扬声器
|
成绩单
|
| 韦恩·莱文 |
自验证集成模型，因为我们将其视为实验设计等方面的范式转变。 |
| |
只是...我们去了。 我们的议程是...我们将要...只是简要介绍一下谁在讲话。 |
| |
因此，SVEM的内容，原因和方式。 因此，我们将对DOE和机器学习进行快速概述，描述将它们混合到SVEM中，分析一些现实世界...现实世界中的SVEM实验， |
| |
回顾一些当前的研究，并演示JMP 16中的新候选人集设计器，这是JMP 16中的新成员，然后我们将按照通常的（如您所知）接下来的步骤以及问答环节等进行总结。 |
| |
SVEM是一种了不起的新方法，它可以用更少的实验周期来提取更多的见解，并从包括DOE在内的少量数据中建立更准确的预测模型。 |
| |
然后，我们期望使用SVEM，我们保证您将节省成本，您将更快进入市场，并更快地解决问题。 我们将继续探索所有这一切。 |
| |
在会议中。 |
| |
我是Wayne Levin，是Predictum的总裁，我是Chris Gotwalt，他是JMP的首席数据科学家，而加入我们的还有Phil Ramsey，他是Predictum的高级数据科学家，也是美国大学的副教授。新罕布什尔。 |
| |
所以我们就 |
| |
在这里盘点。 JMP对数据科学的巨大贡献，众所周知，在20年前的DOE领域中，JMP 4将具有坐标交换算法。 |
| |
然后大约八年前，九年前，我们看到了确定的筛选设计。 而且我们想认为SVEM，我们称其为简短的，可自我验证的集成建模（尝试并快速地说三遍），我们想认为这是另一种贡献。 |
| |
机器学习和实验设计。 |
| |
它克服了有限的数据量的限制。 如果数据量很少，则您无法进行机器学习，通常必须拥有大量数据才能实现这一目标。 |
| |
现在，我们一直在该领域中尝试SVEM，并且已经有许多公司与我们联系，我们已经提供了SVEM的试用版。 我们在 |
| |
Predictum是第一个在该领域创建产品并将产品推向市场的人，我只想与您分享到目前为止我们学到的一些知识。 |
| |
其中之一就是SVEM表现出色。 我的意思是，当您有更多参数和运行次数时，它可以很好地与 |
| |
高阶模型。 它确实提供了更准确的预测，还有助于从损坏的DOE中恢复。 因此，举例来说，如果您有明确的筛选设计， |
| |
无论出于何种原因，都无法确定是否合适，我们已经向我们发送了一些历史性DOE， |
| |
缺乏力量。 您知道，他们什么也没找到，但是使用SVEM，实际上可以。 它能够。 而且您知道我们遇到了一些缺失或可疑运行的情况。 |
| |
我们学到的其他东西是，它不会帮助您进行理性阶乘，所以类似的事情。 我们对这里的预测模型感兴趣 |
| |
分数阶乘确实没有给出预测模型；他们不是为此而设计的。 因此，它不会给您带来数据无法传递的结构， |
| |
至少没有达到这个程度。 我们了解到的另一件事是，我们尚未测试SVEM的全部潜力。 为此，我们确实需要 |
| |
首先要考虑SVEM来设计实验，这意味着要研究更多因素。 我们不想只看三个或四个因素。 10、15甚至更多呢？ |
| |
从研究中我们了解到Chris和Phil将谈论贝叶斯I最优设计是最好的...与SVEM以及混合设计一起使用的最佳方法 |
| |
对SVEM尤其有用，稍后我将再说一点。 就SVEM而言 |
| |
如果您想尝试一下，我们将在Chris和Phil之后提供一些信息，以供您讨论。 话虽如此，我将把它交给您，克里斯，克里斯 |
| |
了解SVEN的内容，原因和方式。 克里斯，谢谢你。 |
| 克里斯·高瓦特（Chris Gotwalt） |
好吧，很好，谢谢韦恩。 哦，等等，我要分享我的屏幕吗？ |
| 韦恩·莱文 |
还没有。 |
| |
好了 |
| 克里斯·高瓦特（Chris Gotwalt） |
好吧，很好，谢谢，韦恩。 |
| |
因此，现在我将介绍自验证集成模型或SVEM的想法。 |
| |
我将使其保持基本状态。 我假设您有一些设计和实验分析的经验。 |
| |
最重要的是，您应该了解统计建模过程可以归结为使函数适合数据 |
| |
预测变量响应变量作为输入变量的函数。 从高层次看，SVEM是使用大数据应用程序的机器学习算法之间的桥梁 |
| |
和实验设计，这通常被认为是一个很小且很好的分析问题。 机器学习和DOE都有很长的历史，但是直到现在，它们都是相对独立的传统。 |
| |
我们的研究表明，使用SVEM可以使用更少的观测值来获得更准确的模型。 |
| |
这意味着可以使用更少的资源以更低的成本在更少的时间内完成产品和流程的改进。 因此，如果您身处竞争激烈的行业， |
| |
如果首先进入市场至关重要，那么SVEM应该引起您的极大兴趣。 |
| |
特别是，我们认为SVEM在制药和生物技术行业中具有特殊的...巨大的前景， |
| |
高科技，例如半导体制造以及消费产品的开发。 |
| |
在JMP的工作中，我对许多行业和应用程序领域中的数据处理方式有大致的了解。 |
| |
我已经开发了用于构建最佳设计实验以及相关分析过程（如混合模型和模型综合化）的算法。 |
| |
另一方面，我还是JMP Pro神经网络算法以及产品中其他一些机器学习技术的开发人员。 |
| |
在过去的20年中，我看到在对大型观测数据集进行建模并看到许多新数据时，机器学习变得更加重要。 |
| |
已开发的算法。 同时，对设计实验的分析也发生了变化，但在过去的20年中逐渐增加。 |
| |
1970年代后期阅读Box，Hunter和Hunter的任何人都可以识别出工业实验的整体统计方法。 |
| |
机器学习和实验设计通常应用于工业领域，以解决本质上可预测的问题。 |
| |
我们使用这些工具来回答问题，例如传感器指示批次是否有问题，或者我们如何调整流程以最大程度地提高产量同时将成本降至最低。 |
| |
尽管它们本质上都是可预测的，但机器学习和实验设计通常已应用于相当不同类型的数据。 |
| |
我现在要做的是对这两者进行快速概述，然后描述我们如何将它们融合到SVEM中。 |
| |
我将分析实际实验中的一些数据，以显示其工作原理以及为什么我们认为整体效果很好。 |
| |
我将整体介绍...我将介绍...我将介绍由新罕布什尔大学的博士生Trent Limpkiss（？）完成的模拟结果，这使我们充满信心。有希望。 |
| |
然后，我看一个示例，该示例显示如何使用JMP 16中的新候选集设计来查找现有数据集的最佳子集，以便您可以自己尝试SVEM。 |
| |
我将重点介绍我们的一些观察结果，提到我们希望回答的一些将来的问题，然后将其交给Phil，后者将进行更深入的案例研究和SVEM附加组件的演示，在。 |
| |
考虑屏幕上的简单数据。 这是来自冶金工艺的数据，我们希望在加工步骤结束时预测收缩量。 |
| |
我们想在左侧使用三个变量来预测收缩率。 建模相当于找到一个将压力，时间和温度联系起来的函数，该函数可以预测此处的响应（收缩）。 |
| |
希望该模型能够生成...将来可以推广到新数据。 |
| |
在机器学习环境中，执行此操作的标准方法是将数据划分为两个不相交的行集。 一种叫做训练集，它用于拟合模型，以确保我们不会过度拟合数据， |
| |
导致模型在新观测值上不准确。 我们还有另一个数据子集，称为验证集，用于测试我们曾经使用过的各种模型。 |
| |
已经适合训练集的 这里需要权衡取舍，因为过于简单的功能无法解释足够多的变化，因此它们在训练和验证集上的适用性很差。 |
| |
过于复杂的模型可以非常适合训练集，但对于验证集将非常不准确。 |
| |
我们使用诸如验证R平方之类的度量来找到既不太简单也不太复杂的goldilocks模型。 |
| |
该金发姑娘模型将是其验证R平方在验证集上最高的模型。 |
| |
当您用引号将无引号的行数相当多时，这种保留样式模型的选择是一种很好的方法， |
| |
通常在数亿行或更多的行中。 较大的语句是有意的模棱两可，并取决于当前的任务。 就是说，您在此处看到的12行实际上太小了，仅用于说明目的。 |
| |
在DOE中，我们通常会遇到时间和/或资源受到严重限制的情况。 |
| |
设计实验（尤其是作为关键JMP功能的最佳设计实验）的核心思想是围绕获得尽可能少的行数打包的最高质量信息。 |
| |
多年来，许多有才华的人们创建了统计工具，例如F检验，半正态图和模型选择标准，例如AIC和BIC， |
| |
帮助我们做出有关DOE数据模型的决策。 这些都是可以帮助我们确定应使用哪种模型作为科学，工程和制造决策依据的指南。 |
| |
通常不做的一件事是将机器学习模型选择应用于设计的实验。 现在为什么会这样？ |
| |
一个重要的原因是，信息被紧紧地包装在设计中，以至于即使删除一些观察结果也可能导致主要效果和相互作用崩溃 |
| |
因此我们不再能够将它们分成唯一可估计的效果。 如果仍然尝试这样做，则可能会看到软件报告警告，例如丢失的自由度或添加到模型报告中的奇异细节。 |
| |
现在，我们将进行一些思想上的实验。 如果我们尝试作弊一点怎么办？ |
| |
如果我们复制了原始表中的所有行，即X和Y，然后将一个副本标记为“ training”，将另一个副本标记为“ validation”，该怎么办？ 现在我们有足够的数据，对不对？ 错误的。 我们并没有愚弄任何人，这是这个疯狂的计划。 |
| |
太疯狂了，因为如果您尝试使用这种方法进行建模并查看拟合优度指数的任何图，您会发现使它们变得更复杂会导致更适合训练集，但是因为训练和验证 |
| |
在这种情况下，集合是相同的，方法总是会导致过拟合。 |
| |
因此，让我们备份和重塑机器学习模型的选择，就像在相同数据上计算出的两个加权平方和的故事一样。 |
| |
不用考虑根据两个数据分区来选择模型，我们可以将其视为两列权重。 |
| |
训练集中的行的训练权重等于1，否则等于0，而验证列等于 |
| |
对于训练行，该值等于零；对于验证行，该值等于1。 |
| |
因此，从机器学习模型选择中，我们可以认为每一行都有自己的一对权重值，其中两个权重均为二进制零和一。 |
| |
以这种方式设置它们可以使我们对模型拟合进行独立评估。 |
| |
通过查找找到的参数值来拟合模型，这些参数值会最小化使用训练权重加权的平方误差总和，并使用使用验证列权重加权的平方误差总和来衡量泛化性能。 |
| |
如果我们在散点图中绘制这些权重对，我们当然会看到训练验证权重……训练和验证权重是完全反相关的。 |
| |
现在，如果不是代替强迫自己使用完全反相关的二进制值对，而是放宽了这些值只能采用零和一的值的要求，那该怎么办？ |
| |
并允许权重取任何严格的正值？ |
| |
为此，我们必须放弃一些知识，尤其是据我所知，为了使其在数学上起作用，我们不再拥有完全反相关的权重对，但是我们可以通过一定的方式来做到这一点相关性。 |
| |
有很多方法可以做到这一点，但一种方法是使用与分数加权引导程序相同的方案来创建权重，在该方法中，我们使用均值为1的指数分布 |
| |
创建权重。 使用均匀分布的属性有一个小技巧，我们可以用来创建指数分布但高度反相关的权重对。 |
| |
当将此作为两列加权验证方案时，我们称为自动验证。 菲尔和我在这个想法上就此发表了几本探索论文。 |
| |
使用这种方法就像拥有权重的训练列（其方差均值为1）和具有相同属性的验证列。 |
| |
在此自动验证方案下，如果一行对平方的训练总和的贡献大于平均权重，则该行对平方的校验和的贡献将较小，反之亦然。 |
| |
Mike有一个加载项...我想指出，Mike Anderson创建了一个加载项，将数据集设置为JMP Pro建模平台可以使用的这种格式。 |
| |
现在，最近我和菲尔（Phil）成为特伦特（Trent）的博士生。 |
| |
在春季和秋季，Trent进行了许多模拟，尝试了许多不同的方法来使模型适合DOE数据，包括基于自动验证方法的整个动物园。 我将展示他的一些结果 |
| |
在这里一点。 可以说，就独立测试集的最小平均误差而言，始终有效的最佳方法是应用自动验证 |
| |
结合变量选择过程（例如正向选择），但是我们没有重复一次或多次重复该过程，而是这样做了， |
| |
每次都保存预测公式，并最终在所有这些自动验证的迭代中平均模型。 我们将此通用过程称为自验证集成模型或SVEM。 |
| |
因此，为了使事情更具体一些，我将举一个简单的例子来说明这一点。 我们首先初始化自动验证权重。 |
| |
我们应用模型选择程序，例如套索或正向选择，然后将预测公式保存回表中。 |
| |
这是第一个预测公式。 在此迭代中，仅选择了两个线性主效果。 |
| |
然后，我们重新初始化权重，使用新的权重集再次适合模型，并保存该预测公式。 |
| |
这是第二个自动验证的预测公式。 请注意，这次选择了一组不同的主要效果和相互作用，并且它们的回归系数这次不同。 |
| |
我们重复此过程很多次。 |
| |
最后，SVEM模型只是所有预测公式中的平均值。 |
| |
这是一个简洁的图，将SVEM算法说明为图。 因此，将引导程序与模型平均相结合的想法 |
| |
当我们重新初始化权重后，一遍又一遍地发生。 我们保存来自该迭代的预测公式。 |
| |
我们保存...在这里保存参数...在这里插图显示了参数，但是公式是相同的。 只需将它们全部保存下来，然后在一天结束时，最终模型就是所有迭代中的平均值。 |
| |
完成后，我们可以在图形探查器中使用该SVEM模型，并启用扩展中间公式，以便我们可以可视化结果模型并优化流程等。 |
| |
现在，我将介绍Trent的论文研究的结果。 |
| |
Box Behnkens和DSD的影响因素有四个和八个。 每个模拟包含1,000个模拟重复，并且每个模拟对于我们的二次响应曲面模型都有自己的一组真实参数值。 |
| |
活动参数呈双指数分布，我们探索了50％至100％的不同百分比的活动效果。 |
| |
对于1,000个仿真代表中的每一个，在独立测试集上相对于真实模型评估SVEM预测，该测试集由在因子空间上的10,000个运行空间填充设计组成。 |
| |
我们研究了许多不同的经典单镜头建模方法，以及所有验证的多种变体。 |
| |
但是，只看最有趣的结果就容易多了，因为要比较的东西太多了。 在我们调查的所有情况下，故事都是非常一致的。 |
| |
这是基本设计是确定的筛选设计的模拟过程之一，有8个因素和21个运行。 在这种情况下，50％的效果不为零。 |
| |
这意味着该模型的非零参数与运行时一样多。 |
| |
左侧是套索，Dantzig选择器，正向选择和修剪正向选择的对数均方根误差的箱形图，所有均使用AICc进行了调整，这是该方法中表现最好的。 |
| |
此外，接下来是来自拟合确定性平台的方法的最佳性能，其次是将SVEM应用于不同的建模...右侧有几种不同的建模过程。 |
| |
当我们将测试集RMSE与SVEM预测进行比较时，独立测试集的均方根误差显着降低。 |
| |
并且请注意，这是对数尺度的，因此，这在预测性能上有很大的不同。 |
| |
这是一个更有趣的结果。 这是真正使我震惊的情节。 这是相同的仿真设置，除了这里所有的影响都不为零。 |
| |
因此，真正的模型不仅在设计矩阵中而且在参数本身中都是过饱和的。 |
| |
过去，我们不得不假设活动效果的数量只是所有效果的一小部分，并且肯定少于行数。 |
| |
尽管活动参数的数量大约是行数的两倍，但在这里我们得到的模型还是相当准确的，这的确非常出色。 |
| |
现在，我将快速浏览一下插图 |
| |
SVEM展示了如何将其应用于您自己的历史DOE。 我将使用发酵过程中的五因子DOE的真实示例，其中感兴趣的响应是通过pDNA滴定度测量的产物收率。 |
| |
SVEM的最大优势在于，我们可以通过更少的运行获得更准确的模型。 这意味着我们可以获取现有数据集， |
| |
使用JMP 16中的新候选集设计器来标识构成原始设计的引用不引用的预测核心的行的子集。 |
| |
我将获取具有36行的原始数据，将五列作为协变量加载，并告诉定制设计器为我提供原始设计的16行子集，该子集可以在该大小下提供最佳的预测性能。 |
| |
然后，我将隐藏并排除不在该子集设计中的所有行，以便以后可以将它们用作独立的测试集。 |
| |
我将运行SVEM模型，并将SVEM模型的性能与您应用标准程序（例如前瞻选择）以及AICc适合16次运行的结果进行比较。 |
| |
我想说的是，JMP 16中的新候选集设计师是……也是一个了不起的贡献，我只想说一下Brad的团队在创建这个新工具方面的表现令人难以置信，这将是深刻的在许多方面都非常有用，包括SVEM。 |
| |
为此，我们可以获取数据集，然后转到定制设计器。 |
| |
我们选择协变量行，因此这是JMP 16中的新大纲节点。 |
| |
然后我们选择五个输入因子。 |
| |
单击继续。 |
| |
我们将按下RSM按钮，它将自动将最佳性标准转换为I最佳或预测性类型设计。 |
| |
我们选择所有非拦截因子，然后在模型中的...上单击鼠标右键。 |
| |
在此处选择列表并创建...设置所有非拦截效果，就好像可能的效果一样。 这就是让我们拥有模型的原因 |
| |
其中的参数比我们的基本设计要多，因为设计标准现在将是贝叶斯I最优设计。 现在我们可以将运行次数设置为等于16。 |
| |
单击制作设计。 |
| |
完成此操作后，优化器便发挥了魔力，现在在原始表中选择了贝叶斯I最优子集设计中的所有行。 |
| |
我们可以转到表，然后使用指示器或转换列来记录当前行选择。 |
| |
然后，我将该列重命名为一个有意义的名称，以供日后使用。 |
| |
通过选择新指标列等于零的所有行，我们可以选择不在子集设计中的点。 |
| |
然后，我们可以隐藏和排除这些行，以便它们不会包含在我们的模型拟合过程中。 |
| |
Phil将演示SVEM插件，因此我将跳过建模步骤，直接对贝叶斯I最优子集设计中未包括的行进行正向选择加AICc和SVEM模型的模型比较。 所以您可以在这里看到红色的比较... |
| |
在此报告的红色轮廓部分中。 我们看到SVEM在 |
| |
独立测试集.5和传统过程的R平方为.22，因此，与SVEM相比，我们得到的变异量基本上是传统过程的两倍。 |
| |
当我们将SVEM应用于所有46个观测值时，我们还可以比较两个模型的剖面轨迹。 |
| |
显然，在将SVEM应用于所有46个运行时，我们基本上得到了相同的模型，因为在SVEM下只有16个运行时我们得到了相同的模型。 |
| |
但是基于前向选择的模型缺少曲率项，更不要错过...更不用说还有很多交互项也缺少。 这是一个相当简单的过程……非常简单的过程，可用于根据您自己的历史数据测试SVEM。 |
| |
所以整体SVEM |
| |
提出了很多问题。 它们中的许多都围绕自由度在设计实验中的作用，因为我们现在能够拟合参数多于行的模型，这意味着如果存在这种情况，则实际上将存在负自由度。 |
| |
我认为这将使我们重新考虑基于P值的思维在工业实验中的作用。 |
| |
我们将必须努力建立分析不确定性的新方法，例如预测...在预测的置信区间中。 |
| |
Phil和我正在做一些工作，试图了解什么是我们可以使用的最佳基础模型系列。 因此，这可能是二次RSM，我们也正在研究很久以前提出的这些局部三次模型，但现在我们认为值得重新考虑。 |
| |
我们应该使用哪种设计？ 根据我们使用的基本模型中的因素数量，合适的样本量是多少？ 筛选实验的作用是什么？ 一个大的未知数是分块图和分割图实验的作用是什么 |
| |
在这个框架中？ |
| |
所以现在我要把它交给菲尔。 他将进行更深入的案例研究，并演示Predictum的SVEM插件。 把它拿走，菲尔。 |
| 菲利普·拉姆西 |
好的，谢谢克里斯。 我要做的是讨论一个案例研究，所以让我把它放在 |
| |
幻灯片，我会做一些 |
| |
克里斯说过，关于预言的插图 |
| |
加载项实际上可以自动执行很多SVEM分析。 我们正在尝试研究的是生物技术行业中使用的一种分析方法。 |
| |
而这是为了表征治疗性蛋白质的糖基化，基本上是成为抗体的蛋白质。 |
| |
许多在该行业工作的人都知道糖蛋白确实是一种非常丰富的疗法来源，并且您还知道，如果您要研究GMP，就必须证明测量系统的可靠性。 实际上，对于糖谱分析， |
| |
快速，易于使用的分析方法并未真正得到充分开发。 因此，本实验的目的是想出一种供人们使用的相当快速简便的方法，该方法可以使他们对不同的 |
| |
（我这里不是化学家）糖已经 |
| |
转录后附着在基础蛋白上。 |
| |
为了给您一个主意，使用色谱法的主意，我将假定您已经对此有所了解，基本上，这是您可以使用的一种方法。 |
| |
有一些解决方案，您可以将其穿过色谱柱，然后，当不同的化学物质穿过色谱柱时， |
| |
它们往往会分开，并在不同的时间走出色谱柱。 所以基本上是一种形式，所谓的色谱图，其中的峰 |
| |
是浓度的函数，峰的出现时间实际上对于确定物种实际是很重要的。 因此，在这种情况下，我们将研究一些 |
| |
糖。我只是简单地称它们为糖型，这是由从事这项工作的科学家开发的一种校准解决方案。 |
| |
而且我们确切地知道校准解决方案中的内容。 我们确切地知道应该洗脱哪些峰以及大概在哪里。 |
| |
然后，我们可以将实际的人类抗体样本与校准样本进行比较。 并且其中一些糖型带电。 他们很难使他们通过专栏。 |
| |
他们倾向于坚持下去，因此我们使用的是有时称为梯度洗脱的方法。 |
| |
而且我不会详细介绍。 在这里，我们使用的是所谓的高性能阴离子交换色谱法。 我不是专家，但是与我合作的科学家已经做到了 |
| |
开发此校准的一项非常出色的工作，以及我们需要一个历史可追溯的校准解决方案的原因 |
| |
从人抗体样品中洗脱出的糖关于它们从色谱柱中流出的位置并不完全可预测，因此我们有一些可用于校准的东西。 |
| |
所以。 |
| |
完成这项工作的人（我将在稍后提到她）设计了两个独立的实验。 一种是16步三级设计。 |
| |
然后，她回来了，做了一个更大的28次运行的三级设计。 因此，一个可以用作训练集，另一个可以用作验证集，但是为了展示Chris所说的协变量选择器和贝叶斯I最优策略， |
| |
两种设计都合并为一个44次运行的设计。 然后我们 |
| |
使用协变量选择器将该设计转化为自定义设计，然后创建各种贝叶斯I最优设计。 |
| |
我们可以做更多的组合，但是我们只有这么多时间来谈论这个。 因此，共有三种设计。 一个运行10次，请记住五个因素，而我们要进行10次运行。 |
| |
13次运行设计和16次运行设计，再一次，我们可以做得更多。 所以，我们要做的就是看这些 |
| |
设计是在我们使用风扇拟合模型之后执行的，顺便说一句，正如克里斯提到的那样，在这些设计的每一个中，将从44个未选择的运行中用作验证或测试集，以查看模型的性能如何执行。 |
| |
好的，这些就是初始因素，醋酸钠的初始量，氢氧化钠的初始量。 然后执行三个单独的梯度洗脱步骤 |
| |
整个过程大约需要40分钟。 因此，这些是实验中正在使用和操作的设置。 |
| |
在此实验中，实际上可以观察到44种不同的响应。 因此，在有时间的情况下，我将介绍两个。 |
| |
一个是糖型3的保留时间，这是关键，这是校正色谱图的关键。 |
| |
我们希望它能在大约八分半钟的时间内出来，因为它与人抗体样品非常吻合。 |
| |
实际上，建模非常容易。 第二个响应是糖型10的保留时间。 这是一种带电荷的糖形式。 它洗脱时间很晚，往往会与其他带电糖型聚集在一起，并且很难区分。 好的，这就是我要看的两个答案。 |
| |
对于不熟悉色谱法的人来说，这里有一些所谓的色谱图。 这些实质上是回应， |
| |
响应的图片，在这种情况下，如果您查看图片，我们将查看保留时间，即何时 |
| |
峰3出来了吗？ 峰10在什么时候出现在色谱图中？ 顺便说一下，两者之间要注意 |
| |
我显示的色谱图，轮廓有多大差异。 所以在这个实验中，当我们操纵那些实验因素时 |
| |
（顺便说一下，我们有44个色谱图；我向您展示了其中的两个），您会看到这些峰的形状和保留时间等等，以及分离度有很多差异。 因此，无论我们在做什么，我们都在明显地进行操作 |
| |
是的，对于那些好奇的人，是的，我们将来会考虑将其作为功能数据以及如何使用功能数据分析。 |
| |
但这通常是未来，但这绝对是我们非常感兴趣的事情。 色谱图实际上是最终的功能数据。 但我只是要提取两个特征并尝试对其建模。 好的。 我也想赞扬 |
| |
Cytovance Biologics的Eliza Yeung博士是一位好朋友，也是一位杰出的科学家。 她做了所有的实验工作，并且是提出构筑...的想法的那个人。 |
| |
她称之为葡萄糖阶梯的校准解决方案。 Eliza除了是一个好人之外，她还喜欢JMP。 因此，我们在很多方面都喜欢Eliza，好吧。 优秀的科学家。 可以，然后呢 |
| |
在我进入之前 |
| |
SVEM，我只想提及...克里斯提到了自1950年以来一直使用的完整二次模型，作为优化的基础。 |
| |
基本上，所有主要影响，两个因素相互作用和平方项。 实际上，对于许多复杂的物理系统而言，动力学实际上对于该模型而言过于复杂。 |
| |
康奈尔（Cornell）和蒙哥马利（Montgomery）在1998年的一篇非常好的论文中指出了这一点，并建议在许多情况下， |
| |
他们称之为交互模型的模型，我们称之为局部三次模型，可能会更好地工作。 以我的经验，使用SVEM并将此模型应用于许多案例研究中，它们是正确的。 它确实提供了更好的预测模型，但是存在一个问题。 |
| |
这些局部三次模型可能非常庞大，并且对传统建模策略（如克里斯提到的过饱和模型是个大问题）提出了巨大挑战。 |
| |
有多少个潜在术语？ 好吧，取K平方，两倍，然后加一作为截距。 因此，对于五个因素，充分 |
| |
偏立方模型将具有51个项。 顺便说一句，我要使用这些模型，但是我只会使用通常最重要的40个术语。 |
| |
然后，我们将使用自验证集成模型来拟合模型，正如Chris所说，SVEM对于过饱和模型没有问题。 |
| |
顺便说一下，在机器学习文献中，过饱和模型一直都是合适的。 |
| |
使用正确的机器学习技术，您实际上可以...他们可以实际显示，您可以获得更好的预测性能。 |
| |
好的，这在传统统计中基本上是未知的。 因此，我们将使用SVEM插件，如果您想了解它，我提到过，您可以在Predictum与已经讲过话的Wayne Levin联系，我相信Wayne愿意与您交谈。 |
| |
因此，让我们简要介绍一下JMP。 |
| |
我将向您展示该插件的实际工作方式，因此让我介绍一下JMP。 |
| |
因此，我已经安装了该加载项，因此它具有其自己的选项卡。 因此，我单击Predictum。 顺便说一下，这是我们创建的贝叶斯I最优设计之一，该设计有16个运行。 选择自验证集成模型。 |
| |
因此，您将看到典型的健身模型启动对话框。 我将选择五个因素。 |
| |
我现在将做一个响应面模型来进行说明，我想建模 |
| |
糖形的保留时间3。 注意在后台，此设置是自动验证表，因此有一个等待功能。 |
| |
并且有一个自动验证部分。 这一切都在后台，您不需要查看它。 但是该锯...但是该外接程序创建了它，然后基本上将其隐藏了，但是您可以查看它（如果需要），但是它是隐藏的，因为查看它并不十分重要。 |
| |
现在我们打开GenReg，这就是GenReg |
| |
控制面板。 顺便说一下，顺便提一下，SVEM在将其用于模型构建的方法方面确实不可知。 因此，实际上，您可以使用GenReg甚至没有的方法，但这是我们今天的主要重点。 因此，我们将进行正向选择。 |
| |
而且因为我们只有这么多时间，所以我只会做10次重复。 |
| |
单击执行，我们将创建模型。 |
| |
因此，这是仅10次重复的输出，您可以通过预测图获得实际值。 但是，这样做的真正好处是，它实际上为您创建了集成模型的平均值。 |
| |
因此，我单击了自验证集成模型，保存了预测公式。 因此，我将继续关闭此显示。 |
| |
过来。 |
| |
这是我的模型。 |
| |
我现在可以采用此模型，并且可以将其应用于验证数据。 因此，我们选择了16个运行，因此还有28个可用作为验证集，以查看我们的实际运行情况。 所以现在我要回到 |
| |
演示，顺便说一下，如果没有SVEM插件，可能会有些困难，尤其是如果您不是特别精通JMP脚本时 |
| |
实际创建这些模型。 因此，该外接程序可能看起来不像在后台做了很多工作，好吧。 那我们怎么办呢？ 因此，让我将其放回幻灯片放映中。 |
| |
所以我要做的是，有三种设计，一种是16次运行设计，一种是13次运行，然后我选择了10次运行。 我们真的努力了。 |
| |
就像我说的，有两种反应，糖型10洗脱较晚，趋向于嘈杂，并且可能难以分辨。 因此，对于16次运行的设计，我实际上拟合了40个项的局部三次模型。 请记住，运行16次。 我符合40个学期的模型。 |
| |
然后，关键是验证集的均方根误差，好吧。 所以 |
| |
我适合我的第六个...我的40个学期模型，然后 |
| |
验证集的均方根误差很低，验证R平方实际上接近98，因此非常非常适合。 |
| |
注意，即使是嘈杂的声音 |
| |
glycoform 10，我们仍然有一个很好的模型。 我将通过预测的图向您展示一些实际的图。 所以我们做了13次，再一次做了13次，我们得到了很好的结果。 |
| |
然后最后是10。 顺便说一句，我刚好适合标准的全二次模型，所以我觉得自己真的很幸运。 |
| |
但是我本可以继续尝试部分立方的。 再次注意，即使进行10次运行，对糖形3保留时间进行建模，我的R平方也只有0.94。 |
| |
对我来说，这确实令人印象深刻，我再次建模...我的模型的预测因子是观察到的两倍，即使糖模型10很难建模，我们也做得很好。 |
| |
所以，这是一些实际的预测图，我再次选择糖形式10，因为它真的很难建模。 |
| |
所以我不想玩太多的系统。 我从经验中知道很难建模。 因此有一个实际的预测图。 十次运行设计还有一个实际的预测图，它仍然做得很好 |
| |
当您考虑我们在这里尝试做的事情时。 |
| |
最后，我们总体上是如何做的？ |
| |
因此，这是一张我放在一起的小桌子，我以16次运行的设计为基准，然后我正在做的是比较当我们适应10次运行时发生的情况。 |
| |
期限模型和G10保留时间的13期限。 |
| |
您会注意到，我们有13个错误，而10个错误则小得多。 我不知道为什么 我选择仅显示结果。 这是一个谜，我还没有回去探索它。 |
| |
但是对于保留时间三，请注意，我从16降到了10。 是的，我的均方根误差有所增加，但是您知道如果您通过预测图查看实际值， |
| |
它仍然可以很好地预测验证集。 因此，关键是我与生物技术公司合作了很多， |
| |
您可能会在实验设计中达到的实际效率，而且我对你们中的许多人都知道，这些实验的成本很高。 |
| |
更重要的是，它们需要很多时间。 这确实可以缩短您的实验时间并减少实验预算，甚至可以获得更多信息。 |
| |
因此，这只是一个简单的结论。 克里斯（Chris）展示了这个SVEM过程以及这个过程，您已经在模拟和案例研究中对此进行了研究。 |
| |
SVEM非常适合过饱和模型。 我不会介绍它，但是从机器学习实践来看，过饱和模型的性能非常好。 他们一直以深度学习为例。 |
| |
就像Chris所说，SVEM基本上是将机器学习与实验设计结合在一起。 |
| |
甚至更重要的是，一旦您开始走上SVEM的道路，这反过来又会告诉您您对实验的想法。 |
| |
因此，基本上使用SVEM，我们可以开始考虑高效的实验，这些实验可以真正加快创新步伐，并实际上减少实验的时间和成本。 并有时间开发产品和流程 |
| |
交货时间越来越短，这不是小菜一碟，我知道生物技术领域的许多人也面临着严重的预算限制。 |
| |
然后（顺便说一下，大多数人是这样），最后一个有前途的领域是贝塞尔I-最优设计。 |
| |
再说一遍，我将提到Brad Jones和他的团队在将这些内容引入JMP方面做得很出色。 这是我所知道的唯一一个实际用于贝叶斯I最优设计的软件包。 |
| |
而且我们认为SVEM将为许多可能性打开窗口。 所以基本上，这就是我的故事，我将把它交给韦恩·莱文。 |
| 韦恩·莱文 |
非常感谢 |
| |
菲尔和克里斯。 我希望每个人都能看到有很多工作要做，已经进行了很多研究，包括一些 |
| |
您可能会说，我已经在这个游戏中工作了30多年了，我不介意告诉您我对在这里看到的内容感到非常兴奋。 |
| |
我认为这可以是真正的变革，可以真正改变……在这里进行工业实验的方式。 以前，我对单过饱和的设计感到非常兴奋，那是 |
| |
由定制设计师提供便利，现在...在设计方面。 |
| |
东西的。 |
| |
现在，当您将SVEM放在分析方面时，我的意思是这是两个很棒的口味 |
| |
您可能会说，它们在一起非常好。 因此，总而言之，我只想在这里滑动一下 |
| |
菲尔，我本人和玛丽·哥达德，我们正在安排按需课程（该课程应该在下个季度提供，例如四月份） |
| |
关于混合设计的实验，我们将在该课程中将大量时间集中在SVEM上。 因此，如果您对此感兴趣，请让我知道或将要......以便我们可以在LinkedIn或其中之一上让您知道或关注我们。 |
| |
同样，对于SVEM插件，如果可以的话，我很高兴我们首先将此产品推向市场。 |
| |
我们已经努力了好几个月了。 我们每个月都会发布一个新版本，因此随着我们从现场获得反馈，它正在不断发展，我要非常感谢Phil |
| |
领导这个。 而且他一直与我们的一位开发人员（???）合作，这确实是一个了不起的努力，很多艰苦的工作 |
| |
为了达到这一点，我们希望向您提供。 正如Phil前面提到的，您实际上有两种尝试方法。 一种就是尝试插件本身， |
| |
它适用于14和15。 随着16的推出，我想我们也将使其适用于16。 它确实需要JMP Pro，因此，如果您没有JMP Pro，则这里有一个链接，您可以在此处申请...以获得JMP Pro试用许可证。 |
| |
当然，您可以通过下载此演示文稿的幻灯片来获得此链接。 这就是您如何获得它的方式，因此这是您可以自己尝试使用它的一种方式。 |
| |
另一种方法是与我们联系，我们可以在概念证明的基础上与您合作。 |
| |
我们可以进行一些比较分析，等等，当然，可以与您一起进行分析。 因此，您知道我们将适当的文书工作放到位，并且 |
| |
我们不介意尝试。 Wwe已经为许多公司做到了这一点，无论对您有什么用，这可能对您来说是最简单的方法。 好吧，现在，我想做的是 |
| |
暂时打开它以解决任何问题或评论。 我代表克里斯和菲尔说，谢谢您加入我们。 好吧，请提出问题和意见。 |
