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 progetti di miscele. |
| |
E l'ordine del giorno della conferenza parlerà di machine learning e progettazione di esperimenti, presenteremo brevemente cosa sono i progetti misti, |
| |
parliamo di un nuovo metodo di apprendimento automatico per DOE chiamato auto-validazione, che è combinato con la modellazione d'insieme per creare qualcosa che chiamiamo metodologia di modellazione d'insieme auto-validante. |
| |
E poi parleremo di SVEM, che è una modellazione d'insieme auto-validante, e faremo una dimostrazione usando un esperimento di miscela e poi parleremo di |
| |
il metodo SVEM e le progettazioni spaziali. E Wayne Levin parlerà di un componente aggiuntivo che Predictum ha sviluppato per fare SVEM e farà anche la dimostrazione dell'esperimento sull'urea. |
| |
E voglio sottolineare che recentemente, anzi solo quest'anno, ne abbiamo già avuti tre e presto lo 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 applicano tradizionalmente ai big data |
| |
potrebbe avere molta applicabilità al DOE e siamo certamente d'accordo. E mostreremo come possono essere utilizzati efficacemente con esperimenti sulle miscele. Ma uno dei limiti tradizionali nell’applicazione del cosiddetto machine learning |
| |
a set di dati più piccoli come DOE è la convinzione che si dovessero avere set di dati molto grandi. In realtà questo non è del tutto vero. |
| |
E come vedrete, il metodo SVEM che è stato sviluppato da un certo numero di persone, tra cui me e il dottor Chris Gotwalt di JMP, |
| |
in realtà rendiamo abbastanza fattibile l'applicazione di questi metodi tradizionali per i big data a dati molto più piccoli come quelli che troviamo con la progettazione degli esperimenti. |
| |
E anche l'apprendimento automatico è in realtà incentrato sulla previsione, quindi dividiamo la modellazione statistica in due approcci, uno è chiamato esplicativo, che è classico, si concentra sulla verifica delle ipotesi, sui valori e sui parametri P. |
| |
E questo di solito non porta a buoni modelli predittivi, ma l’apprendimento automatico si concentra interamente sulla previsione. |
| |
Questo è il nostro punto di vista, ed è quello che useremo oggi e lo applicheremo agli esperimenti sulle miscele. Utilizzeremo l'apprendimento automatico |
| |
per la previsione. Il nostro focus non è sulla spiegazione e, come vedrai, saremo in grado di applicare questi metodi predittivi di apprendimento automatico alla piccola progettazione di esperimenti |
| |
set di dati. Bene, tradizionalmente il modo in cui valutiamo i modelli predittivi prevede che una parte dei dati venga utilizzata per l'addestramento, quindi lo chiamiamo training set, un metodo molto comune. |
| |
E poi abbiamo un altro set che in qualche modo abbiamo trattenuto. Esistono numerose strategie. Ne 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 verranno utilizzati per adattarsi al modello. |
| |
Tuttavia, questa strategia non funzionerà con la progettazione degli 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 consente di aggirare questo vincolo. |
| |
E prima di entrare in SVEM, voglio darvi rapidamente una discussione sui progetti di miscele. So che alcuni di voi li conoscono, altri no. |
| |
Si tratta di un tipo speciale di progettazione 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 si farebbe, ad esempio, in una ricetta. Non ci concentriamo sugli importi. Se la quantità totale presente fosse importante, ciò porterebbe a un altro tipo di esperimento chiamato quantità di miscela, che esula dall'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 limitato; a volte ciò accade naturalmente. |
| |
Ma anche le proporzioni devono essere limitate. Quindi in un esperimento misto, a differenza di un esperimento fattoriale, non è possibile modificare i fattori in modo indipendente. |
| |
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, d'altra parte, poiché sono ingredienti di qualche formulazione, la quantità totale deve sommarsi all'1 o al 100%. Quindi, se avessi dei fattori Q, la somma delle impostazioni di quei fattori sperimentali Q per ogni prova dovrebbe essere 1. Inoltre, |
| |
l'impostazione per ogni singolo componente deve essere compresa tra 0 e 1. Vorrei inoltre sottolineare, e non avremo tempo di discuterne oggi, |
| |
un'importante variante alla progettazione delle miscele è chiamata esperimenti di processo di miscela, in cui combiniamo fattori di miscela con fattori di processo. |
| |
Lo facciamo a causa del comportamento delle miscele. Ad esempio, pensando 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 polimerizzare un adesivo e quella ottimale |
| |
la ricetta tipicamente cambia in funzione di questi fattori di processo. Questo non rientra nell'ambito del discorso di oggi, ma è un aspetto importante delle miscele. |
| |
Quindi, storicamente, quando le persone analizzano le miscele e addirittura le creano... le creano, l'attenzione si concentra su obiettivi esplicativi, cioè, |
| |
test di ipotesi su parametri, valori P e intervalli di confidenza. Tuttavia, per le miscele in generale, questo è sempre stato problematico perché le miscele ne hanno intrinsecamente molti |
| |
multicolinearità o correlazione tra fattori ed effetti. Devono farlo perché il totale... gli importi totali sono vincolati e devono sommarsi a 1, quindi non possono essere indipendenti in base alla progettazione. Tuttavia, |
| |
non siamo d'accordo con questo focus tradizionale e con molta esperienza che abbiamo con esperimenti sulle miscele, l'obiettivo è invariabilmente, francamente, la previsione. |
| |
Non è una spiegazione. Stiamo cercando di prevedere le prestazioni di miscele o ricette ed è ciò che interessa agli scienziati o agli ingegneri. |
| |
Quindi c'è stata una grande discrepanza tra ciò di cui gli scienziati hanno bisogno e il modo in cui abbiamo analizzato le miscele. Inoltre, molti dei progetti tradizionali sono quelli che chiameremmo progetti di punti di confine. |
| |
Se hai familiarità con il termine D ottimale, tendono ad essere molto D ottimali, cioè |
| |
la maggior parte dei punti sono assegnati attorno ai confini, abbiamo poche informazioni sull'interno. Ci sono pochissimi punti, a volte nessuno |
| |
all’interno della regione del design. Perché questo è importante? Ebbene, i sistemi di miscela, soprattutto nelle applicazioni chimiche e biologiche, |
| |
tendono ad essere molto complessi. È in corso una cinetica molto complessa e queste superfici di risposta hanno forme molto complicate. |
| |
E se non disponiamo di molte informazioni sull'interno della regione di progettazione, molto probabilmente non riusciremo a elaborare modelli che rappresentino realmente il comportamento del sistema. |
| |
E questo in realtà è accaduto abbastanza frequentemente nella storia dell’uso dei disegni misti. Inoltre, ancora una volta, non avremo tempo di 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 le miscele. Ne esistono molte varianti, ma questi finti polinomi sono spesso, soprattutto 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 progetti per riempire lo spazio? Ancora una volta questo potrebbe essere un discorso a parte, 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 progetti più piccoli, |
| |
design classici e coprivano la regione del design. Questo, di conseguenza, può fornirci modelli predittivi più accurati e utili. Disponiamo di informazioni migliori sull’intera 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 come ho detto prima, uno dei problemi con l'apprendimento automatico applicato al DOE è che non abbiamo un set di validazione naturale. Bene, Gotwalt e Ramsey, ovvero io e il dottor Chris Gotwalt, in realtà abbiamo proposto un metodo di convalida che abbiamo chiamato auto-convalida. E |
| |
il primo discorso su questo argomento fu tenuto in realtà ad una conferenza di Discovery Europe alcuni anni fa. |
| |
E questo non sembrerà intuitivo, ma ascoltami. Possiamo utilizzare 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 lo chiamiamo set di convalida automatica. Quindi ogni osservazione nel set di training ha un gemello nel set di validazione automatica stesso. |
| |
Di per sé, questo sembrerebbe privo di senso. Poiché il set di auto-validazione ha le stesse osservazioni del set di addestramento, come può fornire una valutazione indipendente della capacità di previsione? Beh, non può farlo da solo. |
| |
La chiave dell'idea di auto-validazione 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 viene comunemente utilizzata per la ponderazione nelle applicazioni statistiche. I pesi gamma hanno un certo numero di... ancora una volta numerose 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 assume un valore elevato, un peso elevato, |
| |
l'osservazione nel set di auto-validazione, il gemello, ottiene un peso basso. Perché lo facciamo? Ciò determina l'anticorrelazione tra i due set di dati. |
| |
In altre parole, stiamo cercando di non correlare gli insiemi utilizzando uno schema di ponderazione e negli ultimi anni abbiamo effettuato molte ricerche su questo argomento. Ciò 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 utilizzare questo schema di ponderazione, quindi prendiamo il |
| |
set di addestramento, assegniamo i pesi gamma, abbiamo il set di convalida automatica e assegniamo i pesi corrispondenti a ciascuno dei gemelli, quindi se il set di addestramento ha un peso elevato, |
| |
il gemello nel set di convalida automatica ottiene un peso basso e questo determina questo comportamento di anticorrelazione. E poi ripetiamo semplicemente questa strategia un numero di volte specificato dall'utente. Nella diapositiva successiva mostrerò un esempio di un semplice esperimento. Abbiamo tre fattori. Avviso |
| |
le corse 1-7 sono il set di allenamento, l'originale. Le corse 8-14 sono il clone o la copia. Nota che le osservazioni hanno esattamente gli stessi valori per i due insiemi e poi nota la colonna chiamata |
| |
Pesi FWB accoppiati. Spiegherò FWB tra un attimo. |
| |
E nota che se un'osservazione, come l'osservazione 1, ottiene un peso elevato, la sua gemella, l'osservazione 8, ottiene un peso basso. Quindi l'osservazione 8 è nell'insieme di validazione. |
| |
Quindi questa idea di ponderazione frazionaria è importante, quindi l'analisi viene eseguita applicando i pesi frazionari alla risposta. Ripetiamo quindi 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 con ponderazione frazionaria. |
| |
E cos'è il bootstrap con ponderazione frazionaria? È fondamentalmente una forma di bootstrap, noto anche come bootstrap 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. |
| |
La differenza è che lo applichiamo ripetutamente, come ho detto, potrebbe essere centinaia, migliaia di volte, dipende davvero dall'utente. |
| |
Ogni volta che adattiamo un modello e alla fine, ciò che facciamo è prendere una media o un insieme. E questi sono chiamati...ed è da qui che prendiamo il termine |
| |
l'autoconvalida o l'autoconvalida è la modellazione dell'insieme di autoconvalida. Stiamo facendo le medie |
| |
e la modellazione d'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. |
| |
Pertanto, SVEM esegue il bootstrap con ponderazione frazionaria 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 il tuo modello predittivo. Nel nostro caso, ci concentreremo sulle reti neurali per |
| |
disegni di miscele, ma puoi scegliere altri metodi. SVEM è piuttosto agnostico riguardo all'algoritmo da utilizzare ed è molto suscettibile a molti algoritmi. Quindi creiamo il set di addestramento e convalida automatica. Assegniamo i nostri pesi frazionari. |
| |
Quindi adattiamo il modello, quindi lo eseguiamo il bootstrap un certo numero di volte, come definito dall'utente, e poi prendiamo una media. Ok, a questo punto lo consegnerò al mio collega, Wayne Levin, che darà una dimostrazione di SVEM e parlerà di un componente aggiuntivo per farlo. |
| Wayne |
Sto solo facendo il cambio qui |
| |
e condividi lo schermo. |
| |
E passerò semplicemente a PowerPoint. |
| |
Grazie mille, Phil. Useremo questo esempio qui, questi dati sull'urea, quindi lo scopo dell'esperimento è ottimizzare una soluzione per un agente detergente. |
| |
E i tre componenti di questa miscela sono acqua, alcool e urea. E quindi quelle sono queste tre colonne qui. E ci concentreremo solo su una risposta, che è la viscosità. L'obiettivo che stiamo cercando di raggiungere è 100 ma, come possiamo vedere qui sotto, |
| |
vogliamo essere tra 95 e 105 in termini di viscosità. Detto questo, passerò a JMP. |
| |
Ok, ecco i nostri dati sull'urea. L'ho appena aperto qui e nota che ci sono solo 15 esecuzioni, quindi vado al passaggio successivo. E il passo successivo nel |
| |
Il processo consiste nel creare la tabella di convalida automatica, quindi quando faccio clic su di essa vedrai accadere un paio di cose. Innanzitutto, abbiamo una nuova tabella e abbiamo le prime 15 esecuzioni, che sono esattamente le stesse di quelle che avevamo qui. E poi per ciascuna serie... 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 ho intenzione di ripeterli tutti, ma penso che tu abbia capito l'idea. Si tratta semplicemente di ripetere le combinazioni in questo... |
| |
nel secondo set qui sotto, e il primo set è l'addestramento... ciò che viene utilizzato per l'addestramento e poi 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 qui, otterremo numeri inferiori corrispondenti in basso e seguono molto... |
| |
beh, la distribuzione gamma di cui parlava quel Phil. Allora perché non lo mostro e basta. Traccerò semplicemente i pesi qui, in un certo senso |
| |
posizionarlo sullo schermo. Quindi ogni volta che eseguiamo le iterazioni, otteniamo... aggiorniamo i pesi. Quindi dai un'occhiata ai pesi qui e guarda semplicemente |
| |
colonna qui, questa colonna proprio qui. Quindi lo eseguirò così puoi vederlo. Quindi ad ogni iterazione otteniamo un nuovo set di file |
| |
frazionario...coppie ponderate in modo frazionario nei set di addestramento e convalida. Va bene. Quindi la prossima volta lo farò |
| |
fare un modello adatto. Quindi farò, se vuoi, un'iterazione, potresti dire. |
| |
E quindi la viscosità è la risposta. Basta notare qui che il ruolo della frequenza ha questo peso di bootstrap frazionario... ponderato in modo frazionario, quindi è così che viene preso in considerazione nella modellazione. Quindi eccoci qua ed ecco, se vuoi, un'iterazione, |
| |
ok, in base a questi pesi particolari. BENE, |
| |
se vogliamo avere un modello d'insieme, dobbiamo farlo ripetutamente. Quindi quello che farò ora è correre con nuovi pesi e, se vuoi, |
| |
tieni d'occhio... devi tenere d'occhio tre posti diversi contemporaneamente, il che potrebbe essere un po' una sfida. Cercherò solo di posizionare queste cose, va bene. |
| |
Quindi quello che succederà è che, quando faccio clic qui per eseguire con nuovi pesi, vedrai i pesi qui cambiare, verrà creato un modello e il modello predittivo verrà salvato |
| |
qui su. Ne farò uno qui. Facciamo un tentativo. 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 giusta |
| |
lo stesso. Quindi farò semplicemente un'altra iterazione qui e otterremo una nuova serie di pesi, un nuovo modello e un nuovo modello è stato salvato, e ora il modello d'insieme qui è la media di questi due |
| |
qui. Quindi lo farò, oh, non lo so, ancora qualche volta. Non è difficile da fare e possiamo vedere queste cose |
| |
cambiare mentre andiamo avanti. Quindi adesso ne ho sei, quindi perché non diamo una rapida occhiata a questi sei |
| |
modelli... modelli individuali, così come il modello medio, l'insieme, e questo viene mostrato qui nel profiler. E questo dimostra piuttosto l'instabilità che c'è |
| |
Phil alludeva prima, perché se, se lo facessi solo una volta... ora so che qui c'è la ponderazione frazionaria, ma come ha detto Phil, sai, un movimento di qualsiasi punto posso davvero |
| |
disturba il modello, se vuoi, e ti ritroverai con caratteristiche che in realtà non... |
| |
forse non appartengono davvero a quel posto. Sono solo artefatti di particolari punti di progettazione. Ma dai un'occhiata qui, puoi vedere come |
| |
ciascuno di questi singoli modelli sembra... beh, hanno alcune caratteristiche diverse qui. ma in basso, il modello medio è in un certo senso... beh, è la media di tutti i modelli sopra. |
| |
E puoi più o meno vederlo, quel grosso problema qui viene in un certo senso 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 al reale rispetto al previsto. Ora questo è venuto carino... |
| |
abbastanza coerente. Le linee sono comunque tutte praticamente una pendenza di uno. Spesso quando lo facciamo, vediamo più variazioni in questo, ma ciò che noterai in |
| |
modello medio, è un po' difficile da vedere qui in questo particolare esempio, ma è una linea continua, che sostanzialmente attraversa la massa delle altre linee lì. Quindi li sposterò da parte e quello che farò dopo è |
| |
In realtà farò un sacco di corse qui. Penso che in questa dimostrazione faremo 25 iterazioni. Puoi vedere il cambiamento del modello, puoi vedere i pesi |
| |
cambiando qui. Non aggiunge nulla di nuovo qui. Quindi stiamo solo andando avanti. Bang, è fatto e ora daremo un'occhiata al rapporto. Quindi lo aprirò e basta. |
| |
Inizialmente ci ritroveremo con una situazione reale rispetto a quella prevista qui e con una trama residua. Potrebbe essere carino dare un'occhiata qui |
| |
profilatore. |
| |
E adoro il profiler. Suo |
| |
molto adatto per le miscele, perché puoi vedere, man mano che cambiavo l'acqua, man mano che la aumentavo, le altre 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 dell'insieme attraverso i 25 attacchi che hanno avuto luogo qui, va bene. Quindi, se posso, lo farò |
| |
ora basta dare una rapida occhiata al profiler della miscela. |
| |
Abbiamo questo sguardo qui. |
| |
In realtà, se posso, quello che puoi vedere da questo è... |
| |
notare i punti. Vedete come i punti si incastrano molto bene? Questa è la natura del progetto che riempie lo spazio e noterai anche che questo progetto in realtà presenta dei vincoli. |
| |
Quindi non copriamo in alcun modo l'intero spazio dell'acqua 0-1 o dell'urea 0-1 e così via, quindi abbiamo questi vincoli quassù. |
| |
E quello che farò ora è semplicemente introdurre dei limiti, solo così posso visualizzare... visualizzare quel 95 a 105. Quindi questo mi mostra nello spazio bianco qui proprio dove posso... |
| |
quali combinazioni, se vuoi, soddisfano quelle quelle quelle condizioni... i limiti delle specifiche quassù. |
| |
Ok, questa è la dimostrazione di |
| |
del metodo SVEM, la metodologia, se vuoi, e |
| |
Potrei... Mi limiterò a. |
| |
Quindi SVEM e progettazione del 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 di conseguenza un singolo modello predittivo può essere instabile. Sai, alla fine ti ritrovi con quei problemi e questo, sai, |
| |
di solito abbastanza inquietante solo da guardare perché spesso non è proprio così che avviene la cinetica. |
| |
Quindi abbiamo bisogno di stabilità e l’insieme di più modelli, basati sul bootstrap ponderato frazionario, ci dà questo. |
| |
L'altro... l'altro aspetto importante di tutto ciò è la multicolinearità 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, adoro il profiler perché rappresentano |
| |
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. Lo stiamo eseguendo adesso... |
| |
in realtà risale a qualche anno fa ma |
| |
da quando abbiamo creato il componente aggiuntivo SVEM, di cui parlerò solo un momento, lo abbiamo eseguito numerose volte fin dall'inizio di quest'anno e ha fatto davvero un ottimo lavoro. |
| |
I nostri clienti ne sono molto soddisfatti. Quindi, come ho detto, la media del modello utilizzando SVEM, non è automatizzata e non è standard JMP o JMP Pro, ma abbiamo un componente aggiuntivo e se visiti il nostro sito Web su Predictum.com, puoi saperne di più su di esso e su come capirlo. |
| |
Quindi sì, c'è una pagina particolare su SVEM. Abbiamo anche un corso di progettazione di miscele moderne e puoi vedere che è tenuto da me, Marie e Phil. |
| |
E questo puoi vederlo nella pagina di formazione sul sito Predictum. Copriremo una sezione sui classici progetti di miscele e solo due terzi o tre quarti del corso presenteranno 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 partendo dai dati sia... |
| |
i dati sono limitati dalla fattibilità di condurre prove di validazione per controllare il sovradattamento. Sapete, in un esperimento di design classico, semplicemente non abbiamo le prove 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 con ponderazione frazionaria. |
| |
E abbiamo discusso di come SVEM consenta la modellazione predittiva per i dati DOE senza, ancora una volta, una serie separata di esecuzioni di convalida. |
| |
E abbiamo dimostrato SVEM utilizzando i dati dell'esperimento sull'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 questo |
| |
in realtà risale al 1996. Quindi questo è qualcosa che sta maturando da un po' di tempo e ti incoraggio a dare un'occhiata a questi riferimenti. |
| |
E con questo risponderemo alle domande. |
