Conférencier
|
Transcription
|
| Philip J. Ramsey |
Bonjour, voici Phil Ramsey de l'Université du New Hampshire et Predictum. Et avec mes co-présentateurs Wayne Levin de Predictum et Marie Gaudard, le |
| |
Professeur émérite de l'Université du New Hampshire et de Predictum, nous allons présenter une conférence sur les conceptions de mélanges modernes. |
| |
Et l'ordre du jour de la conférence est que nous allons parler de l'apprentissage automatique et de la conception d'expériences, présenter brièvement ce que sont les conceptions de mélanges, |
| |
parler d'une nouvelle méthode d'apprentissage automatique pour le DOE appelée auto-validation, qui est combinée à la modélisation d'ensemble pour créer ce que nous appelons la méthodologie de modélisation d'ensemble à auto-validation. |
| |
Et nous parlerons ensuite de SVEM, qui est une modélisation d'ensemble à auto-validation, et nous ferons une démonstration en utilisant une expérience de mélange, puis nous parlerons de |
| |
la méthode SVEM et les conceptions de remplissage d'espace. Et Wayne Levin parlera d'un complément que Predictum a développé pour faire SVEM et il fera également la démonstration de l'expérience sur l'urée. |
| |
Et je tiens à souligner que récemment, en fait cette année seulement, nous en avons déjà eu trois et ce sera bientôt pour des articles publiés dans des revues sur le thème de |
| |
Le DOE et l'apprentissage automatique, de sorte que les gens ont découvert que les méthodes d'apprentissage automatique s'appliquaient traditionnellement au Big Data |
| |
peut avoir beaucoup d'applicabilité au DOE, et nous sommes certainement d'accord. Et nous allons montrer comment ils peuvent être utilisés efficacement avec des expériences de mélange. Mais l'une des limitations traditionnelles de l'application de ce qu'on appelle l'apprentissage automatique |
| |
aux ensembles de données plus petits comme le DOE est la conviction qu'il fallait avoir de très grands ensembles de données. Ce n'est en fait pas tout à fait vrai. |
| |
Et comme vous allez le voir, la méthode SVEM qui a été développée par un certain nombre de personnes, dont moi-même et le Dr Chris Gotwalt de JMP, |
| |
nous rendons en fait tout à fait faisable l'application de ces méthodes traditionnelles de big data aux données beaucoup plus petites comme celles que nous trouvons avec les plans d'expériences. |
| |
De plus, l'apprentissage automatique est vraiment une question de prédiction, nous divisons donc la modélisation statistique en deux approches, l'une est appelée explicative, ce qui est classique, elle se concentre sur les tests d'hypothèses et les valeurs et paramètres P. |
| |
Et cela ne conduit généralement pas à de bons modèles prédictifs, mais l'apprentissage automatique se concentre entièrement sur la prédiction. |
| |
C'est donc notre point de vue, et c'est ce que nous allons utiliser aujourd'hui et l'appliquer aux expériences de mélange. Nous allons utiliser l'apprentissage automatique |
| |
pour la prédiction. Nous ne nous concentrons pas sur l'explication et, comme vous le verrez, nous allons pouvoir appliquer ces méthodes d'apprentissage automatique prédictif au petit plan d'expériences |
| |
ensembles de données. Eh bien, traditionnellement, la façon dont nous évaluons les modèles prédictifs consiste à utiliser une partie des données pour l'entraînement, nous l'appelons donc l'ensemble d'entraînement, une méthode très courante. |
| |
Et puis nous avons un autre ensemble que d'une manière ou d'une autre nous avons retenu. Il existe un certain nombre de stratégies. Nous n'en parlerons que d'un, appelé hold back. |
| |
Nous le mettons de côté, nous adaptons le modèle à l'ensemble d'apprentissage, puis l'ensemble de retenue, ou ensemble de validation, nous permet d'évaluer la capacité de prédiction. En d'autres termes, nous prédisons des données qui ne sont pas utilisées pour s'adapter au modèle. |
| |
Cependant, cette stratégie ne fonctionnera pas avec les plans d'expériences. Ils sont très efficaces et centrés sur l'information, |
| |
et il n'y a généralement pas suffisamment de ressources ou de budget pour développer des ensembles de validation. Les gens peuvent rarement faire des courses supplémentaires qui pourraient être utilisées pour la validation. |
| |
Cela semble donc être un obstacle à l'utilisation de l'apprentissage automatique pour la modélisation prédictive mais, comme nous le montrerons, cette méthode SVEM nous permet de contourner cette contrainte. |
| |
Et je veux juste, avant d'entrer dans SVEM, vous donner rapidement une discussion sur les conceptions de mélange. Je sais que certains d'entre vous les connaissent, d'autres non. |
| |
Il s'agit d'un type particulier de conception expérimentale. Ils ne sont pas aussi courants qu'ils devraient l'être, car les gens ne les connaissent pas, mais cela fait référence à l'expérimentation d'une formulation ou d'une recette, et les composants de ces formulations peuvent littéralement être des liquides, des gaz ou des solides. |
| |
Et l'un des concepts importants est que l'impact sur les réponses ne dépend que des proportions relatives des composants. |
| |
Nous sommes donc très préoccupés par les proportions de nos composants, comme vous le diriez, dans une recette. Nous ne nous concentrons pas sur les montants. Si la quantité totale présente était importante, cela conduit à un autre type d'expérience appelé quantité de mélange, qui sort du cadre actuel. |
| |
Mais parce que ce sont des composants d'une formulation, il y a des contraintes sur ces facteurs. En d'autres termes, le montant total doit être limité ; parfois cela se produit naturellement. |
| |
Mais aussi les proportions doivent être limitées. Ainsi, dans une expérience de mélange, contrairement à une expérience factorielle, vous ne pouvez pas modifier indépendamment les facteurs. |
| |
Ainsi, dans le DOE traditionnel que beaucoup de gens connaissent, il n'y a pas de contraintes sur les paramètres conjoints des facteurs. Dans certains cas, il y en a, mais généralement il n'y en a pas. |
| |
Un mélange expérimente, d'autre part, puisqu'il s'agit d'ingrédients d'une certaine formulation, le montant total doit être égal à 1 ou 100 %. Donc, si j'avais des facteurs Q, alors les paramètres de ces facteurs expérimentaux Q pour chaque essai doivent totaliser 1. Par ailleurs, |
| |
le réglage pour tout composant individuel doit être quelque part entre 0 et 1. Je signalerai également, et nous n'aurons pas le temps d'en discuter aujourd'hui, |
| |
une variante importante des conceptions de mélanges est appelée expériences de processus de mélange, dans lesquelles nous combinons des facteurs de mélange avec des facteurs de processus. |
| |
Nous faisons cela à cause du comportement des mélanges. Par exemple, pensez à quelque chose comme un adhésif en trois parties, le comportement change radicalement avec les conditions de traitement. Nous pourrions donc examiner des éléments tels que la pression et la température pour le durcissement d'un adhésif et l'optimum |
| |
recette change généralement en fonction de ces facteurs de processus. Cela dépasse le cadre de l'exposé d'aujourd'hui, mais c'est un aspect important des mélanges. |
| |
Donc, historiquement, quand les gens analysent des mélanges et même les créent... les ont créés, l'accent est mis sur des objectifs explicatifs, c'est-à-dire, |
| |
tests d'hypothèses sur les paramètres, les valeurs P et les intervalles de confiance. Cependant, à partir des mélanges en général, cela a toujours été problématique car les mélanges ont intrinsèquement beaucoup de |
| |
multicolinéarité ou corrélation entre les facteurs et les effets. Ils doivent le faire parce que le total... les montants totaux sont limités, et leur somme doit être égale à 1, de sorte qu'ils ne peuvent pas être indépendants par conception. Cependant, |
| |
nous ne sommes pas d'accord avec cette orientation traditionnelle et avec la grande expérience que nous avons des expériences de mélange, le but est invariablement, franchement, la prédiction. |
| |
Ce n'est pas une explication. Nous essayons de prédire les performances de mélanges ou de recettes et c'est ce qui intéresse les scientifiques ou les ingénieurs. |
| |
Il y a donc eu un grand décalage entre ce dont les scientifiques ont besoin et la façon dont nous avons analysé les mélanges. De plus, beaucoup de conceptions traditionnelles sont ce que nous appellerions des conceptions de points limites. |
| |
Si vous connaissez le terme D optimal, ils ont tendance à être très D optimaux, c'est-à-dire |
| |
la plupart des points sont assignés autour des limites, nous avons peu d'informations intérieures. Il y a très peu de points, parfois aucun |
| |
à l'intérieur de la zone de conception. Pourquoi est-ce important? Eh bien, les systèmes de mélange, en particulier dans les applications chimiques et biologiques, |
| |
ont tendance à être très complexes. Il y a des cinétiques très complexes en cours, et ces surfaces de réponse ont des formes très compliquées. |
| |
Et si nous n'avons pas beaucoup d'informations sur l'intérieur de la zone de conception, alors très probablement nous n'allons pas proposer de modèles qui représentent vraiment le comportement du système. |
| |
Et cela s'est en fait produit assez fréquemment dans l'histoire de l'utilisation des conceptions de mélange. Encore une fois, nous n'aurons pas le temps d'en parler aujourd'hui, |
| |
une approche classique de l'analyse ou de la modélisation dans le passé sont ce que j'appelle les polynômes de Scheffe, |
| |
et ce sont un type de polynôme conçu pour être utilisé avec des mélanges. Il en existe de nombreuses variantes, mais ces polynômes fictifs sont fréquemment, en particulier dans leurs formes classiques, inadéquats pour modéliser ces surfaces de réponse. |
| |
Alors comment aborder le problème ? Eh bien, nous pensons que la façon dont nous devons aborder les conceptions de mélanges est du point de vue des conceptions de remplissage d'espace. |
| |
Et pourquoi des conceptions de remplissage d'espace? Encore une fois, cela pourrait être une discussion en soi, mais ce sont des conceptions qui sont créées pour couvrir un espace de conception du mieux possible pour un nombre donné de points de conception. |
| |
Et le nombre de points de conception |
| |
sont une option pour l'utilisateur. Cela peut en fait nous permettre d'utiliser des conceptions plus petites, |
| |
designs classiques, et ils couvraient la région du design. Ceci, par conséquent, peut nous donner des modèles prédictifs plus précis et plus utiles. Nous avons de meilleures informations sur l'ensemble de la région de conception. |
| |
Et dans notre approche des mélanges, tout est basé sur l'utilisation de conceptions de tournage dans l'espace, et c'est une tendance que nous avons remarquée dans l'industrie ces dernières années. |
| |
Je veux maintenant changer de vitesse et parler de... eh bien, étant donné que nous avons créé le mélange, nous l'avons exécuté, eh bien, comment l'analysons-nous ? |
| |
Et j'ai mentionné plus tôt, l'un des problèmes avec l'apprentissage automatique appliqué au DOE est que nous n'avons pas vraiment d'ensemble de validation naturel. Eh bien, Gotwalt et Ramsey, ce serait moi et le Dr Chris Gotwalt, avons en fait proposé une méthode de validation que nous avons appelée auto-validation. Et |
| |
la première conférence à ce sujet a en fait été donnée lors d'une conférence Discovery Europe il y a quelques années. |
| |
Et cela ne semblera pas intuitif, mais écoutez-moi. Nous pouvons utiliser les données originales, l'expérience originale pour l'apprentissage et la validation. En d'autres termes, nous prenons les données d'origine et en créons une copie ou un clone, |
| |
et nous nous référons à cela comme l'ensemble d'auto-validation. Ainsi, chaque observation de l'ensemble d'apprentissage a un jumeau dans l'ensemble d'auto-validation lui-même. |
| |
En soi, cela semblerait absurde. Étant donné que l'ensemble d'auto-validation a les mêmes observations que l'ensemble d'apprentissage, comment cela fournit-il une évaluation indépendante de la capacité de prédiction ? Eh bien, ça ne peut pas tout seul. |
| |
La clé de l'idée d'auto-validation est que nous appliquons un schéma de pondération aux observations, et le schéma est basé sur la génération de poids à partir d'une distribution gamma. |
| |
Soit dit en passant, la distribution gamma est couramment utilisée pour la pondération dans les applications statistiques. Les poids gamma ont un certain nombre de... nombre de propriétés intéressantes encore une fois que nous n'aborderons pas aujourd'hui. |
| |
Et ce que nous faisons, c'est que nous générons un ensemble de poids, mais nous le faisons d'une manière spéciale. Si une observation dans l'ensemble d'apprentissage obtient une valeur élevée, un poids élevé, |
| |
l'observation dans l'ensemble d'auto-validation, le jumeau, obtient un faible poids. Pourquoi faisons-nous cela? Cela entraîne une anti-corrélation entre les deux ensembles de données. |
| |
En d'autres termes, nous essayons de décorréler les ensembles à l'aide d'un schéma de pondération, et nous avons maintenant beaucoup de recherches qui ont été faites à ce sujet au cours des dernières années. Cela indique que cette approche est très efficace. |
| |
Et il y aura bientôt un article dans lequel tous ces résultats seront disponibles. L'idée est donc d'utiliser ce schéma de pondération, donc nous prenons le |
| |
ensemble d'apprentissage, nous attribuons les poids gamma, nous avons l'ensemble d'auto-validation, et nous attribuons les poids correspondants à chacun des jumeaux, donc si l'ensemble d'apprentissage a un poids élevé, |
| |
le jumeau dans l'ensemble d'auto-validation obtient un faible poids, ce qui entraîne ce comportement d'anti-corrélation. Et puis nous répétons simplement cette stratégie un certain nombre de fois à spécifier par l'utilisateur. Donc, dans la diapositive suivante, je montre un exemple d'une expérience simple. Nous avons trois facteurs. Avis |
| |
les courses 1-7 sont l'ensemble d'entraînement, l'original. Les séries 8 à 14 sont le clone ou la copie. Remarquez que les observations sont exactement les mêmes valeurs pour les deux ensembles, puis remarquez la colonne appelée |
| |
Poids FWB appariés. Je vais expliquer FWB dans un instant. |
| |
Et remarquez si une observation, comme l'observation 1 obtient un poids élevé, c'est la jumelle, l'observation 8, obtient un poids faible. L'observation 8 est donc dans l'ensemble de validation. |
| |
Cette idée de pondération fractionnaire est donc importante, donc l'analyse est effectuée en appliquant les pondérations fractionnaires à la réponse. Nous répétons ensuite cette stratégie |
| |
un certain nombre de fois (et le nombre de fois dépendra de l'utilisateur et du scénario) et nous adaptons le modèle à chaque fois. En d'autres termes, nous sommes essentiellement ce que nous appelons l'amorçage à pondération fractionnelle. |
| |
Et qu'est-ce que le bootstrapping à pondération fractionnelle ? Il s'agit essentiellement d'une forme d'amorçage, également connue sous le nom d'amorçage généralisé, |
| |
dans lequel nous n'amorçons pas les observations. Nous avons appliqué des poids bootstrap aux observations. C'est une méthodologie bien connue et nous l'appliquons. |
| |
Ce qui est différent, c'est que nous appliquons cela de manière répétitive, comme je l'ai dit, cela peut être des centaines, des milliers de fois, cela dépend vraiment de l'utilisateur. |
| |
Chaque fois que nous adaptons un modèle, puis à la fin, nous prenons une moyenne ou un ensemble. Et ceux-ci s'appellent... et c'est de là que nous obtenons le terme |
| |
l'auto-validation, ou auto-validation est une modélisation d'ensemble d'auto-validation. Nous prenons des moyennes |
| |
et la modélisation d'ensemble, soit dit en passant, est très courante dans l'apprentissage automatique et l'apprentissage en profondeur, car elle tend à conduire à une modélisation prédictive plus stable et meilleure. |
| |
Ainsi, SVEM effectue un bootstrap à pondération fractionnelle pour générer une famille de modèles, puis utilise la moyenne des modèles pour proposer un modèle prédictif final. |
| |
Alors, comment fonctionne la méthode ? Eh bien, vous choisissez un algorithme pour votre modélisation prédictive. Dans notre cas, nous allons nous concentrer sur les réseaux de neurones pour |
| |
conceptions de mélange, mais vous pouvez choisir d'autres méthodes. SVEM est plutôt agnostique quant à l'algorithme avec lequel il est utilisé, et il se prête très bien à de nombreux algorithmes. Nous créons donc l'ensemble d'entraînement et d'auto-validation. Nous attribuons nos poids fractionnaires. |
| |
Et puis nous ajustons le modèle, puis nous amorçons cela un certain nombre de fois, tel que défini par l'utilisateur, puis nous prenons une moyenne. D'accord, donc à ce stade, je vais céder la parole à mon collègue, Wayne Levin, qui va faire une démonstration de SVEM et parler d'un complément pour le faire. |
| Wayne |
Je fais juste le changement ici |
| |
et partager l'écran. |
| |
Et va juste basculer sur le PowerPoint. |
| |
Merci beaucoup, Phil. Nous allons utiliser cet exemple ici, ces données d'urée, donc le but de l'expérience est d'optimiser une solution pour un agent nettoyant. |
| |
Et les trois composants de ce mélange sont l'eau, l'alcool et l'urée. Et ce sont donc ces trois colonnes ici. Et nous allons juste nous concentrer sur une réponse, qui est la viscosité. La cible que nous essayons de nous atteindre 100 mais, comme nous pouvons le voir ici, |
| |
on veut être entre 95 et 105 en terme de viscosité. Donc sur ce, je vais passer à JMP. |
| |
D'accord, voici donc nos données sur l'urée. Je viens de l'ouvrir ici, et notez simplement qu'il n'y a que 15 pistes, et donc je vais juste passer à l'étape suivante. Et la prochaine étape de la |
| |
processus consiste à créer la table d'auto-validation, donc lorsque je clique dessus, vous verrez plusieurs choses se produire. Tout d'abord, nous avons une nouvelle table, et nous avons les 15 premiers runs, ce qui est exactement le même que celui que nous avions ici. Et puis pour chacun des runs...donc si je me concentre, par exemple, sur ce premier rang (52, 29, 19), |
| |
vous pouvez voir que c'est répété ci-dessous ici, donc 52, 29, 19. |
| |
Et de même la deuxième rangée sera 57, 23, 19. Je ne vais évidemment pas répéter tout cela, mais je pense que vous voyez l'idée. C'est simplement répéter les combinaisons dans ce... |
| |
dans le deuxième ensemble ici, et le premier ensemble est la formation... ce qui est utilisé pour la formation et ensuite le second, comme indiqué ici, est ce que nous obtenons pour la validation. Maintenant, entre les deux, se trouve la colonne de pondération fractionnaire appariée dont Phil parlait. Donc |
| |
nous avons tendance à voir... quand nous avons tendance à voir des nombres élevés ici, nous obtiendrons des nombres inférieurs correspondants en bas et cela suit beaucoup le... |
| |
eh bien, la distribution gamma dont ce phil parlait. Alors pourquoi je ne montre pas ça. Je vais juste tracer les poids ici, juste en quelque sorte |
| |
positionnez-le sur l'écran. Donc, chaque fois que nous parcourons les itérations, nous obtenons... nous actualisons les poids. Alors jetez un œil aux poids ici et regardez simplement les |
| |
colonne ici, cette colonne ici. Je vais donc le lancer pour que vous puissiez voir. Ainsi, à chaque itération, nous obtenons un nouvel ensemble de |
| |
fractionnaire...paires à pondération fractionnaire dans les ensembles d'apprentissage et de validation. D'accord. Alors après je vais |
| |
faire un modèle d'ajustement. Je vais donc faire, si vous voulez, une itération, pourrait-on dire. |
| |
Et donc la viscosité est la réponse. Remarquez simplement ici que le rôle de fréquence a ce poids d'amorçage fractionnaire apparié… pondéré de manière fractionnée, c'est donc ainsi qu'il est pris en compte dans la modélisation. Alors voilà et voici, si vous voulez, une itération, |
| |
d'accord, sur la base de ces poids particuliers. Bien, |
| |
si nous voulons avoir un modèle d'ensemble, nous devons le faire à plusieurs reprises. Donc, ce que je vais faire maintenant, c'est que je vais exécuter cela avec de nouveaux poids et, si vous le voulez bien, |
| |
gardez un œil... vous devez garder un œil sur trois endroits différents à la fois, ce qui peut être un peu un défi. Je vais juste essayer de positionner ces choses, d'accord. |
| |
Donc, ce qui va se passer, c'est que lorsque je clique ici exécuter avec de nouveaux poids, vous allez voir les poids ici changer, un modèle sera créé et le modèle prédictif sera enregistré |
| |
ici. Je vais en faire un ici. Essayons. Bang, donc ça a changé la façon dont il a produit le modèle. |
| |
Enregistrez le modèle ici. Cette colonne est également ajoutée ; c'est l'ensemble dont Phil parlait, c'est la moyenne. Bien sûr, je n'ai fait qu'une itération donc la moyenne est juste |
| |
le même. Je vais donc faire une autre itération ici et nous obtenons un nouvel ensemble de poids, un nouveau modèle et un nouveau modèle a été enregistré, et maintenant le modèle d'ensemble ici est la moyenne de ces deux |
| |
par ici. Alors je vais juste le faire, oh je ne sais pas, encore quelques fois. Ce n'est pas difficile à faire, et nous pouvons voir ces choses |
| |
changer au fur et à mesure. Alors j'en ai six maintenant, alors pourquoi ne pas jeter un coup d'œil à ces six |
| |
modèles... modèles individuels, ainsi que le modèle moyen, l'ensemble, et cela est montré ici dans le profileur. Et cela montre plutôt l'instabilité qui |
| |
Phil faisait allusion plus tôt, parce que si, si vous ne faisiez cela qu'une seule fois... maintenant je sais qu'il y a la pondération fractionnaire qui se passe ici, mais comme Phil l'a mentionné, vous savez, un mouvement de n'importe quel point que je peux vraiment |
| |
dérangez le modèle, si vous voulez, et vous vous retrouverez avec des fonctionnalités qui ne sont pas vraiment... |
| |
n'y appartiennent peut-être pas vraiment. Ce ne sont que des artefacts de points de conception particuliers. Mais jetez un oeil ici, vous pouvez voir comment |
| |
chacun de ces modèles individuels a l'air... eh bien, ils ont des caractéristiques différentes ici. mais en bas, le modèle moyen est dans un sens... eh bien, c'est la moyenne de tous les modèles ci-dessus. |
| |
Et vous pouvez plus ou moins voir que, ce gros problème ici est en quelque sorte atténué. Vous en voyez un peu ici. |
| |
Maintenant, ce n'est qu'avec six itérations et avec le complément, nous vous recommandons de faire 50 itérations. |
| |
Mais ce que je vais faire aussi, jetons un coup d'œil à la réalité par rapport à la prévision. Maintenant, celui-ci est sorti joli... |
| |
assez cohérent. Les lignes sont toutes à peu près une pente de toute façon. Souvent, lorsque nous faisons cela, nous voyons plus de variation à travers cela, mais ce que vous noterez dans le |
| |
modèle moyen, c'est un peu difficile à voir ici dans cet exemple particulier, mais c'est une ligne continue, passant essentiellement par la masse des autres lignes là-bas. Donc je vais juste mettre ces de côté et ce que je vais faire ensuite c'est |
| |
Je vais en fait faire un tas de courses ici. Je pense que nous allons faire dans cette démonstration, ça va faire 25 itérations. Vous pouvez voir le modèle changer, vous pouvez voir les poids |
| |
changer ici. Cela n'ajoute rien de nouveau ici. Donc nous sommes juste en train de traverser. Bang, c'est fait et maintenant nous allons jeter un œil au rapport. Alors je vais juste l'ouvrir. |
| |
Au départ, nous nous retrouvons avec un réel versus prédit ici et un tracé résiduel. Il serait peut-être agréable de regarder par ici le |
| |
profileur. |
| |
Et j'adore le profileur. C'est |
| |
très approprié pour les mélanges, car vous pouvez voir, au fur et à mesure que je change l'eau, au fur et à mesure que je l'augmente, les deux autres baissent. C'est le |
| |
nature inhérente des mélanges, bien sûr, ils doivent tous contenir ou ajouter jusqu'à 1. D'accord, c'est donc, si vous voulez, le modèle moyen. |
| |
Le modèle d'ensemble à travers les 25 ajustements qui ont eu lieu ici, d'accord. Alors si je peux, je vais |
| |
jetez maintenant un coup d'œil rapide au profileur de mélange. |
| |
Nous obtenons ce look ici. |
| |
En fait, si je peux me permettre, ce que vous pouvez voir de ceci est... |
| |
remarquer les points. Voyez-vous comment les points s'emboîtent très bien? C'est la nature de remplissage de l'espace de la conception, et vous remarquerez également que cette conception comporte en fait des contraintes. |
| |
Donc, nous ne couvrons en aucun cas tout l'espace de l'eau 0-1 ou de l'urée 0-1, et ainsi de suite, nous avons donc ces contraintes ici. |
| |
Et ce que je vais faire maintenant, c'est juste jeter les limites, juste pour que je puisse visualiser... visualiser cela de 95 à 105. Donc ça me montre dans l'espace blanc juste là où je peux... |
| |
quelles combinaisons, si vous voulez, satisfont à ces conditions… les limites de la spécification ici. |
| |
D'accord, c'est donc la démonstration de |
| |
de la méthode SVEM, la méthodologie, si vous voulez, et |
| |
Je peux... Je vais juste. |
| |
Donc SVEM et conception de remplissage d'espace. Encore une fois, l'une des grandes motivations à ce sujet est qu'ils sont intrinsèquement instables. |
| |
Ainsi, de petits changements dans les données peuvent entraîner de grands changements dans les prédictions et un seul modèle prédictif, bien sûr, peut être instable en conséquence. Vous savez, vous vous retrouvez avec ces défauts et c'est juste, vous savez, |
| |
généralement assez dérangeant juste à regarder parce que ce n'est souvent pas la façon dont la cinétique se produit. |
| |
Nous avons donc besoin de stabilité et l'assemblage de plusieurs modèles, basé sur le bootstrapping à pondération fractionnelle, nous donne cela. |
| |
L'autre... l'autre grande chose à ce sujet est la multicolinéarité qui est intrinsèquement présente dans ces... dans ces situations. Les mélanges sont des systèmes complexes. |
| |
Ils ne sont pas la somme du comportement des composants. Ils sont vraiment le produit des interactions, et c'est pourquoi, encore une fois, j'aime le profileur car ils représentent |
| |
ces interactions magnifiquement. Ces dynamiques se présentent très bien. Donc, parce que nous avons toute cette multicolinéarité, cela atténue en quelque sorte cela et donne des modèles prédictifs stables et plus précis. Nous l'avons fait maintenant... |
| |
en fait cela remonte à quelques années mais |
| |
depuis que nous avons créé le complément SVEM, dont je parlerai juste un instant, nous l'avons exécuté plusieurs fois maintenant, depuis le début de l'année et il a fait un très bon travail. |
| |
Nos clients en sont très satisfaits. Donc, comme je l'ai dit, le modèle faisant la moyenne à l'aide de SVEM, il n'est pas automatisé et standard JMP ou JMP Pro, mais nous avons un complément, et si vous allez sur notre site Web à Predictum.com, vous pouvez en savoir plus à ce sujet et comment pour l'obtenir. |
| |
Alors oui, il y a une page particulière sur SVEM. Nous avons également un cours de conception de mélanges modernes et vous pouvez voir que c'est avec Marie, Phil et moi-même. |
| |
Et ça, vous pouvez le voir sur la page formation du site Predictum. Nous couvrons une section sur les conceptions de mélanges classiques et mais les deux tiers aux trois quarts du cours comportent SVEM. |
| |
Et c'est disponible, le complément SVEM est disponible dans le cadre du cours. Donc, dans cet exposé, nous avons vu à quel point la construction d'un modèle prédictif à partir de données est... |
| |
les données sont limitées par la faisabilité de mener des essais de validation pour contrôler le surapprentissage. Vous savez, dans une expérience de conception classique, nous n'avons tout simplement pas les pistes à faire |
| |
à la fois la formation et la validation, nous suggérons donc d'utiliser des conceptions de remplissage d'espace, en particulier pour les DOE de mélange, mais en fait plus généralement pour d'autres situations de DOE. Et nous avons décrit SVEM, qui est basé sur l'auto-validation et l'amorçage à pondération fractionnelle. |
| |
Et nous avons discuté de la façon dont SVEM permet la modélisation prédictive des données du DOE sans, encore une fois, un ensemble distinct d'exécutions de validation. |
| |
Et nous avons démontré SVEM en utilisant les données de l'expérience sur l'urée. |
| |
Et je veux que vous sachiez que si vous téléchargez les diapositives, vous trouverez tout un tas de références. Voici donc quelques-uns ici et quelques autres, et l'une des choses que j'aime à ce sujet est que |
| |
il remonte en fait à 1996. C'est donc quelque chose qui se prépare depuis un certain temps, et je vous encourage à jeter un œil à ces références. |
| |
Et sur ce, nous répondrons aux questions. |
