Altoparlante
|
Trascrizione
|
| Philip J. Ramsey |
Salve, sono Phil Ramsey dell'Università del New Hampshire e Predictum. E insieme ai miei co presentatori Wayne Levin di Predictum e Marie Gaudard, il |
| |
Professore emerito dell'Università del New Hampshire e di Predictum, presenteremo un discorso sui moderni design delle miscele. |
| |
E l'ordine del giorno del discorso è che parleremo di apprendimento automatico e progettazione di esperimenti, introdurremo brevemente cosa sono i progetti misti, |
| |
parlare di un nuovo metodo di apprendimento automatico per DOE chiamato auto-validazione, che è combinato con la modellazione di insieme per creare qualcosa che chiamiamo metodologia di modellazione di insieme auto-convalidante. |
| |
E poi parleremo di SVEM, che è la modellazione di insieme auto-convalida, e faremo una dimostrazione usando un esperimento misto e poi parleremo di |
| |
il metodo SVEM e i progetti di riempimento dello spazio. E Wayne Levin parlerà di un componente aggiuntivo che Predictum ha sviluppato per fare SVEM e farà anche la dimostrazione dell'esperimento dell'urea. |
| |
E ci tengo a precisare che recentemente, anzi solo quest'anno, ne abbiamo già avuti tre e che presto saranno per articoli pubblicati su riviste sul tema della |
| |
DOE e machine learning, quindi le persone hanno scoperto che i metodi di machine learning si applicavano tradizionalmente ai big data |
| |
può avere molta applicabilità al DOE, e siamo certamente d'accordo. E mostreremo come possono essere usati efficacemente con esperimenti di mistura. Ma uno dei limiti tradizionali nell'applicazione del cosiddetto machine learning |
| |
a set di dati più piccoli come il DOE è la convinzione che si debbano avere set di dati molto grandi. Questo in realtà non è del tutto vero. |
| |
E come vedrai, il metodo SVEM che è stato sviluppato da un certo numero di persone, inclusi me e il dottor Chris Gotwalt di JMP, |
| |
in realtà rendiamo abbastanza fattibile l'applicazione di questi metodi tradizionali dei big data ai dati molto più piccoli come troviamo con la progettazione degli esperimenti. |
| |
E anche l'apprendimento automatico è davvero tutto basato sulla previsione, quindi dividiamo la modellazione statistica in due approcci, uno è chiamato esplicativo, che è classico, si concentra sulla verifica delle ipotesi e sui valori e parametri P. |
| |
E questo di solito non porta a buoni modelli predittivi, ma l'apprendimento automatico si concentra interamente sulla previsione. |
| |
Quindi questo è il nostro punto di vista, ed è quello che useremo oggi e lo applicheremo agli esperimenti sulle miscele. Useremo l'apprendimento automatico |
| |
per previsione. Il nostro obiettivo non è la spiegazione e, come vedrai, saremo in grado di applicare questi metodi di apprendimento automatico predittivo alla progettazione di piccoli esperimenti |
| |
set di dati. Bene, tradizionalmente il modo in cui valutiamo i modelli predittivi consiste nell'utilizzare una parte dei dati per l'addestramento, quindi lo chiamiamo set di addestramento, un metodo molto comune. |
| |
E poi abbiamo un altro set che in qualche modo abbiamo trattenuto. Ci sono una serie di strategie. Parleremo solo di uno, chiamato hold back. |
| |
Lo mettiamo da parte, adattiamo il modello al training set e poi il hold back set, o validation set, ci permette di valutare la capacità di previsione. In altre parole, stiamo prevedendo dati che non vengono utilizzati per adattarsi al modello. |
| |
Tuttavia, questa strategia non funzionerà con la progettazione di esperimenti. Sono molto efficienti e incentrati sulle informazioni, |
| |
e in genere non ci sono risorse o budget sufficienti per sviluppare set di convalida. Raramente le persone possono eseguire esecuzioni aggiuntive che potrebbero essere utilizzate per la convalida. |
| |
Quindi, questo sembrerebbe essere un ostacolo all'utilizzo dell'apprendimento automatico per la modellazione predittiva ma, come mostreremo, questo metodo SVEM ci aggira questo vincolo. |
| |
E io, prima di entrare in SVEM, voglio darti rapidamente una discussione sui progetti di miscele. So che alcuni di voi li conoscono, altri no. |
| |
Questi sono un tipo speciale di disegno sperimentale. Non sono così comuni come dovrebbero essere, perché le persone non li conoscono, ma si riferiscono alla sperimentazione di una formulazione o ricetta, e i componenti di queste formulazioni possono essere letteralmente liquidi, gas o solidi. |
| |
E uno dei concetti importanti è che l'impatto sulle risposte dipende solo dalle proporzioni relative dei componenti. |
| |
Quindi siamo molto preoccupati per le proporzioni dei nostri componenti, come diresti tu, in una ricetta. Non ci concentriamo sugli importi. Se la quantità totale presente fosse importante, ciò porta a un altro tipo di esperimento chiamato quantità di miscela, che è al di fuori dell'ambito odierno. |
| |
Ma poiché questi sono componenti di una formulazione, ci sono dei vincoli su questi fattori. In altre parole, l'importo totale deve essere vincolato; a volte succede naturalmente. |
| |
Ma anche le proporzioni devono essere vincolate. Quindi in un esperimento misto, a differenza di un esperimento fattoriale, non puoi modificare indipendentemente i fattori. |
| |
Quindi nel DOE tradizionale con cui molte persone hanno familiarità, non ci sono vincoli sulle impostazioni congiunte dei fattori. In alcuni casi ci sono, ma in genere non ci sono. |
| |
Una miscela sperimenta invece, trattandosi di ingredienti di qualche formulazione, la quantità totale deve sommarsi all'1 o al 100%. Quindi, se avessi fattori Q, le impostazioni di quei fattori sperimentali Q per ogni prova devono sommarsi a 1. Per di più, |
| |
l'impostazione per ogni singolo componente deve essere compresa tra 0 e 1. Faccio notare anche, e non avremo tempo per discuterne oggi, |
| |
un'importante variante sui progetti di miscela è chiamata esperimenti di processo di miscela, in cui combiniamo fattori di miscela con fattori di processo. |
| |
Lo facciamo perché il comportamento delle miscele. Ad esempio, pensa a qualcosa come un adesivo in tre parti, il comportamento cambia drasticamente con le condizioni di lavorazione. Quindi potremmo considerare cose come la pressione e la temperatura per la polimerizzazione di un adesivo e l'ottimale |
| |
ricetta cambia tipicamente in funzione di quei fattori di processo. Questo è fuori portata per il discorso di oggi, ma è un aspetto importante delle miscele. |
| |
Quindi, storicamente, quando le persone analizzano le miscele e persino le creano... le creano, l'attenzione si concentra sugli obiettivi esplicativi, cioè, |
| |
verifica di ipotesi su parametri, valori di P e intervalli di confidenza. Tuttavia, dalle miscele in generale, questo è sempre stato problematico perché le miscele hanno intrinsecamente molto |
| |
multicolinearità o correlazione tra fattori ed effetti. Devono perché il totale... gli importi totali sono vincolati e devono sommare a 1, quindi non possono essere indipendenti per progettazione. Però, |
| |
non siamo d'accordo con questo focus tradizionale e con molta esperienza che abbiamo con gli esperimenti di mistura, l'obiettivo è invariabilmente, francamente, la previsione. |
| |
Non è una spiegazione. Stiamo cercando di prevedere le prestazioni di miscele o ricette ed è questo che interessa agli scienziati o agli ingegneri. |
| |
Quindi c'è stata una grande disconnessione tra ciò di cui gli scienziati hanno bisogno e il modo in cui abbiamo analizzato le miscele. Inoltre, molti dei design tradizionali sono quelli che chiameremmo design dei punti di confine. |
| |
Se hai familiarità con il termine D ottimale, tende ad essere molto D ottimale, cioè |
| |
la maggior parte dei punti sono assegnati intorno ai confini, abbiamo poche informazioni interne. Ci sono pochissimi punti, a volte nessuno |
| |
all'interno della regione del design. Perché questo è importante? Ebbene, i sistemi di miscelazione, specialmente nelle applicazioni chimiche e biologiche, |
| |
tendono ad essere molto complessi. Ci sono cinetiche molto complesse in corso e queste superfici di risposta hanno forme molto complicate. |
| |
E se non disponiamo di una buona quantità di informazioni sull'interno dell'area di progettazione, molto probabilmente non troveremo modelli che rappresentino realmente il comportamento del sistema. |
| |
E questo in realtà è accaduto abbastanza frequentemente nella storia dell'uso dei design misti. Inoltre, non avremo tempo per parlarne oggi, |
| |
un approccio classico all'analisi o alla modellazione in passato sono quelli che chiamo polinomi di Scheffe, |
| |
e questi sono un tipo di polinomio progettato per essere utilizzato con miscele. Ne esistono molte varianti, ma questi finti polinomi sono spesso, specialmente nelle loro forme classiche, inadeguati a modellare queste superfici di risposta. |
| |
Allora come affrontiamo il problema? Bene, crediamo che il modo in cui dobbiamo affrontare i progetti di miscele sia dal punto di vista dei progetti di riempimento dello spazio. |
| |
E perché i disegni che riempiono lo spazio? Anche in questo caso potrebbe essere un discorso da solo, ma questi sono progetti creati per coprire uno spazio di progettazione nel miglior modo possibile per un dato numero di punti di progettazione. |
| |
E il numero di punti di progettazione |
| |
sono un'opzione per l'utente. Questo può effettivamente permetterci di utilizzare design più piccoli, |
| |
design classici e coprivano la regione del design. Questo, di conseguenza, può darci modelli predittivi più accurati e utili. Abbiamo informazioni migliori su tutta la regione del design. |
| |
E nel nostro approccio alle miscele, tutto si basa sull'uso di progetti di riprese spaziali, e questa è una tendenza che abbiamo notato nell'industria negli ultimi anni. |
| |
Ora voglio cambiare marcia e parlare di... beh, dato che abbiamo creato la miscela, l'abbiamo eseguita, beh, come la analizziamo? |
| |
E ho menzionato prima, uno dei problemi con l'apprendimento automatico applicato al DOE è che non abbiamo davvero un set di convalida naturale. Beh, Gotwalt e Ramsey, cioè io e il dottor Chris Gotwalt, abbiamo proposto un metodo di convalida che abbiamo chiamato auto-convalida. e |
| |
il primo discorso su questo è stato effettivamente tenuto a una conferenza Discovery Europe alcuni anni fa. |
| |
E questo non sembrerà intuitivo, ma ascoltami. Possiamo usare i dati originali, l'esperimento originale per l'addestramento e per la convalida. In altre parole, prendiamo i dati originali e ne creiamo una copia o un clone, |
| |
e ci riferiamo a questo come set di convalida automatica. Quindi ogni osservazione nel set di addestramento ha un gemello nel set di convalida automatica stesso. |
| |
Ora di per sé, questo sembrerebbe assurdo. Poiché il set di auto-convalida ha le stesse osservazioni del set di addestramento, come fornisce una valutazione indipendente della capacità di previsione? Beh, non può da solo. |
| |
La chiave dell'idea di auto-convalida è che applichiamo uno schema di ponderazione alle osservazioni e lo schema si basa sulla generazione di pesi da una distribuzione gamma. |
| |
A proposito, la distribuzione gamma è comunemente usata per la ponderazione nelle applicazioni statistiche. I pesi gamma hanno un numero di...numero di proprietà interessanti di cui non parleremo oggi. |
| |
E quello che facciamo è generare una serie di pesi, ma lo facciamo in un modo speciale. Se un'osservazione nel training set ottiene un valore alto, un peso elevato, |
| |
l'osservazione nel set di auto-validazione, il gemello, assume un peso ridotto. Perché lo facciamo? Questo guida l'anti correlazione tra i due set di dati. |
| |
In altre parole, stiamo cercando di non correlare i set usando uno schema di ponderazione, e ora abbiamo una buona quantità di ricerche che sono state fatte su questo negli ultimi anni. Indica che questo approccio è molto efficace. |
| |
E a breve uscirà un documento in cui tutti questi risultati saranno resi disponibili. Quindi l'idea è di usare questo schema di ponderazione, quindi prendiamo il |
| |
training set, assegniamo i pesi gamma, abbiamo il set di auto-validazione e assegniamo i pesi corrispondenti a ciascuno dei gemelli, quindi se il training set ha un peso elevato, |
| |
il gemello nel set di auto-convalida ottiene un peso basso e questo guida questo comportamento anti-correlazione. E poi ripetiamo semplicemente questa strategia un numero di volte che deve essere specificato dall'utente. Quindi, nella prossima diapositiva, mostro un esempio di un semplice esperimento. Abbiamo tre fattori. Avviso |
| |
le corse 1-7 sono il training set, l'originale. Le esecuzioni 8-14 sono il clone o la copia. Nota che le osservazioni sono esattamente gli stessi valori per i due insiemi e poi nota la colonna chiamata |
| |
Pesi FWB accoppiati. Spiegherò FWB in un momento. |
| |
E nota se un'osservazione, come l'osservazione 1, ha un peso elevato, è gemella, l'osservazione 8, ha un peso basso. Quindi l'osservazione 8 è nel set di convalida. |
| |
Quindi questa idea di ponderazione frazionaria è importante, quindi l'analisi viene eseguita applicando i pesi frazionari alla risposta. Quindi ripetiamo questa strategia |
| |
un certo numero di volte (e il numero di volte dipenderà dall'utente e dallo scenario) e ogni volta adattiamo il modello. In altre parole, siamo fondamentalmente ciò che chiamiamo bootstrap ponderato in modo frazionario. |
| |
E cos'è il bootstrap ponderato in modo frazionario? È fondamentalmente una forma di bootstrap, noto anche come bootstrapping generalizzato, |
| |
in cui non eseguiamo il bootstrap delle osservazioni. Eseguiamo il bootstrap dei pesi applicati alle osservazioni. Questa è una metodologia ben nota e la stiamo applicando. |
| |
Ciò che è diverso è che lo applichiamo ripetutamente, come ho detto, potrebbe essere centinaia di volte, migliaia di volte, dipende davvero dall'utente. |
| |
Ogni volta che adattiamo un modello e poi alla fine, quello che facciamo è prendere una media o un insieme. E questi sono chiamati... ed è qui che otteniamo il termine |
| |
auto-convalida o auto-convalida è la modellazione di insieme di auto-convalida. Stiamo prendendo le medie |
| |
e la modellazione di insieme, tra l'altro, è molto comune nell'apprendimento automatico e nell'apprendimento profondo perché tende a portare a una modellazione predittiva più stabile e migliore. |
| |
Quindi, SVEM esegue il bootstrap ponderato in modo frazionario per generare una famiglia di modelli e quindi utilizza la media del modello per elaborare un modello predittivo finale. |
| |
Allora, come funziona il metodo? Bene, scegli un algoritmo per la tua modellazione predittiva. Nel nostro caso, ci concentreremo sulle reti neurali per |
| |
disegni misti, ma puoi scegliere altri metodi. SVEM è piuttosto agnostico su quale algoritmo viene utilizzato con esso ed è molto suscettibile di molti algoritmi. Quindi creiamo il set di addestramento e auto-convalida. Assegniamo i nostri pesi frazionari. |
| |
E poi adattiamo il modello, e poi lo avviamo un certo numero di volte, come definito dall'utente, e poi prendiamo una media. Ok, a questo punto lo passerò al mio collega, Wayne Levin, che darà una dimostrazione di SVEM e parlerò di un componente aggiuntivo per farlo. |
| Wayne |
Sto solo facendo il cambio qui |
| |
e condividi lo schermo. |
| |
E passerò solo a PowerPoint. |
| |
Grazie mille, Phil. Useremo questo esempio qui, questi dati sull'urea, quindi lo scopo dell'esperimento è ottimizzare una soluzione per un detergente. |
| |
E i tre componenti di questa miscela sono acqua, alcool e urea. E quindi queste sono queste tre colonne qui. E ci concentreremo solo su una risposta, che è la viscosità. L'obiettivo che stiamo cercando di raggiungere noi 100 ma, come possiamo vedere qui sotto, |
| |
vogliamo essere tra 95 e 105 in termini di viscosità. Quindi, con questo, passerò a JMP. |
| |
Ok, ecco i nostri dati sull'urea. L'ho appena aperto qui e nota che ci sono solo 15 corse, quindi sto solo andando al passaggio successivo. E il prossimo passo nel |
| |
Il processo consiste nel creare la tabella di convalida automatica, quindi quando clicco su di essa vedrai accadere un paio di cose. Innanzitutto, abbiamo un nuovo tavolo e abbiamo i primi 15 run, che è esattamente lo stesso di quello che avevamo qui. E poi per ogni run... quindi se mi concentro, ad esempio, su questa prima riga (52, 29, 19), |
| |
puoi vedere che è ripetuto qui sotto, quindi 52, 29, 19. |
| |
E allo stesso modo la seconda riga sarà 57, 23, 19. Ovviamente non ripeterò tutto questo, ma penso che tu abbia reso l'idea. Sta semplicemente ripetendo le combinazioni in questo... |
| |
nel secondo set quaggiù, e il primo set è l'addestramento...ciò che viene utilizzato per l'addestramento e quindi il secondo, come indicato qui, è ciò che otteniamo per la convalida. Ora nel mezzo c'è la colonna di ponderazione frazionaria accoppiata di cui parlava Phil. Così |
| |
tendiamo a vedere... quando tendiamo a vedere numeri alti quassù, otterremo numeri inferiori corrispondenti in basso e segue molto il... |
| |
beh, la distribuzione gamma di cui parlava quel Phil. Allora perché non lo mostro e basta. Sto solo andando a tracciare i pesi qui, solo una specie di |
| |
posizionalo sullo schermo. Quindi ogni volta che eseguiamo le iterazioni, otteniamo... aggiorniamo i pesi. Quindi dai un'occhiata ai pesi qui e guarda i |
| |
colonna qui, questa colonna proprio qui. Quindi ho intenzione di eseguirlo in modo che tu possa vedere. Quindi ad ogni iterazione, otteniamo un nuovo set di |
| |
coppie frazionarie... ponderate in modo frazionario in entrambi i set di addestramento e di convalida. Va bene. Quindi la prossima volta vado a |
| |
fare un modello adatto. Quindi farò, se vuoi, un'iterazione, potresti dire. |
| |
E così la viscosità è la risposta. Basta notare qui sotto che il ruolo della frequenza ha questo peso di bootstrap accoppiato frazionario... frazionalmente ponderato, quindi è così che viene preso in considerazione nella modellazione. Quindi ci siamo ed ecco, se vuoi, un'iterazione, |
| |
va bene, in base a questi pesi particolari. Bene, |
| |
se vogliamo avere un modello d'insieme, dobbiamo farlo ripetutamente. Quindi quello che farò ora è eseguirlo con nuovi pesi e, se lo volessi, |
| |
tieni d'occhio... devi tenere d'occhio una specie di tre posti diversi contemporaneamente, il che potrebbe essere un po' una sfida. Cercherò solo di posizionare queste cose, va bene. |
| |
Quindi ciò che accadrà è che, mentre clicco qui esegui con nuovi pesi, vedrai i pesi qui cambiare, verrà creato un modello e il modello predittivo verrà salvato |
| |
qui su. Ne farò uno qui. Proviamo. Bang, quindi ha cambiato il modo in cui è stato prodotto il modello. |
| |
Salva il modello qui. Viene aggiunta anche questa colonna; questo è l'insieme di cui parlava Phil, questa è la media. Ovviamente ho fatto solo un'iterazione quindi la media è solo |
| |
lo stesso. Quindi farò un'altra iterazione qui e otteniamo un nuovo set di pesi, un nuovo modello e un nuovo modello è stato salvato, e ora il modello di insieme qui è la media di questi due |
| |
quaggiù. Quindi lo farò, oh non lo so, un altro paio di volte. Non è difficile da fare, e possiamo vedere queste cose |
| |
cambiare mentre andiamo avanti. Quindi ora ne ho sei, quindi perché non diamo una rapida occhiata a questi sei? |
| |
modelli...modelli individuali, così come il modello medio, l'ensemble, e questo è mostrato qui nel profiler. E questo questo mostra piuttosto l'instabilità che |
| |
Phil stava alludendo prima, perché se, se lo facessi solo una volta... ora so che c'è la ponderazione frazionaria che sta succedendo qui, ma come ha detto Phil, sai, un movimento di qualsiasi punto posso davvero |
| |
disturba il modello, se vuoi, e ti ritroverai con caratteristiche che non sono proprio... |
| |
forse non ci appartengono davvero. Sono solo artefatti di particolari punti progettuali. Ma dai un'occhiata qui, puoi vedere come |
| |
ognuno di questi singoli modelli sembra... beh, qui hanno alcune caratteristiche diverse. ma sotto, il modello medio è in un certo senso... beh, è la media di tutti i modelli sopra. |
| |
E puoi più o meno vedere che quel grosso nodo qui viene in qualche modo appianato. Ne vedi un po' quaggiù. |
| |
Ora questo è solo con sei iterazioni e con il componente aggiuntivo, consigliamo di eseguire effettivamente 50 iterazioni. |
| |
Ma quello che farò anche io, diamo un'occhiata all'effettivo rispetto al previsto. Ora questo è uscito carino... |
| |
abbastanza coerente. Le linee sono tutte praticamente una pendenza di uno comunque. Spesso quando lo facciamo, vediamo più variazioni in tutto questo, ma ciò che noterai nel |
| |
modello medio, è un po' difficile da vedere qui in questo particolare esempio, ma è una linea continua, che sostanzialmente passa attraverso la massa delle altre linee lì. Quindi li sposterò da parte e quello che farò dopo è |
| |
Ho intenzione di fare un sacco di corse qui. Penso che lo faremo in questa dimostrazione, farà 25 iterazioni. Puoi vedere il cambio di modello, puoi vedere i pesi |
| |
cambiando qui. Non sta aggiungendo nulla di nuovo qui. Quindi stiamo solo attraversando. Bang, è fatta e ora diamo un'occhiata al rapporto. Quindi ho intenzione di aprirlo. |
| |
Inizialmente finiamo con un effettivo contro previsto qui e una trama residua. Potrebbe essere bello guardare qui il |
| |
profilatore. |
| |
E io amo il profiler. È |
| |
molto appropriato per gli impasti, perché si vede, come ho cambiato l'acqua, come l'ho aumentata, gli altri due scendono. Quello è il |
| |
natura intrinseca delle miscele, ovviamente, tutte devono contenere o sommare fino a 1. Ok, quindi questo è, se vuoi, il modello medio. |
| |
Il modello completo delle 25 vestibilità che hanno avuto luogo qui, va bene. Quindi, se posso, lo farò |
| |
ora basta dare una rapida occhiata al profiler della miscela. |
| |
Otteniamo questo sguardo qui. |
| |
In realtà, se posso permettermi, quello che puoi vedere da questo è... |
| |
notare i punti. Vedete come i punti si adattano molto bene? Questa è la natura del design che riempie lo spazio e noterai anche che questo design ha effettivamente dei vincoli. |
| |
Quindi non stiamo coprendo in alcun modo l'intero spazio dell'acqua 0-1 o dell'urea 0-1 e così via, quindi abbiamo questi vincoli qui. |
| |
E quello che farò ora è solo aggiungere i limiti, così posso visualizzare... visualizzare che 95 a 105. Quindi questo mi mostra nello spazio bianco qui proprio dove posso... |
| |
quali combinazioni, se vuoi, soddisfano quelle quelle condizioni ... le specifiche limitano qui. |
| |
Ok, quindi questa è la dimostrazione di |
| |
del metodo SVEM, la metodologia, se si vuole, e |
| |
Potrei... Mi limiterò a. |
| |
Quindi SVEM e design di riempimento dello spazio. Quindi, ancora una volta, una delle grandi motivazioni a riguardo è che sono intrinsecamente instabili. |
| |
Quindi piccoli cambiamenti nei dati possono portare a grandi cambiamenti nelle previsioni e un singolo modello predittivo, ovviamente, può essere instabile di conseguenza. Sai, finisci con quei nodi e questo solo, sai, |
| |
di solito abbastanza inquietante solo da guardare perché spesso non è così che avviene la cinetica. |
| |
Quindi abbiamo bisogno di stabilità e l'assemblaggio di più modelli, basati sul bootstrap con ponderazione frazionata che ce lo danno. |
| |
L'altro... l'altro grande aspetto di questo è la multicollinearità che è intrinsecamente presente in queste... in queste situazioni. Le miscele sono sistemi complessi. |
| |
Non sono la somma del comportamento dei componenti. Sono davvero il prodotto delle interazioni, ed è per questo che, ancora una volta, amo i profiler perché raffigurano |
| |
quelle interazioni meravigliosamente. Quelle dinamiche si presentano davvero bene. Quindi, poiché abbiamo tutta questa multicolinearità, in un certo senso la mitiga e fornisce modelli predittivi stabili e più accurati. Abbiamo eseguito questo ora... |
| |
in realtà risale a qualche anno fa ma |
| |
da quando abbiamo creato l'add-in SVEM, di cui parlerò solo un momento, l'abbiamo eseguito numerose volte, dall'inizio di quest'anno e ha fatto un ottimo lavoro. |
| |
I nostri clienti ne sono molto soddisfatti. Quindi, come ho detto, il modello di media utilizzando SVEM, non è automatizzato e JMP standard o JMP Pro, ma abbiamo un componente aggiuntivo e se visiti il nostro sito Web all'indirizzo Predictum.com, puoi saperne di più e come capirlo. |
| |
Quindi sì, c'è una pagina particolare su SVEM. Abbiamo anche un moderno corso di design misto e puoi vedere che è con Marie, Phil e me. |
| |
E questo, puoi vederlo nella pagina di formazione sul sito Predictum. Copriamo una sezione sui progetti di miscele classiche e ma da due terzi a tre quarti del corso include SVEM. |
| |
E questo è disponibile, il componente aggiuntivo SVEM è disponibile come parte del corso. Quindi in questo discorso abbiamo visto come costruire un modello predittivo dai dati sia... |
| |
i dati sono limitati dalla fattibilità di condurre prove di convalida per controllare il sovradattamento. Sai, in un esperimento di design classico, semplicemente non abbiamo le piste da fare |
| |
sia la formazione che la convalida, quindi suggeriamo di utilizzare progetti di riempimento dello spazio, in particolare per DOE misti, ma in realtà più in generale anche per altre situazioni DOE. E abbiamo descritto SVEM, che si basa sulla convalida automatica e sul bootstrap ponderato in modo frazionario. |
| |
E abbiamo discusso di come SVEM consente la modellazione predittiva per i dati DOE senza, ancora una volta, un set separato di esecuzioni di convalida. |
| |
E abbiamo dimostrato SVEM utilizzando i dati dell'esperimento dell'urea. |
| |
E voglio che tu sappia che se scarichi le diapositive, troverai un sacco di riferimenti. Quindi eccone alcuni qui e alcuni altri, e una delle cose che amo di questo è che |
| |
in realtà arriva fino al 1996. Quindi questo è qualcosa che si sta preparando da un po' di tempo, e vi incoraggio a dare un'occhiata a questi riferimenti. |
| |
E con questo risponderemo alle domande. |
