Lautsprecher
|
Transkript
|
| Philip J. Ramsey |
Hallo, hier ist Phil Ramsey von der University of New Hampshire und Predictum. Und zusammen mit meinen Co-Moderatoren Wayne Levin von Predictum und Marie Gaudard, dem |
| |
Emeritierter Professor der University of New Hampshire und Predictum, wir werden einen Vortrag über moderne Mischungsdesigns halten. |
| |
Und auf der Tagesordnung des Vortrags stehen wir: Wir werden über maschinelles Lernen und die Versuchsplanung sprechen, kurz vorstellen, was Mischungsentwürfe sind, |
| |
Sprechen Sie über eine neue Methode des maschinellen Lernens für DOE namens Auto-Validierung, die mit der Ensemble-Modellierung kombiniert wird, um etwas zu schaffen, das wir selbstvalidierende Ensemble-Modellierungsmethodik nennen. |
| |
Anschließend sprechen wir über SVEM, eine selbstvalidierende Ensemble-Modellierung, führen eine Demonstration anhand eines Mischungsexperiments durch und sprechen dann darüber |
| |
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 jüngster Zeit, allein in diesem Jahr, bereits drei hatten, und das wird bald für in Fachzeitschriften veröffentlichte Artikel zum Thema sein |
| |
DOE und maschinelles Lernen, daher haben die Menschen entdeckt, dass Methoden des maschinellen Lernens traditionell auf Big Data angewendet werden |
| |
kann auf DOE sehr anwendbar sein, und wir stimmen dem auf jeden Fall 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. Das stimmt eigentlich nicht ganz. |
| |
Und wie Sie sehen werden, ist die SVEM-Methode, die von einer Reihe von Leuten entwickelt wurde, darunter auch ich und Dr. Chris Gotwalt von JMP, |
| |
Wir machen es tatsächlich durchaus möglich, diese traditionellen Big-Data-Methoden auf die viel kleineren Daten anzuwenden, wie wir sie bei der Versuchsplanung finden. |
| |
Und auch beim maschinellen Lernen dreht sich wirklich alles um Vorhersagen. Deshalb unterteilen wir die statistische Modellierung in zwei Ansätze. Der eine heißt erklärend und ist klassisch. Er konzentriert sich auf Hypothesentests sowie P-Werte und Parameter. |
| |
Und das führt in der Regel nicht zu guten Vorhersagemodellen, sondern maschinelles Lernen konzentriert sich ausschließlich auf die Vorhersage. |
| |
Das ist also unser Standpunkt, und den werden wir heute nutzen und auf Mischungsexperimente anwenden. Wir werden maschinelles Lernen nutzen |
| |
zur Vorhersage. Unser Fokus liegt nicht auf der Erklärung und wie Sie sehen werden, werden wir in der Lage sein, diese prädiktiven Methoden des maschinellen Lernens auf die kleine Versuchsplanung anzuwenden |
| |
Datensätze. Traditionell bewerten wir Vorhersagemodelle dadurch, dass wir einen Teil der Daten zum Trainieren verwenden. Deshalb nennen wir es Trainingssatz, eine sehr verbreitete Methode. |
| |
Und dann haben wir noch ein weiteres Set, das wir irgendwie zurückgehalten haben. Es gibt eine Reihe von Strategien. Wir werden nur über eines sprechen, das als „Zurückhalten“ bezeichnet wird. |
| |
Wir legen es beiseite, passen das Modell an den Trainingssatz an und dann ermöglicht uns der Hold-Back-Satz 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 der Versuchsplanung. Sie sind sehr effizient und informationsorientiert. |
| |
und es gibt normalerweise nicht genügend Ressourcen oder Budget, um Validierungssätze zu entwickeln. In seltenen Fällen können Benutzer zusätzliche Durchläufe durchführen, die zur Validierung verwendet werden könnten. |
| |
Dies scheint also ein Hindernis für den Einsatz von maschinellem Lernen für die Vorhersagemodellierung zu sein, aber wie wir zeigen werden, umgeht diese SVEM-Methode diese Einschränkung. |
| |
Und bevor wir zu SVEM kommen, möchte ich Ihnen kurz die Mischungsdesigns erläutern. Ich weiß, einige von Ihnen kennen sie, andere nicht. |
| |
Hierbei handelt es sich um eine besondere Art der Versuchsplanung. Sie sind nicht so häufig, wie sie sein sollten, weil die Leute nichts über sie 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 wichtigen Konzepte ist, dass die Auswirkung auf die Antworten nur von den relativen Anteilen der Komponenten abhängt. |
| |
Daher legen wir großen Wert auf die Proportionen unserer Zutaten, so wie man es beispielsweise auch in einem Rezept tun würde. Wir konzentrieren uns nicht auf Beträge. Wenn die Gesamtmenge wichtig wäre, führt dies zu einer anderen Art von Experiment, der sogenannten Mischungsmenge, die außerhalb des heutigen Rahmens liegt. |
| |
Da es sich jedoch um Bestandteile einer Formulierung handelt, unterliegen diese Faktoren Einschränkungen. Mit anderen Worten: Der Gesamtbetrag muss begrenzt werden; manchmal passiert das ganz natürlich. |
| |
Aber auch die Proportionen müssen eingeschränkt werden. Bei einem Mischungsexperiment können Sie also im Gegensatz zu einem faktoriellen Experiment die Faktoren nicht unabhängig voneinander ändern. |
| |
Bei der traditionellen DOE, mit der viele Menschen vertraut sind, gibt es also keine Einschränkungen hinsichtlich der gemeinsamen Einstellungen der Faktoren. In einigen Fällen ist dies der Fall, in der Regel jedoch nicht. |
| |
Bei Mischungsexperimenten hingegen muss die Gesamtmenge 1 bzw. 100 % ergeben, da es sich dabei um Bestandteile einer Formulierung handelt. Wenn ich also Q-Faktoren hätte, müssten sich die Einstellungen dieser experimentellen Q-Faktoren für jeden Versuch auf 1 summieren. Außerdem, |
| |
Die Einstellung für jede einzelne Komponente muss irgendwo zwischen 0 und 1 liegen. Ich möchte auch darauf hinweisen, und wir werden heute keine Zeit haben, darüber zu diskutieren, |
| |
Eine wichtige Variante des Mischungsdesigns sind sogenannte Mischungsprozessexperimente, bei denen wir Mischungsfaktoren mit Prozessfaktoren kombinieren. |
| |
Wir tun dies aufgrund des Verhaltens von Mischungen. Stellen Sie sich beispielsweise einen dreiteiligen Klebstoff vor, dessen Verhalten sich mit den Verarbeitungsbedingungen dramatisch ändert. Wir könnten uns also Dinge wie Druck und Temperatur zum Aushärten eines Klebstoffs ansehen und das Optimum ermitteln |
| |
Das Rezept ändert sich normalerweise als Funktion dieser Prozessfaktoren. Das würde den Rahmen des heutigen Vortrags sprengen, aber es ist ein wichtiger Aspekt von Mischungen. |
| |
Wenn also Menschen Mischungen analysieren und sie sogar erschaffen ... sie erschaffen, liegt der Schwerpunkt historisch gesehen auf erklärenden Zielen, d. h. |
| |
Hypothesentests zu Parametern, P-Werten und Konfidenzintervallen. Bei Mischungen im Allgemeinen ist dies jedoch immer problematisch, da Mischungen von Natur aus viele enthalten |
| |
Multikolinearität oder Korrelation zwischen den Faktoren und Wirkungen. Sie müssen dies tun, da die Gesamtsumme begrenzt ist und sie sich zu 1 summieren müssen, sodass sie konstruktionsbedingt nicht unabhängig sein können. Jedoch, |
| |
Wir sind mit diesem traditionellen Fokus nicht einverstanden und da wir viel Erfahrung mit Mischungsexperimenten haben, ist das Ziel, ehrlich gesagt, immer eine Vorhersage. |
| |
Es ist keine Erklärung. Wir versuchen, die Leistung von Mischungen oder Rezepten vorherzusagen, und daran sind Wissenschaftler oder Ingenieure interessiert. |
| |
Es gab also eine große Diskrepanz zwischen dem, was die Wissenschaftler brauchen, und der Art und Weise, wie wir Gemische analysiert haben. Außerdem sind viele der traditionellen Designs sogenannte Grenzpunktdesigns. |
| |
Wenn Sie mit dem Begriff D-optimal vertraut sind, neigen sie dazu, sehr D-optimal zu sein, d. h. |
| |
Die meisten Punkte sind rund um die Grenzen vergeben, wir haben nur wenige Inneninformationen. Es gibt sehr wenige Punkte, manchmal gar keine |
| |
auf das Innere der Designregion. Warum ist das wichtig? Nun, Mischungssysteme, insbesondere in chemischen und biologischen Anwendungen, |
| |
neigen dazu, sehr komplex zu sein. Es läuft eine sehr komplexe Kinetik ab und diese Reaktionsflächen haben sehr komplizierte Formen. |
| |
Und wenn wir nicht viele Informationen über das Innere der Designregion haben, werden wir höchstwahrscheinlich keine Modelle entwickeln, die das Verhalten des Systems wirklich darstellen. |
| |
Und das ist in der Geschichte der Verwendung von Mischungsdesigns tatsächlich recht häufig vorgekommen. Außerdem werden wir heute keine Zeit haben, darüber zu reden, |
| |
Ein klassischer Ansatz zur Analyse oder Modellierung in der Vergangenheit sind das, was ich Scheffe-Polynome nenne. |
| |
und dies ist eine Art Polynom, das für die Verwendung mit Mischungen entwickelt wurde. Es gibt viele Varianten davon, aber diese Scheinpolynome sind häufig, insbesondere in ihren klassischen Formen, nicht geeignet, diese Antwortflächen zu modellieren. |
| |
Wie gehen wir also an das Problem heran? Nun, wir glauben, dass wir Mischungsdesigns aus der Sicht raumfüllender Designs angehen müssen. |
| |
Und warum raumfüllende Designs? Auch das könnte eine Selbstverständlichkeit sein, aber es handelt sich hierbei um Designs, die erstellt wurden, um einen Designraum so gut wie möglich für eine bestimmte Anzahl von Designpunkten abzudecken. |
| |
Und die Anzahl der Designpunkte |
| |
sind eine Option für den Benutzer. Dadurch können wir tatsächlich kleinere Designs verwenden, |
| |
klassische Designs und deckten den Designbereich ab. Dadurch können wir genauere und nützlichere Vorhersagemodelle erhalten. Wir verfügen über bessere Informationen über die gesamte Designregion. |
| |
Und bei unserer Herangehensweise an Mischungen basiert alles auf der Verwendung von Designs für Weltraumfilme, und das ist ein Trend, den wir in der Industrie in den letzten Jahren beobachtet haben. |
| |
Ich möchte jetzt einen anderen Gang einlegen und darüber reden ... nun, vorausgesetzt wir haben die Mischung erstellt, wir haben sie getestet, nun, wie analysieren wir sie? |
| |
Und ich habe bereits erwähnt, dass eines der Probleme bei der Anwendung von maschinellem Lernen auf DOE 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 hören Sie mir zu. Wir können die Originaldaten und 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 Autovalidierungssatz. Jede Beobachtung im Trainingssatz hat also einen Zwilling im Autovalidierungssatz selbst. |
| |
Das allein würde unsinnig erscheinen. Da der Satz zur automatischen Validierung dieselben Beobachtungen wie der Trainingssatz enthält, wie liefert er eine unabhängige Bewertung der Vorhersagefähigkeit? Nun, das kann es nicht von alleine. |
| |
Der Schlüssel zur Idee der automatischen Validierung besteht darin, dass wir ein Gewichtungsschema auf die Beobachtungen anwenden und das Schema auf der Generierung von Gewichten aus einer Gammaverteilung basiert. |
| |
Übrigens wird die Gammaverteilung häufig zur Gewichtung in statistischen Anwendungen verwendet. Die Gammagewichte haben eine Reihe ... wiederum eine Reihe schöner Eigenschaften, auf die wir heute nicht näher eingehen werden. |
| |
Und was wir tun, ist, eine Reihe von Gewichtungen zu generieren, aber wir tun es auf eine besondere Art und Weise. Wenn eine Beobachtung im Trainingssatz einen hohen Wert, ein hohes Gewicht, |
| |
Die Beobachtung im Autovalidierungssatz, der Zwilling, erhält ein niedriges Gewicht. Warum machen wir das? Dies fördert die Antikorrelation zwischen den beiden Datensätzen. |
| |
Mit anderen Worten: Wir versuchen, die Korrelation der Mengen mithilfe eines Gewichtungsschemas aufzuheben, und in den letzten Jahren wurde dazu bereits viel geforscht. Dies zeigt, dass dieser Ansatz sehr effektiv ist. |
| |
Und in Kürze wird ein Papier erscheinen, in dem alle diese Ergebnisse verfügbar gemacht werden. Die Idee ist also, dieses Gewichtungsschema zu verwenden, also nehmen wir das |
| |
Trainingssatz, wir weisen die Gammagewichte zu, wir haben den Autovalidierungssatz und wir weisen jedem der Zwillinge entsprechende Gewichte zu. Wenn der Trainingssatz also ein hohes Gewicht hat, |
| |
Der Zwilling im Autovalidierungssatz erhält eine niedrige Gewichtung, was zu diesem Antikorrelationsverhalten führt. Und dann wiederholen wir diese Strategie einfach einige Male, die vom Benutzer festgelegt werden. Auf der nächsten Folie zeige ich ein Beispiel für ein einfaches Experiment. Wir haben drei Faktoren. Beachten |
| |
Die Läufe 1-7 sind der Trainingssatz, 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 sind, und beachten Sie dann die aufgerufene Spalte |
| |
Gepaarte FWB-Gewichte. Ich werde FWB gleich erklären. |
| |
Und beachten Sie, wenn eine Beobachtung, wie z. B. Beobachtung 1, ein hohes Gewicht erhält, erhält ihr Zwilling, Beobachtung 8, ein niedriges Gewicht. Beobachtung 8 ist also im Validierungssatz. |
| |
Diese Idee der Teilgewichtung ist also wichtig, daher erfolgt die Analyse unter Anwendung der Teilgewichtungen auf die Antwort. Anschließend wiederholen wir 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 als fraktional gewichtetes Bootstrapping bezeichnen. |
| |
Und was ist fraktioniertes Bootstrapping? Es handelt sich im Grunde um eine Form des Bootstrapping, 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 gesagt, es kann hunderte oder tausende Male sein, es liegt wirklich am Benutzer. |
| |
Jedes Mal, wenn wir ein Modell anpassen, nehmen wir am Ende einen Durchschnitt oder ein Ensemble. Und diese heißen ... und hierher kommt der Begriff |
| |
Selbstvalidierung oder automatische Validierung ist eine Ensemble-Modellierung zur Selbstvalidierung. Wir nehmen Durchschnittswerte |
| |
und Ensemble-Modellierung ist übrigens beim maschinellen Lernen und Deep Learning weit verbreitet, da sie tendenziell zu einer stabileren und besseren prädiktiven Modellierung führt. |
| |
Daher führt SVEM ein fraktionell gewichtetes Bootstrapping durch, um eine Modellfamilie 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 aus. In unserem Fall konzentrieren wir uns auf neuronale Netze |
| |
Mischungsdesigns, aber Sie können auch andere Methoden wählen. SVEM ist ziemlich unabhängig davon, welcher Algorithmus verwendet wird, und es ist für viele Algorithmen sehr gut geeignet. Also erstellen wir das Trainings- und Autovalidierungsset. Wir weisen unsere Teilgewichte zu. |
| |
Und dann passen wir das Modell an, und dann führen wir einen Bootstrap durch, wie vom Benutzer definiert, und bilden dann einen Durchschnitt. Okay, an dieser Stelle werde ich es meinem Kollegen Wayne Levin übergeben, der eine Demonstration von SVEM geben und über ein Add-In dafür sprechen wird. |
| Wayne |
Ich mache hier gerade den Wechsel |
| |
und Bildschirm teilen. |
| |
Und ich werde gerade auf PowerPoint umsteigen. |
| |
Vielen Dank, Phil. Wir werden hier dieses Beispiel 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 erreichen wollen, liegt bei 100, aber wie wir hier unten sehen können, |
| |
Wir wollen hinsichtlich der Viskosität zwischen 95 und 105 liegen. Daher werde ich auf JMP umsteigen. |
| |
Okay, hier sind unsere Harnstoffdaten. Ich habe es gerade hier geöffnet und festgestellt, dass es nur 15 Läufe gibt, also gehe ich einfach zum nächsten Schritt über. Und der nächste Schritt in der |
| |
Der Prozess besteht darin, die Tabelle für die automatische Validierung zu erstellen. Wenn ich also darauf klicke, werden einige Dinge passieren. Erstens haben wir eine neue Tabelle und die ersten 15 Läufe, die genau denen entsprechen, die wir hier hatten. Und dann für jeden der Läufe ... wenn ich mich also zum Beispiel auf diese erste Reihe (52, 29, 19) konzentriere, |
| |
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 das natürlich nicht alles wiederholen, aber ich denke, Sie verstehen, worauf es ankommt. Es geht einfach darum, die Kombinationen in diesem ... zu wiederholen. |
| |
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 zur Validierung erhalten. Dazwischen befindet sich nun die gepaarte Bruchteilgewichtungsspalte, von der Phil gesprochen hat. Also |
| |
Wir neigen dazu, zu sehen ... wenn wir hier oben tendenziell hohe Zahlen sehen, werden wir unten entsprechend niedrigere Zahlen sehen, und das folgt weitgehend dem ... |
| |
Nun, die Gammaverteilung, von der dieser Phil sprach. Warum zeige ich das also nicht einfach? Ich werde hier nur sozusagen die Gewichte aufzeichnen |
| |
Positionieren Sie es auf dem Bildschirm. Jedes Mal, wenn wir die Iterationen durchlaufen, erhalten wir ... wir aktualisieren die Gewichte. Schauen Sie sich also einfach die Gewichte hier an und schauen Sie sich die an |
| |
Kolumne hier, diese Kolumne hier. Also werde ich es einfach ausführen, damit Sie es sehen können. Bei jeder Iteration erhalten wir einen neuen, frischen Satz |
| |
gebrochene... gebrochen gewichtete Paare über die Trainings- und Validierungssätze hinweg. Okay. Als nächstes werde ich es tun |
| |
Mach ein passendes Modell. Wenn Sie so wollen, werde ich also eine Iteration durchführen, könnte man sagen. |
| |
Und so ist Viskosität die Antwort. Beachten Sie hier unten, dass die Frequenzrolle dieses gepaarte gebrochene ... gebrochen gewichtete Bootstrapping-Gewicht hat, sodass es auf diese Weise in die Modellierung einbezogen wird. Also los geht's und hier ist, wenn Sie so wollen, eine Iteration, |
| |
Okay, basierend auf diesen speziellen Gewichten. Also, |
| |
Wenn wir ein Ensemblemodell haben wollen, müssen wir das wiederholt tun. Was ich jetzt also tun werde, ist, dass ich dies mit neuen Gewichten laufen werde und, wenn Sie möchten, |
| |
Behalte ein Auge...man muss quasi drei verschiedene Orte gleichzeitig im Auge behalten, was eine kleine Herausforderung sein könnte. Ich werde einfach versuchen, diese Dinge zu positionieren, okay. |
| |
Was also passieren wird: Wenn ich hier klicke, um mit neuen Gewichtungen auszuführen, werden Sie sehen, wie sich die Gewichte hier ändern, ein Modell erstellt wird und das Vorhersagemodell gespeichert wird |
| |
hier oben. Ich werde hier eines machen. Lass es uns versuchen. Bang, es hat also die Art und Weise verändert, wie das Modell hergestellt wurde. |
| |
Speichern Sie das Modell hier. Diese Spalte wurde ebenfalls hinzugefügt; Das ist das Ensemble, von dem Phil gesprochen hat, das ist der Durchschnitt. Natürlich habe ich nur eine Iteration durchgeführt, daher ist der Durchschnitt gerade so |
| |
das gleiche. Deshalb mache ich hier einfach eine weitere Iteration und wir erhalten einen neuen Satz Gewichte, 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, oh ich weiß nicht, noch ein paar Mal machen. Das ist nicht schwer, und wir können diese Dinge sehen |
| |
ändern, während wir weitermachen. Ich habe jetzt also sechs davon, also werfen wir einen kurzen Blick auf diese sechs |
| |
Modelle...einzelne Modelle, sowie das durchschnittliche Modell, das Ensemble, und das wird hier im Profiler angezeigt. Und das zeigt eher die Instabilität |
| |
Phil hat vorhin darauf angespielt, denn wenn, wenn Sie das nur einmal machen würden ... jetzt weiß ich, dass es hier um die Bruchteilsgewichtung geht, aber wie Phil erwähnt hat, wissen Sie, eine Bewegung in jedem Punkt, den ich wirklich kann |
| |
Stören Sie das Modell, wenn Sie so wollen, und am Ende erhalten Sie Funktionen, die nicht wirklich funktionieren ... |
| |
gehören vielleicht nicht wirklich dorthin. Sie sind lediglich Artefakte bestimmter Designaspekte. Aber schauen Sie doch einfach mal hier vorbei, Sie können sehen wie |
| |
Jedes dieser einzelnen Modelle sieht ... nun ja, 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 Sie können mehr oder weniger sehen, dass dieser große Knick hier irgendwie geglättet wird. Hier unten sehen Sie einen kleinen Teil davon. |
| |
Jetzt sind es nur sechs Iterationen, und mit dem Add-In empfehlen wir, tatsächlich 50 Iterationen durchzuführen. |
| |
Was ich aber auch tun werde, ist, einen Blick auf die tatsächliche und die vorhergesagte Situation zu werfen. Das ist jetzt ganz hübsch geworden... |
| |
ziemlich konsistent. Die Linien haben sowieso alle so ziemlich eine Steigung von eins. Wenn wir dies tun, sehen wir oft größere Unterschiede, aber was Sie im Folgenden bemerken werden |
| |
Bei einem durchschnittlichen Modell ist es hier in diesem speziellen Beispiel etwas schwer zu erkennen, aber es ist eine durchgezogene Linie, die im Grunde durch die Masse der anderen Linien dort verläuft. Also schiebe ich diese einfach beiseite und was ich als Nächstes tun werde, ist |
| |
Ich werde hier tatsächlich ein paar Läufe machen. Ich denke, dass wir in dieser Demonstration 25 Iterationen durchführen werden. Man sieht den Modellwechsel, man sieht die Gewichte |
| |
hier umziehen. Hier wird nichts Neues hinzugefügt. Also machen wir einfach durch. Knall, es ist fertig und jetzt schauen wir uns den Bericht an. Also werde ich das einfach öffnen. |
| |
Am Ende erhalten wir zunächst eine tatsächliche versus vorhergesagte Darstellung und ein Restdiagramm. Es könnte schön sein, sich das hier anzusehen |
| |
Profiler. |
| |
Und ich liebe den Profiler. Es ist |
| |
Sehr gut geeignet für Mischungen, da Sie sehen können, dass die anderen beiden nachlassen, je mehr ich das Wasser wechselte, je mehr ich es erhöhte. Das ist das |
| |
Aufgrund der inhärenten Natur von Mischungen müssen sie natürlich alle 1 enthalten oder sich zu 1 addieren. Okay, das ist also, wenn man so will, das durchschnittliche Modell. |
| |
Das Ensemble-Modell über die 25 Anfälle, die hier stattgefunden haben, in Ordnung. Wenn ich darf, werde ich es also tun |
| |
Werfen Sie jetzt noch einen kurzen Blick auf den Mischungsprofiler. |
| |
Wir bekommen diesen Look hier oben. |
| |
Eigentlich, wenn ich darf, was Sie daraus sehen können, ist... |
| |
Beachten Sie die Punkte. Sehen Sie, wie die Punkte sehr gut zusammenpassen? Dies liegt an der raumfüllenden Natur des Designs, und Sie werden auch feststellen, dass dieses Design tatsächlich Einschränkungen aufweist. |
| |
Wir decken also keineswegs den gesamten Bereich von Wasser 0-1 oder Harnstoff 0-1 usw. ab, also haben wir hier oben diese Einschränkungen. |
| |
Und was ich jetzt tun werde, ist, einfach die Grenzen einzuführen, nur damit ich mir vorstellen kann ... diese 95 zu 105 zu visualisieren. Das zeigt mir also im Leerraum hier, wo ich... |
| |
Welche Kombinationen erfüllen, wenn Sie so wollen, diese Bedingungen? Die Spezifikationsgrenzen liegen 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. Einer der Hauptgründe hierfür ist also, dass sie von Natur aus instabil sind. |
| |
Daher können kleine Änderungen in den Daten zu großen Änderungen in den Vorhersagen führen und ein einzelnes Vorhersagemodell kann dadurch natürlich instabil sein. Weißt du, am Ende hat man diese Knicke und das ist einfach, weißt du, |
| |
Normalerweise ist es ziemlich beunruhigend, nur das anzusehen, weil die Kinetik oft einfach nicht so abläuft. |
| |
Wir brauchen also Stabilität und die Kombination mehrerer Modelle, basierend auf dem partiell gewichteten Bootstrapping, das uns das gibt. |
| |
Das andere … das andere große Ding daran ist die Multikolinearität, die in diesen … diesen Situationen von Natur aus vorhanden ist. Gemische 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 wiederum, weil er sie darstellt |
| |
diese Interaktionen wunderschön. Diese Dynamik kommt einfach sehr gut rüber. Da wir also über all diese Multikolinearität verfügen, wird dies irgendwie gemildert und es entstehen stabilere, genauere Vorhersagemodelle. Wir haben das jetzt durchgeführt... |
| |
Eigentlich reicht es aber ein paar Jahre zurück |
| |
Seit wir das SVEM-Add-In erstellt haben, auf das ich gleich eingehen werde, haben wir es seit Anfang des Jahres mehrmals ausgeführt und es hat wirklich gute Arbeit geleistet. |
| |
Unsere Kunden sind sehr zufrieden damit. Wie gesagt, die Modellmittelung mit SVEM ist nicht automatisiert und weder JMP-Standard noch JMP Pro, aber wir haben ein Add-in, und wenn Sie unsere Website unter Predictum.com besuchen, können Sie mehr darüber und wie es erfahren es bekommen. |
| |
Es gibt also eine spezielle Seite zu SVEM. Wir haben auch einen Kurs für modernes Mischungsdesign, und Sie können sehen, dass dieser bei Marie, Phil und mir stattfindet. |
| |
Und das können Sie auf der Trainingsseite auf der Predictum-Website sehen. Wir decken zwar einen Abschnitt über die klassischen Mischungsdesigns ab, aber zwei Drittel bis drei Viertel des Kurses beinhalten SVEM. |
| |
Und das ist verfügbar, das SVEM-Add-In ist als Teil des Kurses verfügbar. In diesem Vortrag haben wir gesehen, wie die Erstellung eines Vorhersagemodells aus Daten funktioniert ... |
| |
Die Datenlage ist durch die Machbarkeit der Durchführung von Validierungsversuchen zur Kontrolle der Überanpassung begrenzt. Wissen Sie, bei einem klassischen Designexperiment haben wir einfach nicht die nötigen Durchläufe |
| |
Sowohl für das Training als auch für die Validierung empfehlen wir die Verwendung raumfüllender Designs, insbesondere für Gemisch-DOEs, aber allgemeiner auch für andere DOE-Situationen. Und wir haben SVEM beschrieben, das auf automatischer Validierung und fraktional gewichtetem Bootstrapping basiert. |
| |
Und wir haben diskutiert, wie SVEM eine prädiktive Modellierung für DOE-Daten ermöglicht, wiederum ohne einen separaten Satz von Validierungsläufen. |
| |
Und wir haben SVEM anhand der Harnstoff-Experimentdaten demonstriert. |
| |
Und ich möchte, dass Sie wissen, dass Sie beim Herunterladen der Folien eine ganze Reihe von Referenzen finden. Hier sind also ein paar und noch ein paar mehr, und eines der Dinge, die ich daran liebe, ist das |
| |
es reicht tatsächlich bis ins Jahr 1996 zurück. Das ist also etwas, was sich schon seit einiger Zeit zusammenbraut, und ich möchte Sie ermutigen, einen Blick auf diese Referenzen zu werfen. |
| |
Und damit beantworten wir Fragen. |
