Lautsprecher
|
Transkript
|
| Philip J. Ramsey |
Hallo, das ist Phil Ramsey von der University of New Hampshire and Predictum. Und zusammen mit meinen Co-Moderatoren Wayne Levin von Predictum und Marie Gaudard |
| |
Als emeritierter Professor der University of New Hampshire and Predictum werden wir einen Vortrag über moderne Mischungsdesigns halten. |
| |
Und die Agenda für den Vortrag ist, dass wir über maschinelles Lernen und das Design von Experimenten sprechen, kurz vorstellen, was Mischungsdesigns sind, |
| |
Sprechen Sie über eine neue maschinelle Lernmethode für DOE namens Auto-Validierung, die mit Ensemble-Modellierung kombiniert wird, um etwas zu schaffen, das wir selbst-validierende Ensemble-Modellierungsmethodik nennen. |
| |
Und dann werden wir über SVEM sprechen, das ist selbst-validierende Ensemble-Modellierung, und wir werden eine Demonstration mit einem Mischungsexperiment machen und dann werden wir darüber sprechen |
| |
die SVEM-Methode und raumfüllende Designs. Und Wayne Levin wird über ein Add-In sprechen, das Predictum für SVEM entwickelt hat, und er wird auch die Demonstration des Harnstoff-Experiments durchführen. |
| |
Und ich möchte darauf hinweisen, dass wir in letzter Zeit, eigentlich allein in diesem Jahr, bereits drei hatten und das bald für Veröffentlichungen in Zeitschriften zum Thema |
| |
DOE und maschinelles Lernen, also haben die Leute entdeckt, dass Methoden des maschinellen Lernens traditionell auf Big Data angewendet werden |
| |
kann eine Menge Anwendbarkeit auf DOE haben, und wir stimmen sicherlich zu. Und wir zeigen, wie sie mit Mischungsexperimenten effektiv eingesetzt werden können. Aber eine der traditionellen Einschränkungen bei der Anwendung des sogenannten maschinellen Lernens |
| |
zu kleineren Datensätzen wie DOE ist die Überzeugung, dass man sehr große Datensätze haben muss. Dies ist tatsächlich nicht ganz richtig. |
| |
Und wie Sie sehen werden, ist die SVEM-Methode, die von einer Reihe von Leuten entwickelt wurde, darunter mir und Dr. Chris Gotwalt von JMP, |
| |
Wir machen es tatsächlich möglich, diese traditionellen Big-Data-Methoden auf die viel kleineren Daten anzuwenden, wie wir sie beim Design von Experimenten finden. |
| |
Und auch beim maschinellen Lernen dreht sich wirklich alles um Vorhersagen, daher teilen wir die statistische Modellierung in zwei Ansätze auf. Einer wird als erklärend bezeichnet, der klassisch ist und sich auf das Testen von Hypothesen und P-Werte und Parameter konzentriert. |
| |
Und das führt normalerweise nicht zu guten Vorhersagemodellen, aber maschinelles Lernen konzentriert sich vollständig auf Vorhersagen. |
| |
Das ist also unser Standpunkt, und den werden wir heute nutzen und auf Mischungsexperimente anwenden. Wir werden maschinelles Lernen verwenden |
| |
zur Vorhersage. Unser Fokus liegt nicht auf Erklärungen und wie Sie sehen werden, werden wir diese prädiktiven maschinellen Lernmethoden auf das kleine Design von Experimenten anwenden können |
| |
Datensätze. Nun, traditionell evaluieren wir Vorhersagemodelle, indem wir einen Teil der Daten zum Trainieren verwenden, daher nennen wir es den Trainingssatz, eine sehr gängige Methode. |
| |
Und dann haben wir noch ein Set, das wir irgendwie zurückgehalten haben. Es gibt eine Reihe von Strategien. Wir werden nur über einen sprechen, der Holdback genannt wird. |
| |
Wir legen es beiseite, passen das Modell an den Trainingssatz an und dann ermöglicht uns der Rückhaltesatz oder Validierungssatz, die Vorhersagefähigkeit zu bewerten. Mit anderen Worten, wir sagen Daten voraus, die nicht zur Anpassung an das Modell verwendet werden. |
| |
Diese Strategie funktioniert jedoch nicht mit dem Design von Experimenten. Sie sind sehr effizient und informationszentriert, |
| |
und es gibt in der Regel nicht genügend Ressourcen oder Budget, um Validierungssets zu entwickeln. Selten können Leute zusätzliche Läufe durchführen, die zur Validierung verwendet werden könnten. |
| |
Dies scheint also ein Hindernis für die Verwendung von maschinellem Lernen für die prädiktive Modellierung zu sein, aber wie wir zeigen werden, bringt uns diese SVEM-Methode um diese Einschränkung. |
| |
Und bevor wir zum SVEM kommen, möchte ich Ihnen kurz eine Diskussion über Mischungsdesigns geben. Ich weiß, einige von euch kennen sie, andere nicht. |
| |
Hierbei handelt es sich um eine besondere Art des experimentellen Designs. Sie sind nicht so verbreitet, wie sie sein sollten, weil die Leute nichts darüber wissen, aber es bezieht sich auf das Experimentieren mit einer Formulierung oder einem Rezept, und die Bestandteile dieser Formulierungen können buchstäblich Flüssigkeiten, Gase oder Feststoffe sein. |
| |
Und eines der wichtigsten Konzepte ist, dass die Auswirkungen auf die Antworten nur von den relativen Anteilen der Komponenten abhängen. |
| |
Wir sind also sehr besorgt über die Proportionen unserer Komponenten, wie Sie es beispielsweise in einem Rezept tun würden. Wir sind nicht auf Beträge fokussiert. Wenn die vorhandene Gesamtmenge wichtig wäre, führt dies zu einer anderen Art von Experimenten, die als Mischungsmenge bezeichnet wird und außerhalb des heutigen Rahmens liegt. |
| |
Da dies jedoch Bestandteile einer Formulierung sind, unterliegen diese Faktoren Einschränkungen. Mit anderen Worten, der Gesamtbetrag muss begrenzt werden; manchmal passiert das ganz natürlich. |
| |
Aber auch die Proportionen müssen eingeschränkt werden. In einem Mischungsexperiment können Sie also im Gegensatz zu einem faktoriellen Experiment die Faktoren nicht unabhängig ändern. |
| |
Im traditionellen DOE, mit dem viele Menschen vertraut sind, gibt es also keine Einschränkungen hinsichtlich der gemeinsamen Einstellungen der Faktoren. In einigen Fällen gibt es sie, aber normalerweise nicht. |
| |
Bei Mischversuchen hingegen muss die Gesamtmenge 1 oder 100 % betragen, da sie Bestandteile einer Formulierung sind. Wenn ich also Q-Faktoren hätte, müssen die Einstellungen dieser experimentellen Q-Faktoren für jeden Versuch die Summe 1 ergeben. Außerdem, |
| |
die Einstellung für jede einzelne Komponente muss irgendwo zwischen 0 und 1 liegen. Ich werde auch darauf hinweisen, und wir werden heute keine Zeit haben, darüber zu diskutieren, |
| |
eine wichtige variante der mischungsdesigns sind mischungsprozessexperimente, bei denen wir mischungsfaktoren mit prozessfaktoren kombinieren. |
| |
Wir tun dies, weil das Verhalten von Mischungen. Denken Sie zum Beispiel an einen Dreikomponentenkleber, das Verhalten ändert sich dramatisch mit den Verarbeitungsbedingungen. Wir könnten uns also Dinge wie Druck und Temperatur zum Aushärten eines Klebstoffs und das Optimum ansehen |
| |
Rezept ändert sich typischerweise als Funktion dieser Prozessfaktoren. Das ist für den heutigen Vortrag nicht möglich, aber ein wichtiger Aspekt bei Mischungen. |
| |
Historisch gesehen liegt der Fokus also auf erklärenden Zielen, wenn Menschen Mischungen analysieren und sogar herstellen ... sie erschaffen haben, d. |
| |
Hypothesenprüfung von Parametern, P-Werten und Konfidenzintervallen. Bei Mischungen im Allgemeinen war dies jedoch immer problematisch, da Mischungen von Natur aus viele |
| |
Multikollinearität oder Korrelation zwischen den Faktoren und Effekten. Sie müssen dies tun, weil die Gesamtsumme ... die Gesamtbeträge begrenzt sind, und sie müssen sich auf 1 summieren, sodass sie nicht konstruktionsbedingt unabhängig sein können. Jedoch, |
| |
Wir sind mit diesem traditionellen Fokus nicht einverstanden und mit viel Erfahrung, die wir mit Mischungsexperimenten haben, ist das Ziel, ehrlich gesagt, immer die Vorhersage. |
| |
Es ist keine Erklärung. Wir versuchen, die Leistung von Mischungen oder Rezepturen vorherzusagen, und das interessiert die Wissenschaftler oder Ingenieure. |
| |
Es gab also eine große Diskrepanz zwischen dem, was die Wissenschaftler brauchen, und der Art und Weise, wie wir Mischungen analysiert haben. Viele der traditionellen Designs sind auch das, was wir Grenzpunktdesigns nennen würden. |
| |
Wenn Sie mit dem Begriff D optimal vertraut sind, sind sie in der Regel sehr D optimal, d. |
| |
die meisten Punkte sind um die Grenzen herum zugewiesen, wir haben wenig innere Informationen. Es gibt sehr wenige Punkte, manchmal keine |
| |
im Inneren der Designregion. Warum ist das wichtig? Nun, Mischsysteme, insbesondere in chemischen und biologischen Anwendungen, |
| |
neigen dazu, sehr komplex zu sein. Es findet eine sehr komplexe Kinetik statt, und diese Reaktionsflächen haben sehr komplizierte Formen. |
| |
Und wenn wir nicht viele Informationen über das Innere der Designregion haben, werden wir sehr wahrscheinlich keine Modelle entwickeln, die das Verhalten des Systems wirklich abbilden. |
| |
Und das ist in der Geschichte der Verwendung von Mischungsdesigns tatsächlich ziemlich häufig vorgekommen. Auch hier werden wir heute keine Zeit haben, darüber zu sprechen, |
| |
ein klassischer Ansatz zur Analyse oder Modellierung in der Vergangenheit sind, was ich Scheffe-Polynome nenne, |
| |
und diese sind eine Art von Polynom, das für Mischungen entwickelt wurde. Es gibt viele Varianten davon, aber diese Scheinpolynome sind häufig, insbesondere in ihrer klassischen Form, nicht ausreichend, um diese Antwortflächen zu modellieren. |
| |
Wie gehen wir das Problem an? Nun, wir glauben, dass wir Mischungsdesigns unter dem Gesichtspunkt raumfüllender Designs angehen müssen. |
| |
Und warum raumfüllende Designs? Auch das könnte ein Gespräch für sich sein, aber dies sind Designs, die erstellt wurden, um einen Designraum für eine bestimmte Anzahl von Designpunkten so gut wie möglich abzudecken. |
| |
Und die Anzahl der Designpunkte |
| |
sind eine Option für den Benutzer. Dies kann uns tatsächlich ermöglichen, kleinere Designs zu verwenden, |
| |
klassische Designs und deckten die Designregion ab. Dadurch können wir genauere und nützlichere Vorhersagemodelle erhalten. Wir haben bessere Informationen über die gesamte Designregion. |
| |
Und in unserem Ansatz für Mischungen basiert alles auf der Verwendung von Weltraumfilmdesigns, und diesen Trend haben wir in den letzten Jahren in der Industrie festgestellt. |
| |
Ich möchte jetzt die Gänge wechseln und über ... nun, da wir die Mischung erstellt haben, wir haben sie laufen lassen, nun, wie analysieren wir sie? |
| |
Und ich habe bereits erwähnt, dass eines der Probleme beim maschinellen Lernen, das auf DOE angewendet wird, darin besteht, dass wir nicht wirklich über einen natürlichen Validierungssatz verfügen. Nun, Gotwalt und Ramsey, das wären ich und Dr. Chris Gotwalt, haben tatsächlich eine Validierungsmethode vorgeschlagen, die wir als automatische Validierung bezeichnet haben. Und |
| |
der erste Vortrag dazu wurde tatsächlich vor einigen Jahren auf einer Discovery Europe-Konferenz gehalten. |
| |
Und das wird nicht intuitiv erscheinen, aber hör mir zu. Wir können die Originaldaten, das Originalexperiment zum Training und zur Validierung verwenden. Mit anderen Worten, wir nehmen die Originaldaten und erstellen eine Kopie oder einen Klon davon, |
| |
und wir bezeichnen dies als Auto-Validierungs-Set. Jede Beobachtung im Trainingsset hat also einen Zwilling im Autovalidierungsset selbst. |
| |
Für sich genommen wäre dies unsinnig. Da der Autovalidierungssatz die gleichen Beobachtungen wie der Trainingssatz enthält, wie liefert dies eine unabhängige Bewertung der Vorhersagefähigkeit? Nun, es kann nicht von selbst. |
| |
Der Schlüssel zur Idee der Autovalidierung besteht darin, dass wir ein Gewichtungsschema auf die Beobachtungen anwenden, und das Schema basiert auf der Generierung von Gewichtungen aus einer Gammaverteilung. |
| |
Übrigens wird die Gammaverteilung häufig zur Gewichtung in statistischen Anwendungen verwendet. Die Gamma-Gewichte haben eine Reihe von ... wieder eine Reihe schöner Eigenschaften, auf die wir heute nicht eingehen werden. |
| |
Und was wir tun, ist, eine Reihe von Gewichtungen zu generieren, aber wir tun dies auf besondere Weise. Wenn eine Beobachtung im Trainingsset einen hohen Wert, ein hohes Gewicht, |
| |
die Beobachtung im Auto-Validierungs-Set, der Zwilling, bekommt ein geringes Gewicht. Warum tun wir das? Dies führt zu einer Antikorrelation zwischen den beiden Datensätzen. |
| |
Mit anderen Worten, wir versuchen, die Mengen mithilfe eines Gewichtungsschemas zu entkorrelieren, und wir haben in den letzten Jahren diesbezüglich viel Forschung betrieben. Es zeigt an, dass dieser Ansatz sehr effektiv ist. |
| |
Und in Kürze wird ein Papier erscheinen, in dem all diese Ergebnisse zur Verfügung gestellt werden. Die Idee ist also, dieses Gewichtungsschema zu verwenden, also nehmen wir die |
| |
Trainingssatz, wir weisen die Gamma-Gewichte zu, wir haben den Auto-Validierungs-Satz, und wir weisen jedem der Zwillinge entsprechende Gewichte zu. Wenn der Trainingssatz also ein hohes Gewicht hat, |
| |
Der Zwilling im Auto-Validierungs-Set erhält ein geringes Gewicht, was dieses Antikorrelationsverhalten fördert. Und dann wiederholen wir diese Strategie einfach einige Male, die vom Benutzer angegeben werden. Auf der nächsten Folie zeige ich ein Beispiel für ein einfaches Experiment. Wir haben drei Faktoren. Notiz |
| |
Läufe 1-7 sind das Trainingsset, das Original. Die Läufe 8-14 sind der Klon oder die Kopie. Beachten Sie, dass die Beobachtungen für die beiden Sätze genau die gleichen Werte haben und beachten Sie dann die Spalte mit dem Namen |
| |
Gepaarte FWB-Gewichte. Ich werde FWB gleich erklären. |
| |
Und beachte, wenn eine Beobachtung wie Beobachtung 1 ein hohes Gewicht erhält, erhält ihr Zwilling, Beobachtung 8, ein niedriges Gewicht. Beobachtung 8 befindet sich also im Validierungssatz. |
| |
Diese Idee der gebrochenen Gewichtung ist also wichtig, daher wird die Analyse durchgeführt, indem die gebrochenen Gewichtungen auf die Antwort angewendet werden. Wir wiederholen dann diese Strategie |
| |
einige Male (und die Häufigkeit hängt vom Benutzer und dem Szenario ab) und wir passen das Modell jedes Mal an. Mit anderen Worten, wir sind im Grunde das, was wir fraktional gewichtetes Bootstrapping nennen. |
| |
Und was ist fraktional gewichtetes Bootstrapping? Es ist im Grunde eine Form des Bootstrappings, auch bekannt als generalisiertes Bootstrapping. |
| |
in dem wir die Beobachtungen nicht booten. Wir Bootstrap-Gewichte, die auf Beobachtungen angewendet werden. Dies ist eine bekannte Methode und wir wenden sie an. |
| |
Der Unterschied besteht darin, dass wir dies wiederholt anwenden, wie ich bereits sagte, es könnte Hunderte Male, Tausende Male sein, es liegt wirklich am Benutzer. |
| |
Jedes Mal, wenn wir ein Modell anpassen, und am Ende nehmen wir einen Durchschnitt oder ein Ensemble. Und diese heißen...und hierher kommt der Begriff |
| |
Selbstvalidierung oder Autovalidierung ist eine Ensemble-Modellierung zur Selbstvalidierung. Wir nehmen Durchschnittswerte |
| |
und Ensemble-Modellierung ist übrigens beim maschinellen Lernen und beim Deep Learning sehr verbreitet, da sie tendenziell zu einer stabileren und besseren prädiktiven Modellierung führt. |
| |
SVEM führt also fraktioniert gewichtetes Bootstrapping durch, um eine Familie von Modellen zu generieren, und verwendet dann die Modellmittelung, um ein endgültiges Vorhersagemodell zu erstellen. |
| |
Wie funktioniert die Methode? Nun, Sie wählen einen Algorithmus für Ihre Vorhersagemodellierung. In unserem Fall konzentrieren wir uns auf neuronale Netze für |
| |
Mischungsdesigns, aber Sie können andere Methoden auswählen. SVEM ist ziemlich agnostisch in Bezug auf den verwendeten Algorithmus und ist für viele Algorithmen sehr zugänglich. Also erstellen wir das Trainings- und Auto-Validierungs-Set. Wir weisen unsere Bruchgewichte zu. |
| |
Und dann passen wir das Modell an, und dann starten wir dies einige Male, wie vom Benutzer definiert, und nehmen dann einen Durchschnitt. Okay, an dieser Stelle übergebe ich es meinem Kollegen Wayne Levin, der eine Demonstration von SVEM geben und über ein Add-In dafür sprechen wird. |
| Wayne |
Ich schalte gerade hier um |
| |
und Bildschirm teilen. |
| |
Und nur die PowerPoint umschalten. |
| |
Vielen Dank, Phil. Wir werden dieses Beispiel hier verwenden, diese Harnstoffdaten. Der Zweck des Experiments besteht also darin, eine Lösung für ein Reinigungsmittel zu optimieren. |
| |
Und die drei Komponenten dieser Mischung sind Wasser, Alkohol und Harnstoff. Das sind also diese drei Spalten hier. Und wir werden uns nur auf eine Reaktion konzentrieren, nämlich die Viskosität. Das Ziel, das wir versuchen, 100 zu treffen, aber wie wir hier unten sehen können, |
| |
wir wollen in Bezug auf die Viskosität zwischen 95 und 105 liegen. Damit werde ich auf JMP umsteigen. |
| |
Okay, hier sind unsere Harnstoffdaten. Öffnen Sie es einfach hier und beachten Sie, dass es nur 15 Läufe gibt, und so gehe ich einfach zum nächsten Schritt. Und der nächste Schritt im |
| |
Der Prozess besteht darin, die Tabelle für die automatische Validierung zu erstellen. Wenn ich also darauf klicke, werden einige Dinge passieren. Zuerst haben wir einen neuen Tisch und wir haben die ersten 15 Läufe, die genau die gleichen sind, die wir hier hatten. Und dann für jeden der Läufe ... wenn ich mich also zum Beispiel auf diese erste Reihe konzentriere (52, 29, 19), |
| |
Sie können sehen, dass es hier unten wiederholt wird, also 52, 29, 19. |
| |
Und ebenso wird die zweite Reihe 57, 23, 19 sein. Ich werde natürlich nicht alles wiederholen, aber ich denke, Sie verstehen die Idee. Es wiederholt einfach die Kombinationen in diesem ... |
| |
im zweiten Satz hier unten, und der erste Satz ist das Training ... was für das Training verwendet wird und der zweite, wie hier angegeben, ist das, was wir für die Validierung erhalten. Dazwischen befindet sich die gepaarte fraktionale Gewichtungsspalte, von der Phil sprach. So |
| |
wir neigen dazu zu sehen ... wenn wir hier oben dazu neigen, hohe Zahlen zu sehen, werden wir unten entsprechend niedrigere Zahlen bekommen, und es folgt sehr viel der ... |
| |
Nun, die Gammaverteilung, von der dieser Phil sprach. Warum zeige ich das nicht einfach. Ich werde hier nur die Gewichte aufzeichnen, einfach irgendwie |
| |
positionieren Sie das auf dem Bildschirm. Jedes Mal, wenn wir die Iterationen durchlaufen, erhalten wir ... wir aktualisieren die Gewichtungen. Schaut euch also einfach die Gewichte hier drüben an und schaut euch die an |
| |
Spalte hier, diese Spalte hier. Also werde ich es einfach ausführen, damit Sie es sehen können. Bei jeder Iteration erhalten wir also einen neuen Satz von |
| |
fraktional...fraktional gewichtete Paare über den Trainings- und den Validierungssatz. Okay. Also als nächstes werde ich |
| |
ein passendes Modell machen. Also werde ich, wenn Sie so wollen, eine Iteration machen, könnte man sagen. |
| |
Und so ist Viskosität die Antwort. Beachten Sie hier unten, dass die Frequenzrolle diese gepaarte fraktional...fraktional gewichtete Bootstrapping-Gewichtung hat, so dass sie in der Modellierung berücksichtigt wird. Also los geht's und hier ist, wenn Sie so wollen, eine Iteration, |
| |
okay, basierend auf diesen bestimmten Gewichten. Brunnen, |
| |
Wenn wir ein Ensemblemodell haben wollen, müssen wir das immer wieder tun. Was ich jetzt tun werde, ist, dass ich das mit neuen Gewichten durchführe und, wenn du würdest, |
| |
Behalte ein Auge...man muss drei verschiedene Orte gleichzeitig im Auge behalten, was eine kleine Herausforderung sein kann. Ich werde nur versuchen, diese Dinge zu positionieren, in Ordnung. |
| |
Was also passieren wird ist, wenn ich hier klicke, mit neuen Gewichten ausführen, werden Sie sehen, wie sich die Gewichte hier ändern, ein Modell wird erstellt und das Vorhersagemodell wird gespeichert |
| |
hier oben. Ich werde hier eine machen. Lass es uns versuchen. Bang, also hat es die Art und Weise verändert, wie das Modell produziert wird. |
| |
Speichern Sie das Modell hier. Diese Spalte wird ebenfalls hinzugefügt; Das ist das Ensemble, über das Phil gesprochen hat, das ist der Durchschnitt. Natürlich habe ich nur eine Iteration gemacht, also ist der Durchschnitt nur |
| |
das gleiche. Also mache ich hier einfach eine weitere Iteration und wir erhalten einen neuen Satz von Gewichtungen, ein neues Modell und ein neues Modell wurde gespeichert, und jetzt ist das Ensemble-Modell hier der Durchschnitt dieser beiden |
| |
hier drüben. Also werde ich es einfach noch ein paar Mal tun, oh ich weiß nicht. Es ist nicht schwer und wir können diese Dinge sehen |
| |
ändern, während wir gehen. Also ich habe jetzt sechs davon, also warum werfen wir nicht einen kurzen Blick auf diese sechs? |
| |
Modelle ... einzelne Modelle, sowie das Durchschnittsmodell, das Ensemble, und das wird hier im Profiler angezeigt. Und das zeigt eher die Instabilität, die |
| |
Phil hat auf früher angespielt, denn wenn, wenn du das nur einmal machen würdest ... jetzt weiß ich, dass es hier die gebrochene Gewichtung gibt, aber wie Phil erwähnt hat, weißt du, eine Bewegung von jedem Punkt, den ich wirklich kann |
| |
stören Sie das Modell, wenn Sie so wollen, und Sie erhalten Funktionen, die nicht wirklich... |
| |
gehören vielleicht nicht wirklich dazu. Sie sind nur Artefakte bestimmter Designpunkte. Aber schaut doch einfach mal hier, ihr seht wie |
| |
jedes dieser einzelnen modelle sieht aus ... nun, sie haben hier einige unterschiedliche merkmale. aber unten ist das durchschnittliche Modell in gewisser Weise ... nun, es ist der Durchschnitt aller oben genannten Modelle. |
| |
Und das sieht man mehr oder weniger, dieser große Knick hier wird irgendwie geglättet. Hier unten sieht man ein bisschen davon. |
| |
Dies ist jetzt nur mit sechs Iterationen der Fall und mit dem Add-In empfehlen wir tatsächlich 50 Iterationen. |
| |
Aber was ich auch tun werde, lassen Sie uns einen Blick auf das tatsächliche und das vorhergesagte werfen. Jetzt kam dieser ziemlich heraus... |
| |
ziemlich konsequent. Die Linien sind sowieso alle so ziemlich eine Steigung von eins. Wenn wir dies tun, sehen wir oft mehr Variationen, aber was Sie in der |
| |
durchschnittliches Modell, es ist hier in diesem speziellen Beispiel etwas schwer zu erkennen, aber es ist eine durchgezogene Linie, die im Wesentlichen durch die Masse der anderen Linien dort geht. Also schiebe ich diese einfach beiseite und was ich als nächstes tun werde ist |
| |
Ich werde hier tatsächlich ein paar Läufe machen. Ich denke, wir werden in dieser Demonstration 25 Iterationen durchführen. Sie können den Modellwechsel sehen, Sie können die Gewichte sehen |
| |
hier umstellen. Es fügt hier nichts Neues hinzu. Also gehen wir einfach durch. Bang, es ist geschafft und jetzt schauen wir uns den Bericht an. Also öffne ich das einfach. |
| |
Anfangs haben wir hier einen tatsächlichen versus vorhergesagten und einen Residuen-Diagramm. Es könnte schön sein, sich hier die |
| |
Profiler. |
| |
Und ich liebe den Profiler. Es ist |
| |
sehr gut geeignet für Mischungen, denn man sieht, wie ich das Wasser gewechselt habe, wie ich es erhöht habe, die anderen beiden gehen runter. Das ist der |
| |
in der Natur von Mischungen müssen sie natürlich alle 1 enthalten oder addieren. Okay, das ist also, wenn man so will, das durchschnittliche Modell. |
| |
Das Ensemble-Modell über die 25 Passungen, die hier stattgefunden haben, in Ordnung. Also wenn ich darf, werde ich es tun |
| |
Jetzt nur noch einen kurzen Blick auf den Gemischprofiler werfen. |
| |
Wir bekommen diesen Look hier oben. |
| |
Eigentlich, wenn ich darf, was Sie daraus sehen können, ist... |
| |
beachte die Punkte. Sehen Sie, wie sich die Punkte sehr gut einfügen? Dies ist die raumfüllende Natur des Designs, und Sie werden auch feststellen, dass dieses Design tatsächlich Einschränkungen enthält. |
| |
Wir decken also keineswegs den gesamten Raum von Wasser 0-1 oder Harnstoff 0-1 usw. ab, also haben wir diese Einschränkungen hier oben. |
| |
Und was ich jetzt tun werde, ist einfach die Grenzen zu setzen, nur damit ich mir vorstellen kann ... visualisiere, dass 95 bis 105. Das zeigt mir also in dem weißen Raum hier, wo ich kann... |
| |
welche Kombinationen, wenn Sie so wollen, diese Bedingungen erfüllen ... die Spezifikationsgrenzen hier oben. |
| |
Okay, das ist die Demonstration von |
| |
der SVEM-Methode, die Methodik, wenn Sie so wollen, und |
| |
Ich kann... Ich werde nur. |
| |
Also SVEM und raumfüllendes Design. Eine der großen Motivationen dafür ist also, dass sie von Natur aus instabil sind. |
| |
Kleine Änderungen der Daten können also zu großen Änderungen der Vorhersagen führen und ein einzelnes Vorhersagemodell kann dadurch natürlich instabil sein. Weißt du, du hast am Ende diese Knicke und das nur, weißt du, |
| |
meistens schon verstörend, weil die Kinetik oft nicht so abläuft. |
| |
Wir brauchen also Stabilität und das Zusammenfügen mehrerer Modelle, basierend auf dem fraktioniert gewichteten Bootstrapping, das uns das gibt. |
| |
Das andere... das andere große daran ist die Multikollinearität, die in diesen... in diesen Situationen von Natur aus vorhanden ist. Mischungen sind komplexe Systeme. |
| |
Sie sind nicht die Summe des Verhaltens der Komponenten. Sie sind wirklich das Produkt der Interaktionen, und deshalb liebe ich den Profiler wieder, weil sie darstellen |
| |
diese Interaktionen wunderschön. Diese Dynamik kommt einfach gut rüber. Da wir also all diese Multikollinearität haben, mildert es das und liefert stabile, genauere Vorhersagemodelle. Wir haben das jetzt laufen lassen... |
| |
eigentlich reicht es ein paar Jahre zurück, aber |
| |
seit wir das SVEM-Add-In erstellt haben, auf das ich gleich eingehen werde, haben wir es seit Anfang des Jahres schon viele Male ausgeführt und es hat wirklich gute Arbeit geleistet. |
| |
Unsere Kunden sind damit sehr zufrieden. Wie ich schon sagte, die Modellmittelung mit SVEM ist nicht automatisiert und JMP-Standard oder JMP Pro, aber wir haben ein Add-In, und wenn Sie auf unsere Website unter Predictum.com gehen, können Sie mehr darüber erfahren und wie es bekommen. |
| |
Also ja, es gibt eine spezielle Seite zum SVEM. Wir haben auch einen modernen Mixed Design Kurs und das sieht man bei Marie und Phil und mir. |
| |
Und das können Sie auf der Trainingsseite auf der Predictum-Site sehen. Wir decken einen Abschnitt über die klassischen Mischungsdesigns ab, aber zwei Drittel bis drei Viertel des Kurses sind mit SVEM ausgestattet. |
| |
Und das ist verfügbar, das SVEM-Add-In ist als Teil des Kurses verfügbar. In diesem Vortrag haben wir also gesehen, wie es ist, ein Vorhersagemodell aus Daten zu erstellen... |
| |
Daten werden durch die Durchführbarkeit von Validierungsversuchen zur Kontrolle der Überanpassung begrenzt. Weißt du, in einem klassischen Designexperiment haben wir einfach nicht die nötigen Durchläufe |
| |
sowohl Training als auch Validierung, daher empfehlen wir die Verwendung von raumfüllenden Designs, insbesondere für gemischte DOEs, aber auch allgemeiner für andere DOE-Situationen. Und wir haben SVEM beschrieben, das auf Autovalidierung und fraktional gewichtetem Bootstrapping basiert. |
| |
Und wir haben besprochen, wie SVEM die Vorhersagemodellierung für DOE-Daten ermöglicht, ohne dass ein separater Satz von Validierungsläufen erforderlich ist. |
| |
Und wir haben SVEM anhand der Harnstoff-Experiment-Daten demonstriert. |
| |
Und ich möchte, dass Sie wissen, dass Sie eine ganze Reihe von Referenzen finden, wenn Sie die Folien herunterladen. Also hier sind ein paar hier und noch ein paar mehr, und eines der Dinge, die ich daran liebe, ist das |
| |
es reicht tatsächlich bis ins Jahr 1996 zurück. Dies ist also etwas, das sich seit einiger Zeit zusammenbraut, und ich möchte Sie ermutigen, sich diese Referenzen anzusehen. |
| |
Und damit nehmen wir Fragen auf. |
