Lautsprecher | Transkript |
| Jordan Hiller | ausgehen. |
| Phil Kay | Okay, gut, danke, dass Sie sich uns angeschlossen haben. Ich bin Phil Kay. Ich bin der Learning Manager bei JMP und werde diese Präsentation mit einem interaktiven Beispiel für SVEM beginnen, bei dem es sich um eine selbst-validierte Ensemble-Modellierung handelt. |
| Ich werde darauf eingehen, was SVEM ist und wie es funktioniert, und dann werden Pete und Trent Beispiele teilen, |
| Fallstudien und Simulationen, die wirklich erklären, warum Sie dies tun möchten. Ich werde das nur auf a präsentieren |
| sehr einfache Fallstudie, daher scheint es zunächst nicht warum ... es scheint nicht klar zu sein, warum Sie dies tun möchten, aber hoffentlich werden Sie den Mechanismus verstehen, nachdem ich dies erklärt habe. |
| Okay, also werde ich mein Video jetzt stoppen und mich auf die Software-Demonstration hier konzentrieren. |
| Wir haben hier ein JMP-Journal, das wir mit Ihnen teilen, damit Sie über den Beitrag in der JMP-Community unter Community.JMP.com darauf zugreifen können. |
| Und das Beispiel, das wir verwenden werden, ist ein klassisches DOE-Beispiel. Dies sind die Bounce-Daten, die Sie den Hilfedateien in JMP entnehmen können. |
| Es sind also drei Faktoren, 15 Läufe. Es ist ein Box-Behnken-Design und wir haben eine Antwort, die Stretch ist, also wirklich ganz unkompliziert, Standard, |
| Ttadditional altmodische DOE. |
| Und es gibt keine wirkliche Herausforderung bei der Modellierung dieser Daten, und wir sehen, wenn wir ein Antwortflächenmodell anpassen, dass sich dieses krummlinige Verhalten, diese quadratischen Effekte und auch die Wechselwirkungen zwischen Faktoren als wichtig erweisen. |
| Sehen wir uns also an, wie wir dies mit dem SVEM-Ansatz modellieren können. |
| Wenn wir dies also mit SVEM modellieren, werden Sie als erstes feststellen, dass wir 30 Datenzeilen haben, also haben wir tatsächlich jede Datenzeile dupliziert, was ein bisschen verrückt erscheinen mag. Es mag wie Betrug erscheinen. Dies ist ein Schlüsseltrick in der SVEM-Methodik. |
| Sie werden sehen, dass wir hier einige zusätzliche Spalten haben, und die wichtigste ist diese Validierungsgewichtung. Also lassen Sie uns das einfach darstellen, damit Sie sehen können, was es bedeutet. |
| Sie können also sehen, dass wir für jede unserer Datenzeilen, jeden unserer Läufe tatsächlich Paare von Läufen haben, also Lauf Nummer eins, können Sie hier sehen. |
| Tatsächlich gewichten wir jeden dieser Läufe entweder in den Trainingssatz, der null ist, oder in den Validierungssatz, der eins ist. Und das sieht man bei jedem Paar |
| diese Gewichtungen sind umgekehrt proportional. Beispiel: Lauf Nummer sieben hier, Sie können sehen, dass dies im Training eine hohe Gewichtung hat, der Validierungssatz null und dementsprechend im Validierungssatz eine niedrige Gewichtung hat. |
| Nun wurden diese zufällig zugewiesen und wir können... |
| Wenn Sie hier klicken, können wir diese neu zeichnen, damit wir die Gewichte neu zuweisen können. Und wiederum, wenn eine Zeile im Trainingssatz ein hohes Gewicht hat, also zum Beispiel hier Zeile Nummer sechs im Trainingssatz ein hohes Gewicht hat, wird sie im Validierungssatz eine entsprechend niedrige Gewichtung haben. |
| Also verdoppeln wir hier unsere Datenzeilen. |
| Und wir werden dies zur Selbstvalidierung verwenden. Was wir also tatsächlich tun können, ist eine Variante der Rückhaltevalidierung, bei der |
| Anstatt eine Datenzeile vollständig im Validierungssatz zurückzuhalten, werden wir Teile jeder Datenzeile zurückhalten, sodass sich jede Zeile tatsächlich innerhalb des Trainingssatzes und des Validierungssatzes befinden kann. wir können diese Gewichte neu zuweisen |
| wiederholt, was bei der Ensemble-Modellierung der Fall ist. |
| Okay, um es zusammenzufassen, wir haben im Grunde jede Datenzeile verdoppelt und diesen Gewichtungen zugewiesen, so dass einige Zeilen mehr im Training und andere mehr im Training enthalten sein werden Validierung eingestellt. |
| Jetzt können wir ein Modell mit Validierung anpassen. |
| Wir verwenden hier also GenReg, und Sie können sehen, dass wir ein Validierungsset verwenden (und die Fehlermeldung dort einfach ignorieren). |
| Wir verwenden Lasso und wir verwenden die Validierung als Modellauswahl. Und in diesem Fall sind keine aktiven Effekte im Modell ausgewählt. Es ist also an ein Antwortflächenmodell angepasst und wir haben die Validierung als Auswahlmethode mit dem Lasso verwendet, |
| Und wir haben festgestellt, dass keine Effekte tatsächlich aktiv sind, also haben wir ein Modell ohne aktive Auswirkungen. |
| Was wir dann tun können, ist, diese Gewichtungen erneut zu zeichnen, damit wir unsere Spalten neu gewichten können. |
| Und wir können sehen, diesmal bekommen wir ein anderes Modell. Tatsächlich werden nun einige der Effekte aktiv, also ist Kieselsäure in dieser Wechselwirkung zwischen Kieselsäure und Schwefel aktiv. |
| Speichern wir dieses Modell. |
| Also jetzt mit unserem |
| Datentabelle können Sie sehen, dass wir dort eine gespeicherte Modellformelspalte haben. |
| Lassen Sie uns diese Gewichte noch einmal neu zeichnen. Also zeichnen wir sie wieder neu, so dass einige der Zeilen stärker im Training sind, andere stärker in der Validierung. |
| Und wir haben wieder ein anderes Modell und das speichern wir jetzt. Also haben wir jetzt |
| zwei Reihen von ... zwei Spalten mit gespeicherten Vorhersageformeln. |
| Und das können wir wieder tun. Also werde ich die Gewichtungen neu zeichnen und die Vorhersageformel speichern. Ich habe gerade ein Skript, das das für uns tut. Und tatsächlich wird dann dieser Modelldurchschnitt erstellt, sodass wir tatsächlich den Durchschnitt unserer drei gespeicherten Modelle gebildet haben. |
| Jedes einzelne Modell verwendete also eine andere Validierungsgewichtung. |
| Jedes Modell war anders, einige waren besser als andere. Der entscheidende Punkt ist, dass, wenn wir diese zusammen durchschnittlich |
| der Durchschnitt davon ist das beste Modell bisher. Sie können also sehen, dass dies dem Originalmodell ziemlich nahe kommt, das wir mit Standardmethoden an der Standardausrüstung angebracht haben ... |
| den Originaldatensatz. |
| Und das können wir auch weiterhin tun. Wir können das 10 Mal wiederholen, also werden wir das wiederholen. Und Sie können sehen, wie die Gewichte neu gezeichnet werden; Jedes Mal bekommen wir ein etwas anderes Modell. |
| Und wir können jedes dieser verschiedenen Modelle speichern. |
| Und am Ende mit einem Durchschnitt enden, der wahrscheinlich das beste Modell ist. |
| Und tatsächlich, wenn wir das mit dem Originalmodell vergleichen, das wir aus der Standardanalyse dieser Daten gesehen haben, |
| Sie können sehen, dass die beiden Modelle tatsächlich ziemlich eng übereinstimmen. |
| In diesem Fall ist die Verwendung dieser selbst-validierten Ensemble-Modellierung also wirklich zu dem gleichen Modell gekommen, das wir mit Standard erhalten würden |
| lineare Regression. |
| Deshalb möchte ich die wichtigsten Punkte in dem, was Sie dort gesehen haben, durchgehen. Und wie gesagt, wir werden zu Pete und Trent übergehen, die die Motivation für den Einsatz dieser neuartigen Modellierungstechnik erklären werden. |
| Wir haben die ursprünglichen Datenzeilen dupliziert. |
| Das bedeutet dann, dass wir eine zufällige Gewichtung anwenden können, um zu sagen, wie viel von jedem Zeilenpaar im Training im Vergleich zur Validierung ist. |
| Dies ermöglicht es uns, die Validierung zu verwenden. Das könnten wir für einen so kleinen Datensatz nicht verwenden. Es würde keinen Sinn machen, eine ganze Reihe von Daten vorzuhalten, aber was können wir mit diesem duplizierten Satz machen? |
| ist eine gewichtete Validierung. In diesem Fall passen wir also ein Modell mit der Lasso-Auswahl an, und diese Lasso-Auswahl hat diese gewichtete Validierungsspalte verwendet. |
| Dann zeichnen wir diese Gewichte neu. Wir weisen diesen Zeilenpaaren zufällig wieder unterschiedliche Gewichte zu und passen das Modell neu an. Und in unserem Fall haben wir dies 10-15 Mal wiederholt, aber in der Praxis würden wir diesen Vorgang 100 Mal oder öfter wiederholen, um ein gutes selbst-validiertes Ensemble-Modell zu erhalten. |
| Und jedes Modell ist sich selbst ... jedes einzelne Modell bei jedem Schritt dieses iterativen Prozesses ist nicht besonders nützlich, aber der Modelldurchschnitt oder das Ensemble ist es, wie wir bei unserem endgültigen Modell gesehen haben, das wir als Durchschnitt all dieser Iterationen erzielt haben . |
| Also, jetzt möchte ich es Pete übergeben und er wird jetzt eine Fallstudie durchsprechen, die tatsächlich veranschaulicht, warum Sie diese ungewöhnliche Methode für die Modellierung solcher Daten verwenden möchten. |
| Peter Hersh | Großen Dank, Phil. Ich werde fortfahren und meinen Bildschirm hier teilen. |
| Und lassen Sie uns durch ein Beispiel gehen, wann wir könnten |
| verwenden Sie diese Methode. Also hier bin ich |
| Wenn wir uns zuerst die Ergebnisse ansehen, betrachten wir einige Designs, die sehr kleine DOEs sind, also ein DOE mit sechs Durchläufen, acht Durchläufen und 10 Durchläufen mit drei Faktoren. |
| Und dies sind Reaktionsflächendesigns, die von Natur aus super gesättigt bis gesättigt sind, und sie sind alle mein optimales Design, also sind dies eine sehr kleine Anzahl von Durchläufen |
| um unser Ziel hier zu erreichen. Hier gehen wir also hin. Also lasst uns zurückgehen und über das Design sprechen und dann, wie wir hierher gekommen sind. |
| So. |
| Dies ist eine Fallstudie, in der wir versuchen, die Wachstumsrate einer Mikrobe durch Anpassung verschiedener Nährstoffkombinationen zu maximieren. Und wie ich bereits erwähnt habe, verwenden wir ein supergesättigtes, optimales Design und passen die Anzahl der Läufe an. |
| Und das sind simulierte Daten, bei denen alle Haupteffekte sowie alle Quadrate aktiv sind. |
| Wie das aufgebaut war, begannen wir mit unseren drei Faktoren. Ich habe mein Modell entworfen. Wenn Sie noch kein gesättigtes oder supergesättigtes Design in JMP entworfen haben, |
| Der Weg, dies zu tun, besteht darin, die Effekte, die nicht die Haupteffekte sind, so gut wie möglich zu behandeln, und das ermöglicht Ihnen weniger Durchläufe oder die gleiche Anzahl von Durchläufen wie bei Modelleffekten. Und so habe ich dort meine Designs generiert. |
| Und durchlief diesen Prozess, den Phil dort so schön beschrieben hat, die Daten neu abzutasten, um diese invertierten ... umgekehrt proportionalen Gewichte zu erhalten, die der Schlüssel zu diesem Prozess sind. |
| Wir haben ein paar Gespräche geführt und ich habe nur QR-Codes dazu. |
| Diese Technik wurde von Chris Gotwalt und Phil Ramsey entwickelt und sie haben die Technik in einigen früheren Vorträgen vorgestellt. Und das zuletzt |
| QR-Code war ein Add-In, das diese Validierungsspalte in älteren Versionen von JMP eingerichtet hat. Ab JMP 16 können Sie dies nativ in der Software tun, aber wenn Sie über JMP 15 verfügen, müssen Sie dieses Add-In-Setup verwenden. |
| Und wie Phil sagte, also ein |
| einzelne Modelle passen möglicherweise nicht sehr gut zu den Daten, manche passen gut, manche haben keine Begriffe. |
| Aber dies ist nur ein Spaziergang durch das Beispiel hier, wo Sie jedes einzelne Modell sehen können. Einige sind nur ein Abfangen, andere passen ziemlich schlecht und das gelegentliche Modell ist ziemlich gut. |
| Und so ist dies, wie Phil es beschrieben hat, jedes davon hat ein anderes neu berechnetes Gewicht. Und so bekommen wir ein etwas anderes Modell und wir werden weitermachen und diese aussparen. Das ist also der erste Schritt dorthin. |
| Und dann ist der nächste Schritt, dass wir diese Modelle gemittelt haben. Und wie Sie sehen können, wird die Modellanpassung immer besser, wenn Sie den Durchschnitt dieser Modelle, mehr und mehr Modelle, berechnen. Die einzelnen Modelle sind also nicht großartig, aber das durchschnittliche Gesamtmodell gibt uns diese gute Passform. |
| Und der letzte Schritt, über den ich sprechen wollte, war, dass diese Modelle von Natur aus voreingenommen sind. Wie Sie beim ersten Modell von Phil gesehen haben, gab es keine aktiven Effekte. So |
| Wenn Sie mit Ihrem Modell eine Modell- oder Variablenauswahltechnik durchführen, erhalten Sie gelegentlich ein Modell, in das diese bestimmte Variable nicht eingeht. |
| Wenn wir uns also diese Distributionen hier anschauen, können Sie sehen |
| all dies sind aktive Effekte, und sie haben eine Verteilung von etwa 5, was der Effektgröße entspricht, aber sie haben auch diesen Balken hier unten, der 0 ist. |
| Wir werden den Effekt also nicht so oft überschätzen, wie wir 0 erhalten, um dies auszugleichen, also wird dies auf einen niedrigeren Wert verzerrt, also werden wir a |
| kleiner Trick, um diese Modelle zu debiasieren, wo wir |
| Behandeln Sie dieses Modell nur als Prädiktor in einem Modell der kleinsten Quadrate, und das beseitigt diese Verzerrungen. Ich werde diesen Prozess durchgehen, um Ihnen zu zeigen, wie das geht. |
| Aber am Ende haben wir dieses sehr schöne Ergebnis, das ich mit sehr wenigen Läufen geteilt habe. Das ist also die Motivation, warum Sie SVEM verwenden würden, die Fähigkeit, ein anständiges Modell mit weniger Durchläufen vorherzusagen und zu erstellen, als Sie es ohne diese Technik könnten. |
| Okay, also lass uns hier zu JMP springen |
| und |
| durch diesen Prozess gehen. |
| Okay, hier ist also das sechsfache DOE dieses Beispiels, das ich gezeigt habe, wo wir unsere drei Faktoren und unsere Wachstumsrate haben. Und das ist, nachdem wir das Modell gebaut haben. |
| So sieht es aus und wir sind jetzt durchgegangen und gelaufen. Wir haben also unsere sechs Durchläufe mit unseren sechs Ergebnissen. Unser nächster Schritt besteht darin, diese Validierungsspalte zu erstellen und dies innerhalb von JMP zu tun. Wir werden einfach die Vorhersagemodellierung analysieren, |
| eine Validierungsspalte erstellen, und dann werden wir anstelle einer Validierungsspalte eine Autovalidierungstabelle erstellen. |
| Okay, und so habe ich das gemacht. Ich habe das bereits durchgemacht und getan, daher werde ich den Vorgang nicht wiederholen. |
| Aber hier sind diese Daten mit ihren neu abgetasteten Daten und dieser umgekehrt korrelierten Gewichtung, wie Phil demonstriert hat. Sie haben ein hohes Gewicht gepaart mit einem geringen Gewicht des Wiederholungslaufs. Nachdem wir das getan haben, gehen wir durch und machen unser Modell. |
| In diesem Fall habe ich ein GenReg-Modell verwendet und Sie möchten eine der Variablenauswahltechniken auswählen. Wenn ich also weitermache und dies ausführe, möchte ich so etwas wie Vorwärtsauswahl-Lasso machen |
| oder oder eine dieser Auswahltechniken. Und Trent wird näher auf diese Auswahltechniken eingehen und welche sie untersucht haben. |
| Nachdem ich das Modell ausgeführt habe, sehen Sie, dass JMP durchgegangen ist und einige aktive Effekte ausgewählt hat. Es hat einige von denen erwischt, aber Sie können es hier sehen |
| diese Verzerrung, die wir sehen, bei der beide Haupteffekte aktiv sein sollten, aber sie sind als 0 herausgekommen. Wenn ich dies in der Datentabelle speichere, |
| Ich werde eine neue Spalte erstellen, wie Phil es gezeigt hat, und dann werde ich dieses Gewicht neu berechnen und es immer wieder tun. Und hier ist ein einfaches Skript, um dies 100 Mal zu tun, und |
| das teilen wir gerne mit. Und dies ist sehr einfach, indem Sie einfach Ihr Skript, Ihr Modellskript hier kopieren und einfügen und reproduzieren können, was wir hier gemacht haben. |
| Okay, hier ist das Endergebnis, wo wir mit unserem DOE durchgegangen sind, unsere Ergebnisse, und dann haben wir |
| die 100 Modelle, die ich gespeichert habe |
| und hier versteckt. Und dann das endgültige Modell, das ist |
| ein Durchschnitt aller 100 dieser Modelle. Und der letzte Schritt, den wir tun wollen, ist dieser Schritt zur Beruhigung. Also alles, was wir tun werden, ist das zu behandeln |
| durchschnittliches Modell als Prädiktor für die Wachstumsrate. |
| Hier können Sie also das Originalmodell sehen, das wir haben |
| hat eine viel steilere Steigung, daher hat es ein anständiges R im Quadrat, aber es ist nicht so gut, wie wir es uns erhoffen. Ich meine, selbst bei sechs Läufen passt das ... sechs Läufe ziemlich gut, aber |
| Wenn wir diese Voreingenommenheit beseitigen können, können wir es vielleicht ein wenig besser machen. Also wirklich einfache Einrichtung. Wir nehmen nur die Wachstumsrate. Unsere Antwort ist unser Y. Wir fügen das hinzu |
| Ensemblemodell hier, gemittelt aus all diesen |
| einzelne Modelle, als unser Prädiktor. Wir führen dies aus und erhalten ein Ergebnis, und Sie können sehen, dass es sich um eine viel bessere tatsächliche nach vorhergesagte Handlung handelt. Und wenn wir dort einen Vergleich durchführen, können Sie sehen, dass die Beseitigung dieser Voreingenommenheit einen großen Effekt in die positive Richtung hat. |
| Also bevor ich es Trent zurückgebe, wollte ich noch eins zeigen |
| Hier schieben, was im Grunde nur eine Zusammenfassung von . ist |
| das wir... (meine Taskleiste habe ich dort verloren) ... die wir euch dringend empfehlen |
| und sieh dir diese Technik an, aber es ist keine magische Technik, die immer in jeder Situation funktioniert. Aber wenn Sie dies in Screening-Designs und ähnlichen Dingen überprüfen, könnte dies eine sehr schöne Technik sein, die es tut |
| helfen Ihnen dabei, Dinge zu erreichen, die Sie mit Standardmodellierungstechniken möglicherweise nicht erreicht hätten. Und damit werde ich es an Trent weitergeben, der es hat |
| ein bisschen mehr Details darüber, wie dies gemacht wird und die |
| Informationen dort. Trent, willst du es wegnehmen? |
| Trent Lemkus | Ja, danke, Peter. Ich weis das zu schätzen. |
| So |
| Ich teile meine |
| PDF-Datei. Ich möchte nur sicherstellen, dass das tatsächlich geteilt wird und jeder das sehen kann. |
| Peter Hersh | Ja. |
| Trent Lemkus | Okay, fantastisch. So |
| Als Phil und Peter präsentierten, präsentierten sie Fallstudien, die meiner Meinung nach phänomenale Anekdoten sind, die die Leistungsfähigkeit von SVEM zeigen und zeigen, wann und warum SVEM eingesetzt werden sollte. |
| Was wir für unser Forschungspapier getan haben, das sich derzeit im Peer-Review-Prozess befindet, ist, dass wir eine übermäßige Anzahl von Simulationsstudien durchgeführt haben, um zu zeigen ... um empirisch zu sehen, wie SVEM in einem prädiktiven Umfeld abschneiden würde. So |
| der nächste ... Ich habe eine Reihe von Folien, die ich zeigen werde. Ich weiß, es mag ein wenig langweilig und trocken rüberkommen, aber ich denke, es ist unerlässlich, nur die Details zu besprechen |
| bevor ich auf etwas Unterhaltsames eingehe, das ein Beispiel dafür ist, wie wir... |
| wie wir JMP, JSL verwendet haben und wie ich die Simulationen als Beispiel ausgeführt habe und um Ihnen zu zeigen, wie einige der Ausgaben sowie die Ergebnisse aussehen. |
| Die Gliederung und Ziele unserer Simulationsstudien waren also in erster Linie |
| Wir wollten eine Simulationsarchitektur für die reale Welt schaffen. Daher wollten wir, dass unsere Simulationen das reale industrielle DOE so nah wie möglich nachahmen. |
| Und zweitens wollten wir sehen, wie moderne Modellbildung oder zeitgenössische Modellauswahltechniken sowie SVEM funktionieren, wenn sie sich hauptsächlich auf die reine Vorhersage konzentrieren. |
| schlicht und einfach. Wir wollten also sehen, wann wir ein Modell an ein Design anpassen, wie es eine Wahrheit oder einen Holdout-Datensatz vorhersagt oder meinen Akzent entschuldigt, Daten. |
| Und wenn wir diese einzigartigen Durchläufe so oft simulieren können, wie es rechnerisch möglich ist, möchten wir daraus reale Schlussfolgerungen ziehen ... wir wollen ... reale Ergebnisse so nah wie möglich ableiten, damit wir kann |
| Einstellungen vorschreiben und wo und wie man SVEM verwendet, da SVEM so im Entstehen ist. |
| Also, zuallererst, welche Designs haben wir in unseren Simulationen verwendet? Wir haben definitive Screening-Designs verwendet |
| und wir verwendeten Box-Behnken-Designs, bei denen das zugrunde liegende echte Erzeugungsmodell in unseren Designs vollquadratische Modelle waren, oder umgangssprachlich als Modelle zweiter Ordnung bekannt. Und der Grund, warum wir uns für diese Designs entschieden haben, ist, dass A) für die endgültigen Screening-Designs die |
| Je mehr Haupteffekte Sie haben, desto gesättigter und dann übersättigt werden die Modelle, dh Sie haben viel weniger Freiheitsgrade, je höher die Haupteffekte werden. Während bei Ihren Box-Behnken-Designs mit den von uns verwendeten Haupteffekten, |
| Sie laufen nicht in dieses Szenario. Wir haben also eine ... wir haben eine Gegenüberstellung zwischen zwei Szenarien, wobei wir in einer Hand haben |
| ausreichende Freiheitsgrade mit unseren Box-Behnken-Designs, um unsere Koeffizienten bei der Anwendung einer Modellauswahltechnik zu schätzen, und im endgültigen Screening-Design-Fall haben wir fast |
| In den meisten unserer Fälle hatten wir ein übersättigtes Design, sodass wir nicht genügend Freiheitsgrade hatten. Mit anderen Worten, einfach ausgedrückt, |
| Wir konnten nicht alle Effekte abschätzen, wenn Sie zeitgenössische Modellbautechniken wie Ihre Vorwärtsauswahlen, wie Ihre Lassos, Ihre Dantzig-Selektoren usw. verwenden. |
| was uns zu den tatsächlichen Modellalgorithmen führt, die wir für unsere Simulationen verwendet haben. Denken Sie bei den SVEM-Modellen daran, dass, wenn Sie... |
| Wenn Sie nicht genau wissen, was SVEM ist, ist es sehr wichtig, dass Sie auf einige der vorherigen Präsentationen zurückgreifen, auf die sich Peter bezog. |
| Aber wir müssen SVEM mit einer zugrunde liegenden Modellbildungstechnik verwenden, wie Forward Selection, Pruned Forward und Lasso, die wir für unsere Simulationsstudien verwenden. |
| In unseren Nicht-SVEM-Modellfällen verwenden wir dieselben Modellbildungsalgorithmen, aber wir haben auch den Dantzig-Selektor integriert, der in DOE sehr beliebt ist. |
| sowie das passende definitive Screening-Design, das ausschließlich für das definitive Screening von Bedeutung ist; es wird nicht für andere Designs verwendet. |
| Darüber hinaus verwenden wir ein Informationskriterium namens AICc oder korrigiertes AIC, das in DOE sehr verbreitet ist und eigentlich ziemlich berüchtigt dafür ist, sehr sparsame Modelle auszuwählen. |
| Wie Sie sehen können, versuchen wir, zeitgenössische Techniken zu integrieren, die sehr aktuell in der Verwendung von industrieller DOE sind, die am Kern festhält ... Kernpunkt, den ich in der ersten Folie gezeigt habe, nämlich |
| Wir möchten mit unseren Simulationsstudien die reale Welt so nah wie möglich nachahmen, damit wir diese empirischen... |
| so können wir empirisch beurteilen, wie diese verschiedenen Modellbildungsalgorithmen prädiktiv arbeiten. Und hoffentlich können wir zeigen, dass der SVEM seine Konkurrenz empirisch abschneidet oder übertrifft. |
| Für die eigentliche Simulationsstruktur haben wir also 1.000 Simulationen für jeden Modellbildungsalgorithmus durchgeführt. Wenn wir zum Beispiel ein Forward-Modell mit AICc ausstatten, |
| Jeder einzelne dieser 1.000 Durchläufe würden wir ein echtes Modell, die Wahrheit, generieren und dann Rauschen hinzufügen oder. |
| Gaußsches Rauschen (das in der akademischen Welt und in der Forschung sehr häufig vorkommt), |
| auf diese Weise erstellen wir einen Trainingssatz, wenn Sie so wollen, und einen Wahrheitssatz, damit wir, sobald wir ein Modell angepasst haben, sehen können, wie dieses Modell gegen die Wahrheit sagt. Und wir führen diese Datensätze 1.000 Mal nach dem Zufallsprinzip erneut aus und regenerieren sie. |
| Für den SVEM-Hyperparameter, auf den ich nicht näher eingehen werde, haben wir einen nBoot von 200 verwendet. Einfach ausgedrückt haben wir im Grunde 200 Modelle angepasst und wir bilden den Durchschnitt dieser Modelle, um unser endgültiges SVEM-Modell zu erhalten. |
| Die Designs wurden auch über mehrere Funktionen iteriert. Also die Anzahl der Haupteffekte |
| für definitive Screening-Designs hatten wir vier Haupteffekte und acht Haupteffekte. Für unsere Box-Behnken-Designs hatten wir |
| drei Haupteffekte und fünf Haupteffekte. Um Ihnen ein Beispiel zu geben, bedeutet dies, dass für unser DSD zum Beispiel, wo K acht ist, Sie acht Haupteffekte haben. Wenn Sie ein vollständig quadratisches Modell haben, |
