Conférencier
|
Transcription
|
| Philip J. Ramsey |
Bonjour, voici Phil Ramsey de l'Université du New Hampshire et Predictum. Et avec mes coprésentateurs 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 le programme 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, |
| |
parlons d'une nouvelle méthode d'apprentissage automatique pour le DOE appelée auto-validation, qui est combinée à la modélisation d'ensemble pour créer quelque chose que nous appelons une méthodologie de modélisation d'ensemble auto-validante. |
| |
Et nous parlerons ensuite de SVEM, qui est une modélisation d'ensemble auto-validée, et nous ferons une démonstration en utilisant une expérience de mélange, puis nous parlerons de |
| |
la méthode SVEM et les conceptions remplissant l’espace. Et Wayne Levin parlera d'un complément que Predictum a développé pour faire du 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 |
| |
DOE et apprentissage automatique, les gens ont donc découvert que les méthodes d'apprentissage automatique traditionnellement appliquées au Big Data |
| |
peut avoir de nombreuses applicabilités 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 limites traditionnelles de l’application de ce que l’on appelle l’apprentissage automatique |
| |
à des ensembles de données plus petits comme le DOE est la conviction qu'il faut disposer de très grands ensembles de données. Ce n’est en réalité pas entièrement 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 possible l'application de ces méthodes traditionnelles de Big Data à des données beaucoup plus petites, comme celles que nous trouvons avec les plans d'expériences. |
| |
Et aussi l'apprentissage automatique est vraiment une question de prédiction, nous divisons donc la modélisation statistique en deux approches, l'une est dite explicative, qui est classique, elle se concentre sur les tests d'hypothèses et sur 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. |
| |
Voilà donc notre point de vue, et c'est ce que nous allons utiliser aujourd'hui et l'appliquer aux expériences de mélanges. Nous allons utiliser l'apprentissage automatique |
| |
pour la prédiction. Notre objectif n'est pas l'explication et, comme vous le verrez, nous allons pouvoir appliquer ces méthodes d'apprentissage automatique prédictif à de petits plans 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, c'est pourquoi nous appelons cela l'ensemble d'entraînement, une méthode très courante. |
| |
Et puis nous avons un autre ensemble que nous avons retenu d’une manière ou d’une autre. Il existe un certain nombre de stratégies. Nous n'en parlerons que d'un seul, appelé retenue. |
| |
Nous le mettons de côté, nous adaptons le modèle à l'ensemble d'entraînement, 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 ajuster le 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. Il est rare que les gens puissent effectuer des analyses supplémentaires qui pourraient être utilisées pour la validation. |
| |
Cela semble donc être un frein à l'utilisation du machine learning pour la modélisation prédictive mais, comme nous allons le montrer, cette méthode SVEM permet de contourner cette contrainte. |
| |
Et avant d'entrer dans SVEM, je souhaite vous présenter rapidement une discussion sur les conceptions de mélanges. 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 dépend uniquement des proportions relatives des composants. |
| |
Nous sommes donc très préoccupés par les proportions de nos composants, comme on le dirait 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 comme il s’agit de composants d’une formulation, il existe des contraintes sur ces facteurs. En d’autres termes, le montant total doit être limité ; parfois cela arrive naturellement. |
| |
Mais il faut aussi limiter les proportions. Ainsi, dans une expérience de mélange, contrairement à une expérience factorielle, vous ne pouvez pas modifier les facteurs indépendamment. |
| |
Ainsi, dans le DOE traditionnel que beaucoup de gens connaissent, il n'y a aucune contrainte sur les paramètres conjoints des facteurs. Dans certains cas, il y en a, mais généralement non. |
| |
En revanche, pour les expériences de mélange, puisqu'il s'agit d'ingrédients d'une certaine formulation, la quantité totale doit être égale 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. En outre, |
| |
le réglage de chaque composant individuel doit être compris entre 0 et 1. Je précise 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 en raison du comportement des mélanges. Par exemple, pensez à un adhésif à trois composants, le comportement change radicalement en fonction des conditions de traitement. Nous pourrions donc examiner des éléments tels que la pression et la température pour durcir un adhésif et la température optimale. |
| |
la recette change généralement en fonction de ces facteurs de processus. Cela sort du cadre de notre exposé d'aujourd'hui, mais c'est un aspect important des mélanges. |
| |
Ainsi, historiquement, lorsque les gens analysent des mélanges et même les créent… les créent, 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, pour les 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 contraints, et leur somme doit être égale à 1, ils ne peuvent donc pas être indépendants de par leur conception. Cependant, |
| |
nous ne sommes pas d'accord avec cette approche traditionnelle et, avec beaucoup d'expérience que nous avons avec les expériences de mélanges, l'objectif 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 un grand décalage entre ce dont les scientifiques ont besoin et la manière dont nous avons analysé les mélanges. De plus, bon nombre des 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 attribués 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, notamment dans les applications chimiques et biologiques, |
| |
ont tendance à être très complexes. Il existe une cinétique très complexe et ces surfaces de réponse ont des formes très compliquées. |
| |
Et si nous ne disposons pas de beaucoup d’informations sur l’intérieur de la région de conception, nous n’arriverons très probablement pas à des modèles qui représentent réellement le comportement du système. |
| |
Et cela s’est effectivement produit assez fréquemment dans l’histoire de l’utilisation des plans 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 est 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 souvent, surtout 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 qui remplissent l’espace ? Encore une fois, cela pourrait être un sujet de discussion en soi, mais ce sont des conceptions créées pour couvrir au mieux un espace de conception pour un nombre donné de points de conception. |
| |
Et le nombre de points de conception |
| |
sont une option pour l'utilisateur. Cela peut effectivement nous permettre d'utiliser des designs plus petits, |
| |
des designs classiques, et ils couvraient la région du design. En conséquence, cela peut nous fournir des modèles prédictifs plus précis et plus utiles. Nous disposons de meilleures informations sur l’ensemble de la région de conception. |
| |
Et dans notre approche des mélanges, tout repose sur l'utilisation de conceptions de tournage spatial, 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 pouvons-nous l'analyser ? |
| |
Et je l'ai mentionné plus tôt, l'un des problèmes de l'apprentissage automatique appliqué au DOE est que nous n'avons pas vraiment d'ensemble de validation naturel. Eh bien, Gotwalt et Ramsey, c'est-à-dire 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 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 la formation et pour la validation. En d'autres termes, nous prenons les données originales et en créons une copie ou un clone, |
| |
et nous appelons cela l’ensemble de validation automatique. Ainsi, chaque observation de l’ensemble d’apprentissage a un jumeau dans l’ensemble d’auto-validation lui-même. |
| |
En soi, cela semble absurde. Étant donné que l’ensemble d’auto-validation contient les mêmes observations que l’ensemble d’entraînement, comment cela fournit-il une évaluation indépendante de la capacité de prédiction ? Eh bien, cela ne peut pas se faire tout seul. |
| |
La clé de l'idée de l'auto-validation est que nous appliquons un système de pondération aux observations, et ce système est basé sur la génération de poids à partir d'une distribution gamma. |
| |
À propos, la distribution gamma est couramment utilisée pour la pondération dans les applications statistiques. Les poids gamma ont un certain nombre de... un certain nombre de propriétés intéressantes que nous n'aborderons pas aujourd'hui. |
| |
Et ce que nous faisons, c'est générer 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 système de pondération, et nous disposons désormais de nombreuses recherches sur ce sujet au cours des dernières années. Cela indique que cette approche est très efficace. |
| |
Et un article paraîtra prochainement dans lequel tous ces résultats seront disponibles. L’idée est donc d’utiliser ce schéma de pondération, donc on prend le |
| |
ensemble d'entraînement, 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'entraînement a un poids élevé, |
| |
le jumeau de l'ensemble de validation automatique reçoit 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. Ainsi, dans la diapositive suivante, je montre un exemple d’expérience simple. Nous avons trois facteurs. Avis |
| |
les courses 1 à 7 sont l'ensemble d'entraînement, l'original. Les exécutions 8 à 14 sont le clone ou la copie. Notez que les observations ont 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 que si une observation, comme l'observation 1, a un poids élevé, sa jumelle, l'observation 8, a un faible poids. 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 poids 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 ajustons le modèle à chaque fois. En d’autres termes, nous sommes essentiellement ce que nous appelons un bootstrapping fractionné. |
| |
Et qu’est-ce que le bootstrapping fractionné ? Il s'agit essentiellement d'une forme de bootstrapping, également connu sous le nom de bootstrapping généralisé, |
| |
dans lequel nous ne bootstrapons pas les observations. Nous bootstrapons les poids appliqués 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 de fois, des milliers de fois, cela dépend vraiment de l'utilisateur. |
| |
Chaque fois que nous ajustons un modèle, puis à la fin, nous prenons une moyenne ou un ensemble. Et ceux-ci sont appelés... 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 profond, car elle tend à conduire à une modélisation prédictive plus stable et meilleure. |
| |
Ainsi, SVEM effectue un bootstrapping fractionné pour générer une famille de modèles, puis utilise la moyenne du modèle 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 de formation et d’auto-validation. Nous attribuons nos poids fractionnaires. |
| |
Et puis nous ajustons le modèle, puis nous l'amorçons un certain nombre de fois, tel que défini par l'utilisateur, puis nous prenons une moyenne. D'accord, 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 je vais juste passer au PowerPoint. |
| |
Merci beaucoup, Phil. Nous allons utiliser cet exemple ici, ces données sur l'urée, le but de l'expérience est donc d'optimiser une solution pour un agent nettoyant. |
| |
Et les trois composants de ce mélange sont l’eau, l’alcool et l’urée. Et donc ce sont ces trois colonnes ici. Et nous allons juste nous concentrer sur une réponse, qui est la viscosité. L'objectif que nous essayons d'atteindre est de 100 mais, comme nous pouvons le voir ici, |
| |
on veut être entre 95 et 105 en terme de viscosité. Donc avec ça, 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 exécutions, et donc je suis juste en train de passer à l'étape suivante. Et la prochaine étape dans le |
| |
Le processus consiste à créer la table de validation automatique. Ainsi, lorsque je clique dessus, vous verrez plusieurs choses se produire. Tout d’abord, nous avons une nouvelle table et nous avons les 15 premières exécutions, qui sont exactement les mêmes que celles que nous avions ici. Et puis pour chacune des courses...donc si je me concentre par exemple sur cette première rangée (52, 29, 19), |
| |
vous pouvez voir que cela 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. Il s'agit simplement de 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. Entre les deux se trouve maintenant la colonne de pondération fractionnaire appariée dont Phil parlait. Donc |
| |
nous avons tendance à voir... lorsque nous avons tendance à voir des nombres élevés ici, nous obtiendrons des nombres inférieurs correspondants en bas et cela suit tout à fait le... |
| |
eh bien, la distribution gamma dont parlait ce phil. Alors pourquoi ne pas simplement montrer ça. Je vais juste tracer les poids ici, juste en quelque sorte |
| |
positionnez-le sur l’écran. Ainsi, chaque fois que nous parcourons les itérations, nous obtenons... nous actualisons les poids. Alors jetez simplement un œil aux poids ici et observez simplement le |
| |
colonne ici, cette colonne ici. Je vais donc simplement l'exécuter pour que vous puissiez voir. Ainsi, à chaque itération, nous obtenons un nouvel ensemble de |
| |
fractionnaire... paires pondérées fractionnellement dans les ensembles de formation et de validation. D'accord. Alors ensuite je vais |
| |
faire un modèle d'ajustement. Je vais donc faire, si vous voulez, une seule itération, pourriez-vous dire. |
| |
Et donc la viscosité est la réponse. Notez simplement ici que le rôle de fréquence a ce poids d'amorçage fractionnaire... pondéré fractionnaire, c'est ainsi qu'il est pris en compte dans la modélisation. Alors voilà, et voici, si vous voulez, une itération, |
| |
ok, 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 faire ça avec de nouveaux poids et, si vous le voulez bien, |
| |
garder un œil... vous devez garder un œil sur trois endroits différents à la fois, ce qui pourrait 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 pour 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 cela a changé la façon dont le modèle a été produit. |
| |
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 seule itération, donc la moyenne est juste |
| |
le même. Je vais donc juste 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 que nous avançons. J'en ai donc six maintenant, alors pourquoi ne pas jeter un coup d'œil rapide à ces six |
| |
modèles... modèles individuels, ainsi que le modèle moyen, l'ensemble, et cela est affiché 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 une pondération fractionnaire qui se produit ici, mais comme Phil l'a mentionné, vous savez, un mouvement de n'importe quel point que je peux vraiment |
| |
perturbez le modèle, si vous voulez, et vous vous retrouverez avec des fonctionnalités qui ne fonctionnent pas vraiment... |
| |
peut-être n'y appartiennent-ils 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 ressemble... eh bien, ils ont ici des caractéristiques différentes. 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 recommandons de faire 50 itérations. |
| |
Mais ce que je ferai également, c'est de comparer le réel par rapport aux prévisions. Maintenant, celui-ci s'est révélé joli... |
| |
assez cohérent. De toute façon, les lignes sont toutes à peu près une pente. Souvent, lorsque nous faisons cela, nous constatons davantage de variations, mais ce que vous remarquerez 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. Je vais donc simplement les mettre de côté et ce que je ferai ensuite, c'est |
| |
Je vais en fait faire un tas de courses ici. Je pense que nous allons le faire dans cette démonstration, elle va faire 25 itérations. Vous pouvez voir le modèle changer, vous pouvez voir les poids |
| |
changer ici. Cela n’ajoute rien de nouveau ici. Nous ne faisons donc que passer. Bang, c'est fait et maintenant nous allons jeter un oeil au rapport. Je vais donc simplement ouvrir cela. |
| |
Au départ, nous nous retrouvons ici avec un réel versus prédit et une intrigue résiduelle. Ce serait peut-être bien de regarder ici le |
| |
profileur. |
| |
Et j'adore le profileur. C'est |
| |
très approprié pour les mélanges, car on voit qu'à mesure que je change l'eau, à mesure que je l'augmente, les deux autres diminuent. C'est le |
| |
nature inhérente des mélanges, bien entendu, ils doivent tous contenir ou totaliser jusqu'à 1. D'accord, c'est donc, si vous voulez, le modèle moyen. |
| |
Le modèle d’ensemble des 25 ajustements qui ont eu lieu ici, d’accord. Donc si je peux, je vais |
| |
jetez maintenant un coup d’œil rapide au profileur de mélange. |
| |
Nous obtenons cette recherche ici. |
| |
En fait, si je peux me permettre, ce que vous pouvez voir de ceci, c'est... |
| |
remarquez les points. Voyez-vous à quel point les points s’intègrent très bien ? Il s'agit de la nature de la conception qui remplit l'espace, et vous remarquerez également que cette conception comporte en fait des contraintes. |
| |
Nous ne couvrons donc 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 simplement ajouter les limites, juste pour pouvoir visualiser... visualiser ces 95 à 105. Cela me montre donc dans l'espace blanc ici, exactement où je peux... |
| |
quelles combinaisons, si vous voulez, satisfont à ces conditions... les spécifications se limitent ici. |
| |
D'accord, c'est donc la démonstration de |
| |
de la méthode SVEM, la méthodologie, si l'on veut, et |
| |
Je peux... Je vais juste. |
| |
Donc SVEM et conception de remplissage d'espace. Encore une fois, l’une des principales motivations à ce sujet est qu’ils sont intrinsèquement instables. |
| |
Ainsi, de petits changements dans les données peuvent entraîner de grands changements dans les prévisions et, bien entendu, un seul modèle prédictif peut être instable. Vous savez, vous vous retrouvez avec ces problèmes et c'est juste que, vous savez, |
| |
généralement assez dérangeant rien que à regarder, car ce n'est souvent pas ainsi que la cinétique se produit. |
| |
Nous avons donc besoin de stabilité et l’assemblage de plusieurs modèles, basés sur le bootstrapping à pondération fractionnaire, nous donne cela. |
| |
L'autre... l'autre aspect important, c'est la multicolinéarité qui est intrinsèquement présente dans ces... dans ces situations. Les mélanges sont des systèmes complexes. |
| |
Ils ne représentent 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 à merveille. Cette dynamique se manifeste 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 gérons cela maintenant... |
| |
en fait, cela remonte à quelques années mais |
| |
depuis que nous avons créé le complément SVEM, dont je vais parler juste un instant, nous l'avons exécuté à plusieurs reprises maintenant, depuis le début de cette 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 utilisant SVEM, ce n'est pas automatisé ni 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 mélange classiques et mais deux tiers à trois quarts du cours comportent du SVEM. |
| |
Et c'est disponible, le complément SVEM est disponible dans le cadre du cours. Ainsi, dans cette présentation, 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 moyens de réaliser |
| |
à la fois la formation et la validation, nous suggérons donc d'utiliser des conceptions de remplissage d'espace, en particulier pour les DOE à mélange, mais également plus généralement pour d'autres situations de DOE. Et nous avons décrit SVEM, qui est basé sur la validation automatique et le bootstrap fractionnaire. |
| |
Et nous avons expliqué comment SVEM permet une modélisation prédictive pour les 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. En voici donc quelques-uns ici et quelques autres, et l'une des choses que j'aime dans tout cela, c'est que |
| |
cela 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. |
