我們恰當地命名它一樣，它是一個大型 DOE。 因此，我們搜索了一個案例研究來應用能源部的大型方法，我們發現了 Perera 等人的一篇論文， |
| |
2018 年發表，他們研究了用於這種反應篩選的平台。 在這個場景中有趣的是他們有五個分類因素。 |
| |
這聽起來可能並不過分。 他們必須查看反應物 1 和 2、配體、試劑和溶劑，但本文中提出的複雜性在於每個因素的水平。 |
| |
分別為四個、三個、十二個、八個和四個級別，所有組合在一起就形成了 4,608 種不同的組合。 |
| |
現在，在 Perera 等人的論文中，他們測試了每一種方案，這顯然不是對世界上每家公司來說都是可行的解決方案，只是測試每種組合，正如 David 之前概述的那樣。 |
| |
您可以在熱圖上看到，他們能夠了解到存在一些高產區域 |
| |
有的產量不太高，有的產量也很低。 因此進行了大量的測試，最終導致對流程的了解並不多 |
| |
並且實驗成本非常高。 |
| |
所以這最終導致這樣一種情況：他們找到了一個組合，他們得到了一個組合，然後他們能夠在論文中對其進行處理，然後說看，這是，這些是一般的 |
| |
第一次是正確的，但是從那時起，如果他們將其放入多噸製造場景中，每次都是正確的嗎？ 它會繼續提供所需的規範嗎？ |
| |
美國能源部的大型解決方案是否會減少資源需求？ |
| |
第一次就正確嗎？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 |
| |
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。 這是模仿 10 48 個工作板，大約是論文中執行的運行的 10%。 |
| |
第一次是否正確是通過查看論文中確定的 80 個高收益組合中有多少經過測試或預測來衡量的 |
| |
由生成的模型。 並且，最終通過 10% 的運行，我們期望從我們的……從我們的 DOE 中獲得至少八種高收益組合 |
| |
（這裡的高產率是指超過 95% 的值）。 |
| |
最後，也是至關重要的，每次通過查看模型的一般診斷（R 平方）來測量是否都正確。 最終，我們能否審視這一點並看看我們是否具有流程洞察力？ 人際關係有意義嗎？ 組合和相互作用有意義嗎？ |
| |
因此，我們也為自己的課程提供了一個標準，即使用 4,608 的完整數據集，我們發現它的 R 平方為 0.89，並且這是一個使用提升樹方法的方法。 |
| |
現在我將把任務交給菲爾，他將概述我們採取的第一個大型能源部方法。 |
| 菲爾·凱 |
謝謝，本；大衛，謝謝你把場景佈置得這麼好。 所以我們研究了三種不同的方法 |
| |
為了解決這個問題，看看我們是否可以減少該論文中實際測試的運行次數，並且仍然獲得與 Ben 概述的相同的有用信息。 |
| |
所以我將討論這三種方法中的兩種，這兩種是極端的方法。 有一種保守的方法和一種貪婪的方法，然後瑞安將討論我們認為最終可能效果最好的更加混合平衡的方法。 |
| |
因此，按照保守的方法，這是標準的 DOE 方法。 我們設計了一個包含 10 個模塊的 480 次運行的定制設計，這代表 David 向我們展示的催化劑篩選設備中的 10 個板。 |
| |
最重要的結果是，從 480 次運行的實驗中，我們能夠正確預測 13 個最高收益組合將是高收益組合。 |
| |
我們能夠根據 480 次運行數據集構建一個模型，當我們針對該實驗中未使用的數據對其進行測試時， |
| |
R 平方約為 0.73，實際上相當不錯。 從已發表的大型實驗中的較小實驗中，我們得到了一個相當好的模型，對整個系統有了相當好的理解。 |
| |
我們從中得到的一些非常有趣的見解是，我們需要使用機器學習從這些數據中獲取有用的模型，這讓我們有點驚訝。 我將更詳細地討論這一點。 |
| |
我們從使用這種保守方法收集的數據中得到了一些很好的理解。 它讓我們很好地理解了整個因子空間，以及為什麼某些組合效果良好。 |
| |
它使我們能夠識別替代區域，因此如果我們找到高產組合，但它不切實際，因為它太貴了， |
| |
催化劑太昂貴，或者它們可能是危險的或有毒的，不適合工業過程，那麼我們有很多替代品，因為我們已經了解了整個空間。 |
| |
那麼，我們是如何做到的呢？ |
| |
JMP 中的定制設計。 我們 |
| |
設計了 480 次運行，我優化設計，在本例中，分 10 個塊。 再說一次，David 向我們展示了設備的 10 個塊代表 10 個 48 孔板。 |
| |
值得注意的是，我們在定制設計中指定了一個用於主要效果的模型。 |
| |
對於二階相互作用和三階相互作用。 通過三階相互作用和所有這些級別的分類因素， |
| |
只是需要估計大量參數，因此我們實際上無法設計一個實驗來明確估計所有這些參數。 如果可能的話，我們需要將三階交互放在 as 中，因此這是 480 次運行的貝葉斯 I 最優設計。 |
| |
從這個視覺效果中您可以看到，我們只是查看不同輪次的實驗、不同的……10 個不同的板。 |
| |
您可以看到，通過在實驗中添加下一個板塊，我們如何增加對整個因子空間的探索。 |
| |
我們不關注任何特定地區；我們只是填充我們關於整個因素空間的知識空間。 |
| |
這就是我們在實驗中使用的 480 次運行，以及我們從已發布的數據集中獲得的剩餘 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）上的比較效果。 |
| |
現在，根據能源部的所有背景和經驗，我們預計 |
| |
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 beta 分佈，它在 0 和 1 之間反彈預測，因此我們將百分比收益率轉換為 0 到 1 的範圍。 這只是一個小技巧，當您對這樣的產量數據進行建模時，如果您擁有 JMP Pro，您可能需要使用它。 |
| |
我們使用前向選擇，以 AICc 作為驗證方法，這樣就會選擇重要的效果。 |
| |
我們在每一輪之後重複這個，所以第一輪是 48 分，然後是第二輪 96 分，然後是第三輪 144 分，一直到第十輪，我們得到了完整的 480 分。 |
| |
在這裡，您可以看到 gen reg 上設置的過濾器，只是為了查看那裡的前三輪。 |
| |
因此，對於前三輪，這是我們使用 gen reg、前向選擇、AICc 驗證獲得的模型。 |
| |
我認為，這不是一個很好的模型，只是從我們對化學的期望的直觀理解來看。 我們只看到模型中涉及的兩個因素，因此只選擇了兩個重要的主要影響。 |
| |
因此，我們可以將該模型保存到數據表中，然後我們可以看到該模型對保留數據（我們的測試集）的預測效果如何， |
| |
其餘 4,128 行不在我們的實驗中。 我們可以在每一輪中都這樣做。 我們對每一輪都這樣做，所以我們有 10 個使用 gen reg 構建的模型。 |
| |
現在，作為替代方案，我們認為值得研究一些機器學習方法。 在這裡，我們只是再次回顧前三輪。 |
| |
作為查看許多不同建模技術的一種非常快速的方法，我們在 JMP 16 Pro 中使用模型篩選。 |
| |
我們只需在 Y 和 X 中填寫收益率和因子即可。 我們設置了保留驗證列，隨機保留 25% 的數據進行驗證。 |
| |
單擊“確定”，它會運行所有這些不同的建模技術，因此我們現在收到一份報告，告訴我們 |
| |
這些有多好......所有這些不同的建模技術，包括一些 gen reg 模型、神經網絡和不同的樹方法。 |
| |
我們在那裡選擇了最好的兩個。 事實上，在所有輪次的實驗中，我們發現神經...增強神經網絡模型和引導森林是性能最好的模型。 |
| |
因此，我們可以再次保存預測公式，並使用未參與實驗的測試數據集上的預測公式來比較它們，並查看我們的不同模型相對於該測試數據集的表現如何。 |
| |
我們在這裡使用模型比較和 JMP Pro，因此我們比較所有的 gen reg 模型、神經網絡模型和 bootstrap 森林模型。 |
| |
現在您正在查看 R 平方與測試數據集的視覺效果。 這些模型與保留測試數據集的擬合程度如何。 |
| |
您可以看到 gen reg，即使用紅色前向選擇的標準回歸模型，從這裡開始 |
| |
在第一輪中，這實際上是最好的模型，但並沒有真正改進，然後在第五輪左右突然變得非常糟糕，然後在下一輪中再次變得非常好。 所以非常不穩定，最後變得更糟，可能是過度擬合。 |
| |
另一方面，機器學習方法是： |
| |
在第三輪之後，他們表現得最好，比我們的標準回歸技術表現得更好，而且他們一直在進步。 而事實上， |
| |
您可以看到，神經網絡在綠色部分開始時表現更好，到最後，引導森林的表現優於增強神經網絡模型。 |
| |
因此，即使如此，您可能會認為相對簡單的情況，您確實需要 JMP Pro 中的機器學習方法來獲得針對此類系統或流程的最佳模型、最可靠的模型。 |
| |
現在，我們只是查看已發布的所有 4,608 次運行的實際產量結果與第 10 輪結束時（即完整的 480 次運行之後）我們最佳模型的預測的圖表。 所以這就是右邊的引導森林。 |
| |
這還不錯，你知道你可以看到它正在採取的重要行為。 它正在識別低產區域和最高產區域。 所以有， |
| |
特別是在右上角，他們使用碘（？）反應物以及硼酸和硼酸酯 |
| |
那裡有反應物。 |
| |
那麼，我們將其與其他極端方法進行比較。 所以第一輪的48分是一模一樣的；我們從同樣的 48 次運行開始。 然後我們構建一個模型，並使用該模型來找出所有剩餘運行中的哪一個： |
| |
在剩餘的 4,560 次運行中，模型預測哪一次的收益率最高，然後我們在後續所有輪次中繼續這樣做，直到 10 輪。 |
| |
在這種情況下，我們正確地預測了更多的高收益和組合，但是當我們在 10 輪後得到最終模型並在數據上進行比較時 |
| |
我們在實驗中沒有使用過，R 平方很糟糕。 是 0.33。 所以我們得到的模型實際上並不能對整個系統做出良好的預測。 |
| |
因此，我們對一個高產地區有了很好的了解，並且正在尋找組合，尋找效果良好的因素設置，但這並不能真正使我們了解整個系統。 不是... |
| |
我們並沒有減少對整個系統的理解的可變性。 |
| |
所以只是為了向您展示該系統、該方法是如何工作的，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，因此這是 I 最優 |
| |
那裡有一組點，您可以看到它們均勻分佈在因子空間中。 |
| |
我們根據這 48 次運行的數據擬合了一個模型。 |
| |
我們使用該模型來預測所有其他可能組合的產量，然後從這些組合中選擇 48 個最高產量的預測， |
| |
就是那些。 所以你可以看到，他們專注於……我們不是……我們不再探索全要素空間的更高收益區域。 |
| |
如果我們從第 1 輪、第 2 輪、第 3 輪一直到第 10 輪，您可以看到，每次我們添加...我們都會向實驗中添加位於左上角高產區的運行。 所以我們只真正關注因子空間的一個區域。 |
| |
如果我們將實際情況與預測情況進行比較，您會發現它在左上角的區域中做得非常好。 |
| |
但正如我們所料，它在其他地方做出了相當糟糕的預測；這可能並不奇怪。 我們還沒有對整個系統進行實驗。 我們確實只是專注於那個高產地區。 |
| |
如果你將它與我們左側的保守方法進行比較（所以你已經看到了左側的圖）如果你看看模型是如何 |
| |
通過第一輪到第十輪的改進，然後每一輪我們都再次使用模型篩選平台來尋找最佳模型。 |
| |
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，你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，這是可以的，但它永遠……它永遠無法與我們保守實驗中的最佳模型競爭。 |
| |
所以這是兩個極端，我將把時間交給瑞安，他將討論解決這個問題的更平衡或混合的方法。 |
| 瑞安·萊基維茨 |
謝謝菲爾。 和 |
| |
實際上，在演講進行到一半的時候，我要感謝 Phil、Ben 和 David 讓我參加這個活動。 作為一名開發人員，玩一玩實際上很有趣。 我是 JMP 中 DOE 平台的開發人員。 |
| |
正如菲爾在這裡提到的，我在這裡看到的方法是一種混合方法。 |
| |
好吧，這裡的想法是我們將研究優化與探索的想法。 |
| |
所以，如果你想到菲爾談到的貪婪方法，那確實是優化。 我會嚴格要求最好的，這就是我要關注的全部。 儘管採取了保守的做法，但我們關心的只是探索。 |
| |
所以這裡的想法是，我們能否找到中間的某個地方 |
| |
也許可以優化，同時仍然探索一下空間？ |
| |
所以我會說我在這裡做了什麼......所以我實際上是從提前設置的三個孔板開始的，對吧。 所以我做了這三個尺寸為 48 的塊，並且我只是用“如果可能的話 2FI”做了主效果。 |
| |
原因是有時我並不真正信任僅運行 48 次的模型。 我說，好吧，讓我們稍微加深一下。 讓我們嘗試一下 144 孔板或三孔板，這樣我也許可以更加信任該模型。 |
| |
因為從某種意義上說，即使你想到那種貪婪的方法，如果你的模型很糟糕，你也會進入可怕的區域。 它不會對你有太大幫助。 |
| |
和以前一樣，我最終仍然會做 10 個孔板或 10 個塊。 |
| |
我將在以後的幻燈片中稍微討論一下這一點，但實際上我自始至終都在使用 XGBoost。 所以我預測的方式是使用 XGBoost，這是我會這樣做的原因 |
| |
因為這樣做。 |
| |
但是，這裡的想法是本質上採用預測值。 所以我說，我不會嚴格追求最好的 48 名，而是要設定一個門檻。 |
| |
是的，在前三個之後，我從 50 歲開始。 所以我說，給我大於 50 的預測值，當我繼續使用更多的孔板時，我將每輪增加 5 個。 |
| |
我的意思是，這相當隨意；部分原因是我們知道總共只有 10 輪，這也是因為我可以根據預測看到該組有多大。 |
| |
是的，所以根據數據，如果看起來該集合仍然很大，預測值約為 50，您可以對其進行修改。 |
| |
因此，這裡的想法實際上只是慢慢開始探索有望成為更高產量的地區。 |
| |
那麼，我們是對的嗎？ 嗯，在這個例子中，我們實際上從 80 個最高收益組合中得到了 27 個，即高於 95 的組合，這與貪婪方法相差不遠。 |
| |
如果你再次考慮 R 平方，以及所有保留數據，最終測試 R 平方為 0.69，所以這實際上與保守方法相差不遠。 所以只是... |
| |
我的意思是，你可能......你現在可能要謹慎，只看這兩個數字，但基於此，這種混合動力確實似乎是兩全其美。 我的意思是，你正在權衡它，但是，但是你得到了一些好東西。 |
| |
所以只是對這種方法的一些見解。 真的，我想說，最終我們確實對與高收益相關的那些因子空間有了更好的理解。 |
| |
我認為貪婪，如果你能回想一下這些點在哪裡，它們真的集中在左上角，所以它並沒有真正對這個空間進行更多的探索。 |
| |
你可以想像如果... |
| |
如果那裡的某樣東西的價格一夜之間突然翻了兩番，那麼你現在對該地區其他地方一無所知。 |
| |
是的，因此通過這種混合方法，我們可以更多地了解如何和為什麼以及一些組合，並且它為我們提供了更好的選擇 |
| |
再說一遍，也許如果您有其他因素需要考慮，您願意犧牲一點點產量，因為基於其他測量，有更好的替代方案。 |
| |
所以，真的，這裡的想法......是的，所以讓我來看看這是如何在定制設計中實際完成的，對吧。 所以我採取的方法是 |
| |
在自定義設計器中使用協變量，我認為它有時被低估了。 |
| |
但是，所以我的想法是我剛剛獲取了完整的數據集，所以整個 4,608 次運行， |
| |
對於每一輪……你可以想像，一開始，我採用了這些……我採用了 144 次運行設計，然後我說，好吧，我將採用完整數據集的子集。 如果我已經在之前的設計中選擇了它，那麼我需要確保將其包括在內。 |
| |
然後，給我高於該特定值的預測產量，因此，對於第四個設計，從 50 和 55、60 等開始。 |
| |
那麼數據表中 |
| |
現在，我要做的就是選擇之前實驗中使用的設計點。 所以我確保突出顯示這些內容。 然後定制設計，當你進入添加因子時，有一個選項稱為協變量。 再說一遍，我認為這是... |
| |
很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個演講來談論協變量， |
| |
但實際上會有一些博客條目（如果在您看到此視頻時它們尚未發布，則可能在您觀看此視頻時的幾天內） |
| |
我將在這裡更多地討論如何真正使用協變量。 但這個想法是，你之前可能也聽說過一種叫做候選集的東西，所以這個想法是...... |
| |
這是這個數據集，它是之前選擇的數據集的子集以及類似的數據集，它告訴定制設計師您只能選擇這些設計點。 |
| |
你不能採用標準的方式，我們將繼續嘗試切換坐標和類似的事情。 它告訴 JMP 自定義設計器，您必須在設計中使用這些運行，特別是， |
| |
使用協變量的選項之一是您可以強制輸入先前選擇的設計點，因此通過這種方式，它實際上就像進行設計增強 |
| |
使用協變量後使用候選者。 |
| |
當然，因為在這種情況下，我不能真正拋棄我之前嘗試過的那些設計點。 確實，我們想做的就是選擇接下來的 48 個。 |
| |
不過，我也應該在這裡提一下，如果您想到定制設計...... |
| |
所以在每一個中，我所做的是……兩個因素相互作用，然後如果可能的話，三個因素相互作用。 |
| |
但這實際上更像是一種探索設計空間的機制，對吧。 我正在擬合的模型 |
| |
事後使用 XGBoost，所以我的意思是設計並未針對 XGBoost 模型或類似模型進行優化。 |
| |
這更像是一個替代說法，探索預測產量看起來不錯的設計空間，特別是，因為這是處理分類因素，所以它將確保它試圖獲得良好的平衡。 另外值得一提的是， |
| |
如果您想...再次，因為它沒有使用底層模型、XGBoost 或類似的東西，您可以使用響應。 因此，在這種情況下，他們將收益率預測為另一個協變量，這樣做的目的是嘗試在高收益率和低收益率之間取得更好的平衡 |
| |
當它嘗試進行設計時的響應。 |
| |
所以我們沒有在這裡探討這個問題，但我認為這將是未來要做的一件有效的事情。 |
| |
因此，達到預測的產量。 所以，正如我在...中提到的，所以我認為當 Phil 談論他嘗試過的其他一些機器學習技術時 |
| |
對於我的？？？，我實際上主要關注 XGBoost。 |
| |
如果你看左邊，我這樣做的原因之一就是嘗試 |
| |
使用 K 折疊交叉驗證，但我使用設計編號，它本質上是作為每個附加折疊的孔板。 因此，不是隨機選擇不同的 K 次折疊， |
| |
它會說，我要查看孔板，然後我將嘗試為每個孔板保留它。 所以如果你想像一下，對於第一個，當我只有三個孔板時， |
| |
它會取出每一個孔板，將其拿出來，然後根據剩下的兩個孔板，看看它的預測效果如何。 所以當我到達第十個……第十個孔板時，它實際上有點像十倍。 |
| |
因此，我的部分原因是考慮嘗試使該模型對您未見過的下一個孔板具有魯棒性。 |
| |
而且，實際上，如果特定的孔板發生問題，這實際上也可能會保護您， |
| |
然後，也許也能從中得到一點保護。 |
| |
我用 XGBoost 做的另一件事是，當您啟動 XGBoost 平台時，就像通過插件一樣，您會看到頂部有一個小複選框，用於我們所說的調整設計。 |
| |
因此，通過這種調整設計， |
| |
它實際上是在蓋子後面安裝一個空間填充設計，並針對不同的超參數運行所有這些。 |
| |
所以我每次這樣做的目的是， |
| |
我會選擇 50 次運行的調整設計，但只是探索一下超參數空間。 所以我會選擇每一輪的模型 |
| |
是具有最佳驗證 R 平方的那個。 再說一遍，本例中的驗證 R 平方實際上僅使用了我擁有的設計點，對吧。 所以這是用...做K折。 |
| |
與那些不同的孔板。 所以在這種情況下，驗證 R 平方不是......我沒有使用尚未見過的數據，因為實際上，我還沒有該數據。 |
| |
但這只是說使用驗證技術，我使用的是孔板。 再說一遍，這就是我在大部分情況下使用 XGBoost 的原因，我只是嘗試一些不同的東西 |
| |
使用 K 折疊技術，而且，當談到 XGBoost 時，我真的很喜歡使用空間填充。 |
| |
讓我們看一下這裡。 所以我們在這裡看到，這些是在連續幾輪中選出的點。 現在， |
| |
如果你想想貪婪方法中發生的事情，我的意思是，它實際上集中在左上角。 |
| |
是的，但是現在，如果你看到這種混合方法， |
| |
當它開始進入回合時，你會看到它更多地填充了這些點，但我們也得到了更好的……更好的點採樣，尤其是在左側。 |
| |
是的，所以如果你從這個角度考慮，現在對於那些高產地區你有很多更好的選擇。 |
| |
我想是的...如果我們現在看看實際情況與預測情況， |
| |
我實際上認為這也很能說明問題，因為我們做了更好的探索。 |
| |
在那些高產地區，也許 |
| |
我認為，如果你看左下角，我認為我們在混合模型中做得更好，選擇了一些可能是可行的替代方案。 |
| |
這種方法的好處之一是我可以不僅僅關注產量。 |
| |
是的，所以如果你想... |
| |
我可以有第二個反應，無論是某種毒性，也可能是成本，諸如此類的東西， |
| |
當我查看這些預測值時，我可以不僅僅關注產量。 所以，如果你想到類似貪婪方法的東西， |
| |
如果你開始添加你想要考慮的次要標準，那麼開始進行平衡就會困難得多。 而使用這種子集方法，在執行此操作時添加輔助響應實際上一點也不困難。 |
| |
我想我現在就把它交給本來得出結論。 |
| 本弗朗西斯 |
所以， |
| |
非常感謝 David、Phil 和 Ryan 介紹了我們為什麼要這樣做的背景，最後為我們提供了兩三個非常好的解決方案和方法 |
| |
看看我們如何解決這個問題。 在所有這些方法中，JMP 顯然正在為科學家提供價值。 因此，我們的實驗資源就直接、直接地減少了十倍。 我們只使用了 10% 的運行。 和 |
| |
最終，我們在每種情況下都能滿足規格並通過實驗提供高產解決方案。 |
| |
但除此之外，我們還展示瞭如何根據採用這種方法的公司的目標和戰略，獲得不同程度的深入流程理解。 |
| |
現在，您可能會注意到，我們來自 JMP 的三個人對 CatSci 如何解決這個問題非常感興趣。 我們不一定要採取 |
| |
遠離 CatSci 的問題並自行解決；我們正在提供工具來解決能源部方面的問題。 這是大衛作為客戶之間的一次奇妙的合作， |
| |
我和菲爾負責技術銷售，瑞安負責產品開發，關鍵是我們都從不同的角度看待這個問題 |
| |
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，以不同的方式來了解深層流程。 |
| |
我們在此過程中發現了一些事情，這對 JMP 來說確實令人興奮，並將導致產品改進，然後我們將這些改進交還給你們自己 |
| |
作為客戶。 我們了解到，機器學習方法適用於能源部的這種大型情況，而且如您所知，通過 JMP，它們可以直接應用。 我們還學會了在驗證方法方面的謹慎態度，我們可以進一步研究這一點。 |
| |
因此，最終，我們在此展示了有關能源部重大挑戰的大量工作，並且我們確信有許多公司（與 CatSci 類似）正在解決此類問題。 |
| |
因此，我們都邀請您進一步探索我們所做的這項工作，我們在社區方面有兩個鏈接，我們將在其中發布資源和視頻， |
| |
以及 JMP 公共帖子，使您能夠掌握我們在其中使用的數據。 因此，我們想對本次演示中的所有人表示感謝。 |
