398669_ko-KR

liliconcom

Space Filling Mixture Designs, Neural Networks 및 SVEM으로 혁신 가속화(2021-US-45MP-807)

레벨: 중급

 

필립 램지(Philip Ramsey), 데이터 과학자이자 노스 헤이븐 그룹 및 뉴햄프셔 대학교 교수
Marie Gaudard, 데이터 과학자, Predictum
웨인 레빈, Predictum 소유자

 

공정/제품 개발 및 개선에 중요하지만 제한된 혼합물 및 혼합물 공정 설계는 생성 및 분석이 어렵습니다.고전적인 혼합 및 혼합 공정 설계는 일반적으로 설계 공간을 적절하게 적용하지 못하여 경계 영역에 너무 많은 설계 포인트를 할당합니다.또한, 고전적인 혼합 공정 설계는 종종 너무 커서 실현 가능하지 않습니다. 더욱이, 제한된 혼합물 설계에 내재된 많은 양의 부분 앨리어싱은 특히 예측 모델링 목적을 위해 분석하기 어렵게 만듭니다.

이 강연에서 우리는 JMP에서 사용할 수 있는 빠르고 유연한 공간 채우기 설계를 기반으로 하는 효율적이고 구속된 혼합 및 혼합 공정 설계의 새로운 클래스를 제안합니다.이러한 설계는 설계 공간의 범위를 훨씬 개선하고 모델을 미리 지정할 필요 없이 생성됩니다.

시뮬레이션 및 사례 연구를 통해 신경망에 맞는 자가 검증 앙상블 모델링(SVEM)과 결합된 이러한 새로운 설계가 효과적인 예측 모델을 만드는 방법을 보여줍니다. 이러한 모델은 프로세스 특성화 및 최적화를 위한 기반을 제공하여 더 나은 확장 및 축소 모델 성능을 보장합니다.JMP 16을 사용하여 설계를 생성하고 SVEM 분석을 수행하는 방법을 보여줍니다.

 

 

자동 생성된 대본...

 

스피커	성적 증명서
필립 J. 램지	안녕하세요, 저는 뉴햄프셔 대학교 예측학과의 필 램지입니다. 그리고 공동 발표자인 Predictum의 Wayne Levin과 Marie Gaudard와 함께
	University of New Hampshire and Predictum의 명예 교수인 우리는 현대적인 혼합물 설계에 대한 강연을 할 것입니다.
	그리고 이 강연의 의제는 기계 학습과 실험 설계에 대해 이야기하고 혼합 설계가 무엇인지 간략하게 소개하는 것입니다.
	자동 검증이라고 하는 DOE를 위한 새로운 기계 학습 방법에 대해 이야기합니다. 이 방법은 앙상블 모델링과 결합되어 자체 검증 앙상블 모델링 방법론이라고 부르는 것을 만듭니다.
	그런 다음 자체 검증 앙상블 모델링인 SVEM에 대해 이야기하고 혼합 실험을 사용하여 데모를 수행한 다음
	SVEM 방법 및 공간 채우기 설계. 그리고 Wayne Levin은 Predictum이 SVEM을 수행하기 위해 개발한 추가 기능에 대해 이야기할 것이며 요소 실험의 데모도 수행할 것입니다.
	그리고 저는 최근에 사실 올해에만 이미 3개의 논문을 발표했으며 이는 곧
	DOE 및 기계 학습, 그래서 사람들은 기계 학습 방법이 전통적으로 빅 데이터에 적용되었다는 것을 발견했습니다.
	DOE에 많은 적용 가능성이 있으며 우리는 확실히 동의합니다. 그리고 우리는 그것들이 혼합 실험에서 어떻게 효과적으로 사용될 수 있는지 보여줄 것입니다. 그러나 소위 머신 러닝의 적용에 있어 전통적인 한계 중 하나는
	DOE와 같은 더 작은 데이터 세트에 대한 믿음은 매우 큰 데이터 세트를 가져야 한다는 믿음입니다. 이것은 실제로 완전히 사실이 아닙니다.
	그리고 보시다시피 저와 JMP의 Chris Gotwalt 박사를 비롯한 많은 사람들이 개발한 SVEM 방법은
	우리는 실제로 실험 계획에서 찾은 것처럼 훨씬 작은 데이터에 이러한 전통적인 빅 데이터 방법을 적용하는 것을 상당히 실현 가능하게 만듭니다.
	또한 기계 학습은 실제로 예측에 관한 것이므로 통계 모델링을 두 가지 접근 방식으로 나눕니다. 하나는 설명이라고 하는 고전적이며 가설 테스트와 P 값 및 매개변수에 중점을 둡니다.
	그리고 그것은 일반적으로 좋은 예측 모델로 이어지지 않지만 기계 학습은 전적으로 예측에 중점을 둡니다.
	이것이 우리의 관점이고 그것이 오늘 우리가 사용하고 혼합물 실험에 적용할 것입니다. 우리는 기계 학습을 사용할 것입니다
	예측을 위해. 우리의 초점은 설명에 있지 않으며, 보시다시피 이러한 예측 기계 학습 방법을 소규모 실험 설계에 적용할 수 있습니다.
	데이터 세트. 음, 전통적으로 예측 모델을 평가하는 방법은 데이터의 일부를 학습에 사용하는 것이므로 매우 일반적인 방법인 학습 세트라고 부릅니다.
	그리고 우리는 어떤 식으로든 보류한 또 다른 세트를 가지고 있습니다. 여러 가지 전략이 있습니다. 보류라고 하는 하나에 대해서만 이야기하겠습니다.
	우리는 그것을 제쳐두고 모델을 훈련 세트에 맞춘 다음 보류 세트 또는 검증 세트를 사용하여 예측 기능을 평가할 수 있습니다. 즉, 모델을 맞추는 데 사용되지 않는 데이터를 예측하고 있습니다.
	그러나 이 전략은 실험 계획에서는 작동하지 않습니다. 그들은 매우 효율적이고 정보 중심적이며,
	일반적으로 검증 세트를 개발하기에 충분한 자원이나 예산이 없습니다. 검증에 사용할 수 있는 추가 실행을 수행할 수 있는 사람은 거의 없습니다.
	따라서 이것은 예측 모델링을 위해 기계 학습을 사용하는 데 있어 장벽으로 보일 수 있지만 이 SVEM 방법은 이 제약 조건을 해결할 수 있습니다.
	그리고 저는 SVEM에 들어가기 전에 혼합물 설계에 대한 논의를 신속하게 제공하고자 합니다. 나는 여러분 중 일부가 그들에 대해 잘 알고 있다는 것을 알고 있습니다. 일부는 그렇지 않습니다.
	이들은 특별한 유형의 실험 설계입니다. 사람들이 이에 대해 모르기 때문에 일반적이지 않지만 공식 또는 조리법에 대한 실험을 의미하며 이러한 공식의 구성 요소는 문자 그대로 액체, 기체 또는 고체일 수 있습니다.
	그리고 중요한 개념 중 하나는 응답에 대한 영향이 구성 요소의 상대적 비율에만 의존한다는 것입니다.
	그래서 우리는 레시피에서 말하는 것처럼 구성 요소의 비율에 대해 매우 우려하고 있습니다. 우리는 금액에 초점을 맞추지 않습니다. 존재하는 총량이 중요했다면 이것은 오늘날의 범위를 벗어난 혼합량이라는 또 다른 유형의 실험으로 이어집니다.
	그러나 이들은 공식의 구성 요소이기 때문에 이러한 요소에 제약이 있습니다. 즉, 총액이 제한되어야 합니다. 때로는 자연스럽게 발생합니다.
	그러나 비율도 제한되어야 합니다. 따라서 혼합 실험에서는 요인 실험과 달리 요인을 독립적으로 변경할 수 없습니다.
	따라서 많은 사람들에게 친숙한 전통적인 DOE에서는 요인의 결합 설정에 제약이 없습니다. 어떤 경우에는 있지만 일반적으로 없습니다.
	반면에 혼합 실험은 어떤 제제의 성분이기 때문에 총량이 1% 또는 100%가 되어야 합니다. 따라서 Q 요인이 있는 경우 모든 시행에 대한 Q 실험 요인의 설정은 합이 1이 되어야 합니다. 뿐만 아니라,
	하나의 개별 구성 요소에 대한 설정은 0에서 1 사이여야 합니다. 나는 또한 지적할 것이고, 우리는 오늘 이것을 논의할 시간이 없을 것입니다.
	혼합물 설계의 중요한 변형은 혼합물 공정 실험이라고 하며, 여기서 우리는 혼합 인자와 공정 인자를 결합합니다.
	우리는 혼합물의 거동 때문에 이것을 합니다. 예를 들어, 3액형 접착제와 같은 것을 생각하면 가공 조건에 따라 거동이 크게 바뀝니다. 그래서 우리는 접착제를 경화시키기 위한 압력과 온도와 최적의
	레시피는 일반적으로 이러한 프로세스 요인의 함수로 변경됩니다. 그것은 오늘 이야기의 범위를 벗어나지만 혼합물의 중요한 측면입니다.
	그래서 역사적으로 사람들이 혼합물을 분석하고 혼합물을 만들 때…
	매개변수, P 값 및 신뢰 구간에 대한 가설 검정. 그러나 일반적으로 혼합물에서는 혼합물이 본질적으로 많은 양을 함유하고 있기 때문에 항상 문제가 됩니다.
	요인 및 효과 간의 다중 공선성 또는 상관 관계. 총계...총량이 제한되어 있고 합계가 1이 되어야 하므로 설계상 독립적일 수 없습니다. 하지만,
	우리는 이 전통적인 초점에 동의하지 않으며 혼합 실험에 대한 많은 경험을 통해 목표는 변함없이 솔직히 예측입니다.
	설명이 아닙니다. 우리는 혼합물이나 조리법의 성능을 예측하려고 노력하고 있으며 과학자나 엔지니어가 관심을 갖고 있는 것입니다.
	그래서 과학자들이 필요로 하는 것과 우리가 혼합물을 분석하는 방법 사이에는 큰 단절이 있었습니다. 또한 많은 전통적인 디자인이 우리가 경계점 디자인이라고 부르는 것입니다.
	D 최적이라는 용어에 익숙하다면 매우 D 최적인 경향이 있습니다. 즉,
	대부분의 점은 경계 주위에 할당되어 있으며 내부 정보는 거의 없습니다. 포인트가 거의 없고 가끔 없음
	디자인 영역의 내부에. 이것이 왜 중요한가? 음, 특히 화학 및 생물학적 응용 분야에서 혼합 시스템,
	매우 복잡한 경향이 있습니다. 매우 복잡한 역학이 진행되고 있으며 이러한 반응 표면은 매우 복잡한 모양을 가지고 있습니다.
	그리고 디자인 영역의 내부에 대한 정보가 많지 않으면 시스템의 동작을 실제로 나타내는 모델을 생각해내지 못할 가능성이 매우 큽니다.
	그리고 이것은 혼합 설계의 사용 역사에서 실제로 아주 자주 발생했습니다. 또한, 우리는 오늘 그것에 대해 이야기할 시간이 없을 것입니다.
	과거의 분석 또는 모델링에 대한 고전적인 접근 방식은 제가 Scheff 다항식이라고 부르는 것입니다.
	그리고 이것들은 혼합물과 함께 사용하도록 설계된 일종의 다항식입니다. 많은 변형이 있지만 이러한 모의 다항식은 특히 고전적인 형식에서 이러한 응답 표면을 모델링하는 데 적합하지 않은 경우가 많습니다.
	그렇다면 문제에 어떻게 접근해야 할까요? 글쎄, 우리는 혼합물 디자인에 접근해야 하는 방식이 공간을 채우는 디자인의 관점에서 보아야 한다고 믿습니다.
	그리고 왜 공간을 채우는 디자인인가? 다시 말하지만 이것은 주어진 디자인 포인트 수에 대해 가능한 한 디자인 공간을 커버하도록 만들어진 디자인입니다.
	그리고 디자인 포인트의 수
	사용자를 위한 옵션입니다. 이를 통해 실제로 더 작은 디자인을 사용할 수 있습니다.
	고전적인 디자인, 그리고 그들은 디자인 영역을 다루었습니다. 결과적으로 더 정확하고 유용한 예측 모델을 제공할 수 있습니다. 우리는 전체 디자인 영역에 대해 더 나은 정보를 가지고 있습니다.
	그리고 혼합물에 대한 접근 방식은 모두 공간 촬영 디자인의 사용을 기반으로 하며 이는 최근 몇 년 동안 업계에서 확인된 추세입니다.
	이제 기어를 바꿔서 이야기하고 싶습니다. 우리가 혼합물을 만들었고 실행을 해보니 어떻게 분석할까요?
	그리고 앞서 언급했듯이 DOE에 적용되는 머신 러닝의 문제점 중 하나는 실제로 자연스러운 검증 세트가 없다는 것입니다. 글쎄요, Gotwalt와 Ramsey, 저와 Chris Gotwalt 박사는 실제로 우리가 자동 검증이라고 부르는 검증 방법을 제안했습니다. 그리고
	이에 대한 첫 번째 강연은 실제로 몇 년 전 Discovery Europe 컨퍼런스에서 있었습니다.
	그리고 이것은 직관적이지 않은 것처럼 보이지만 내 말을 들어보십시오. 원본 데이터, 원본 실험을 교육 및 검증에 사용할 수 있습니다. 즉, 원본 데이터를 가져와서 복사본 또는 복제본을 만듭니다.
	이를 자동 검증 세트라고 합니다. 따라서 훈련 세트의 모든 관찰에는 자동 검증 세트 자체에 쌍이 있습니다.
	이제 그 자체로 이것은 말도 안 되는 것처럼 보일 것입니다. 자동 검증 세트는 훈련 세트와 동일한 관측치를 가지고 있기 때문에 예측 능력에 대한 독립적인 평가를 어떻게 제공합니까? 글쎄, 그것은 스스로 할 수 없습니다.
	자동 검증 아이디어의 핵심은 관측값에 가중치 체계를 적용하고 이 체계는 감마 분포에서 가중치를 생성하는 것을 기반으로 한다는 것입니다.
	그건 그렇고, 감마 분포는 일반적으로 통계 응용 프로그램에서 가중치에 사용됩니다. 감마 가중치에는 오늘 다루지 않을 멋진 속성이 많이 있습니다.
	우리가 하는 일은 가중치 세트를 생성하는 것이지만 특별한 방식으로 수행합니다. 훈련 세트의 관측치가 높은 값, 높은 가중치를 얻으면
	자동 검증 세트의 관측값인 쌍은 가중치가 낮습니다. 우리는 왜 이것을 합니까? 이는 두 데이터 세트 간의 반상관관계를 유도합니다.
	다시 말해서, 우리는 가중치 체계를 사용하여 세트의 상관 관계를 해제하려고 시도하고 있으며, 이제 지난 몇 년 동안 이에 대해 수행된 많은 연구가 있습니다. 이는 이 접근 방식이 매우 효과적임을 나타냅니다.
	그리고 이 모든 결과를 사용할 수 있는 문서가 곧 나올 것입니다. 그래서 아이디어는 이 가중치 체계를 사용하는 것입니다. 그래서 우리는
	훈련 세트에서 감마 가중치를 할당하고 자동 검증 세트를 가지고 각 쌍에 해당 가중치를 할당하므로 훈련 세트의 가중치가 높으면
	자동 검증 세트의 쌍은 가중치가 낮고, 이는 이러한 반상관 관계를 유발합니다. 그런 다음 사용자가 지정하도록 이 전략을 몇 번 반복합니다. 그래서 다음 슬라이드에서는 간단한 실험의 예를 보여드리겠습니다. 세 가지 요인이 있습니다. 알아 채다
	실행 1-7은 원본 훈련 세트입니다. 실행 8-14는 클론 또는 복사본입니다. 관측값이 두 세트에 대해 정확히 동일한 값임을 확인한 다음
	페어링된 FWB 가중치. 잠시 후 FWB에 대해 설명하겠습니다.
	그리고 관찰 1과 같은 관찰이 높은 가중치를 얻으면 쌍둥이인 관찰 8이 낮은 가중치를 얻습니다. 따라서 관찰 8은 검증 세트에 있습니다.
	따라서 이러한 분수 가중치 개념이 중요하므로 응답에 분수 가중치를 적용하여 분석을 수행합니다. 그런 다음 이 전략을 반복합니다.
	몇 번이고(그 횟수는 사용자와 시나리오에 따라 다름) 매번 모델을 맞춥니다. 다시 말해서, 우리는 기본적으로 우리가 부분 가중치 부트스트래핑이라고 부르는 것입니다.
	부분 가중치 부트스트래핑이란 무엇입니까? 기본적으로 일반화된 부트스트래핑이라고도 하는 부트스트랩의 한 형태입니다.
	관찰을 부트스트랩하지 않습니다. 우리는 관찰에 적용된 가중치를 부트스트랩합니다. 이것은 잘 알려진 방법론이며 우리는 그것을 적용하고 있습니다.
	다른 점은 우리가 이것을 반복적으로 적용한다는 것입니다. 제가 말했듯이 수백 번, 수천 번이 될 수 있으며 실제로 사용자에게 달려 있습니다.
	우리가 모델을 맞출 때마다 그리고 마지막에 우리가 하는 것은 평균 또는 앙상블을 취하는 것입니다. 그리고 이것들은 ... 그리고 이것이 우리가 용어를 얻는 곳입니다.
	자체 검증 또는 자동 검증은 자체 검증 앙상블 모델링입니다. 우리는 평균을 취하고 있습니다
	그런데 앙상블 모델링은 더 안정적이고 더 나은 예측 모델링으로 이어지는 경향이 있기 때문에 머신 러닝과 딥 러닝에서 매우 일반적입니다.
	따라서 SVEM은 부분 가중 부트스트래핑을 수행하여 일련의 모델을 생성한 다음 모델 평균을 사용하여 최종 예측 모델을 도출합니다.
	방법은 어떻게 작동합니까? 음, 예측 모델링을 위한 알고리즘을 선택합니다. 우리의 경우 신경망에 초점을 맞출 것입니다.
	혼합 설계, 그러나 다른 방법을 선택할 수 있습니다. SVEM은 함께 사용되는 알고리즘에 대해 다소 불가지론적이며 많은 알고리즘에 매우 적합합니다. 그래서 우리는 훈련 및 자동 검증 세트를 만듭니다. 우리는 분수 가중치를 할당합니다.
	그런 다음 모델을 피팅하고 사용자가 정의한 대로 이를 몇 번 부트스트랩한 다음 평균을 취합니다. 자, 이제 동료인 Wayne Levin에게 SVEM을 시연하고 이를 수행하기 위한 추가 기능에 대해 이야기하겠습니다.
웨인	난 그냥 여기서 스위치를 하고 있어
	그리고 공유 화면.
	그리고 파워포인트로 넘어갑니다.
	정말 고마워요, 필. 여기에서 이 예, 이 요소 데이터를 사용할 것이므로 실험의 목적은 세정제에 대한 솔루션을 최적화하는 것입니다.
	그리고 이 혼합물의 세 가지 구성 요소는 물, 알코올 및 요소입니다. 여기 세 개의 기둥이 있습니다. 그리고 우리는 한 가지 반응에 초점을 맞출 것입니다. 바로 점도입니다. 목표는 100점을 맞추려고 하지만 여기 아래에서 볼 수 있듯이
	우리는 점도 측면에서 95와 105 사이를 원합니다. 그래서 JMP로 전환하겠습니다.
	자, 여기 요소 데이터가 있습니다. 여기에서 그것을 열었고 단지 15개의 실행이 있다는 점에 유의하십시오. 그래서 저는 그냥 다음 단계로 넘어가겠습니다. 그리고 다음 단계는
	프로세스는 자동 유효성 검사 테이블을 만드는 것이므로 클릭하면 몇 가지 일이 발생하는 것을 볼 수 있습니다. 먼저 새 테이블이 있고 처음 15개의 실행이 있습니다. 그런 다음 각 실행에 대해... 그래서 예를 들어 이 첫 번째 행(52, 29, 19)에 초점을 맞추면
	여기 아래에서 반복되는 것을 볼 수 있습니다. 따라서 52, 29, 19입니다.
	마찬가지로 두 번째 행은 57, 23, 19가 됩니다. 나는 분명히 이 모든 것을 반복하지는 않을 것이지만, 나는 당신이 아이디어를 얻을 것이라고 생각합니다. 이 조합을 반복하는 것뿐...
	여기 아래에 있는 두 번째 세트가 있고 첫 번째 세트는 훈련입니다... 훈련에 사용되는 것이고 두 번째 세트는 여기에 표시된 대로 검증을 위해 얻은 것입니다. 이제 그 사이에 Phil이 이야기한 짝을 이루는 분수 가중치 열이 있습니다. 그래서
	우리는 보는 경향이 있습니다 ... 여기에서 높은 숫자를 보는 경향이있을 때 아래에 해당하는 낮은 숫자가 표시되고 매우 많이 ...
	글쎄, 그 필이 말하는 감마 분포. 그럼 그냥 보여주지 않을래? 여기에 가중치를 표시할 것입니다.
	화면에 위치를 지정합니다. 따라서 반복을 수행할 때마다 가중치를 새로 고칩니다. 그러니 여기 가중치를 살펴보고
	여기 칼럼, 바로 여기 칼럼. 그래서 그냥 볼 수 있도록 실행하겠습니다. 따라서 반복할 때마다 새로운 새로운 세트를 얻습니다.
	fractional... 훈련 세트와 검증 세트 모두에 걸쳐 부분적으로 가중치가 부여된 쌍입니다. 괜찮아. 그래서 저는 다음에
	적합 모델을 수행합니다. 그래서 나는 당신이 원한다면 한 번의 반복을 할 것입니다.
	따라서 점도가 반응입니다. 여기서 주파수 역할에는 분수... 분수 가중치가 적용된 부트스트랩 가중치가 쌍을 이루므로 모델링에 반영됩니다. 자, 여기까지 갑니다. 원하신다면 한 번의 반복입니다.
	알겠습니다. 이러한 특정 가중치를 기반으로 합니다. 잘,
	앙상블 모델을 갖고 싶다면 반복적으로 해야 합니다. 이제 제가 하려는 것은 이것을 새로운 가중치로 실행하는 것입니다.
	눈을 떼지 마세요... 한 번에 세 곳의 다른 장소를 주시해야 합니다. 이는 약간의 도전이 될 수 있습니다. 나는 단지 이것들을 포지셔닝하려고 노력할 것입니다. 알겠습니다.
	여기에서 새 가중치로 실행을 클릭하면 여기에서 가중치가 변경되고 모델이 생성되고 예측 모델이 저장됩니다.
	여기까지. 여기서 하나 할게요. 한번 해보자. 뱅, 그래서 그것은 모델을 생산하는 방식을 바꿨습니다.
	여기에 모델을 저장합니다. 이 열도 추가됩니다. 이것은 Phil이 말한 앙상블입니다. 이것은 평균입니다. 물론 나는 한 번만 반복했기 때문에 평균은
	똑같다. 여기에서 또 다른 반복을 수행하고 새로운 가중치 세트, 새 모델 및 새 모델이 저장되었습니다. 이제 여기 앙상블 모델은 이 두 가지의 평균입니다.
	여기. 그래서 나는 단지 그것을 할 것입니다, 오, 몰라요, 몇 번 더. Tt 하는 것은 어렵지 않으며 우리는 이러한 것들을 볼 수 있습니다
	우리가 함께 갈 때 변경합니다. 이제 6개를 얻었으니 이 6개를 간단히 살펴보도록 하겠습니다.
	모델...개별 모델뿐만 아니라 평균 모델, 앙상블, 그리고 여기 프로파일러에 표시됩니다. 그리고 이것은 오히려 불안정성을 보여줍니다.
	Phil은 앞서 언급한 바 있습니다. 왜냐하면 만약 당신이 이것을 한 번만 했다면... 이제 여기에서 부분 가중치가 있다는 것을 압니다. 하지만 Phil이 언급했듯이, 알다시피, 나는 정말로
	원하는 경우 모델을 방해하고 실제로는 그렇지 않은 기능으로 끝납니다.
	아마도 실제로 거기에 속하지 않을 것입니다. 그것들은 단지 특정 디자인 포인트의 아티팩트일 뿐입니다. 하지만 여기를 보면 어떻게 하는지 알 수 있습니다
	이 개별 모델 각각은 ... 음, 여기에 몇 가지 다른 기능이 있습니다. 그러나 아래로 내려가면 평균 모델은 어떤 의미에서는... 음, 위의 모든 모델의 평균입니다.
	그리고 여기의 큰 꼬임이 부드러워지는 것을 어느 정도 볼 수 있습니다. 여기 아래에 약간 보입니다.
	이제 이것은 6번의 반복으로만 수행되며 추가 기능을 사용하면 실제로 50번의 반복을 수행하는 것이 좋습니다.
	그러나 내가 할 일은 실제 대 예측을 살펴보겠습니다. 이제 이거 이쁘게 나왔네...
	꽤 일관된. 선은 어쨌든 거의 모두 하나의 기울기입니다. 종종 이 작업을 수행할 때 더 많은 변형을 볼 수 있지만
	평균 모델, 이 특정 예에서는 여기에서 보기가 조금 어렵지만, 기본적으로 다른 선의 질량을 통과하는 실선입니다. 그래서 나는 이것들을 옆으로 옮기고 다음에 할 일은
	나는 실제로 여기에서 많은 달리기를 할 것입니다. 이 데모에서는 25번의 반복을 수행할 것입니다. 모델 변경 사항을 볼 수 있습니다. 가중치를 볼 수 있습니다.
	여기로 변경합니다. 여기에 새로운 것을 추가하는 것이 아닙니다. 그래서 우리는 단지 통과하고 있습니다. Bang, 완료되었으며 이제 보고서를 살펴보겠습니다. 그래서 이만 공개하겠습니다.
	처음에는 여기에서 실제 대 예측과 잔차 플롯으로 끝납니다. 여기 보시면 좋을 것 같아요
	프로파일러.
	그리고 저는 프로파일러를 좋아합니다. 이것의
	혼합물에 매우 적합합니다. 왜냐하면 제가 물을 바꾸면 물을 늘리면 나머지 두 개는 내려가는 것을 볼 수 있기 때문입니다. 그게
	물론 혼합물의 고유한 특성은 모두 1을 포함하거나 더해야 합니다. 좋습니다. 이것은 평균 모델입니다.
	여기에서 발생한 25개의 피팅에 대한 앙상블 모델입니다. 그래서 내가 할 수 있다면
	이제 혼합물 프로파일러를 간단히 살펴보십시오.
	우리는 여기에서 이 모습을 얻습니다.
	사실, 내가 할 수 있다면, 당신이 이것을 볼 수있는 것은 ...
	점을 주의하십시오. 포인트가 너무 잘 어울리는거 보이시죠? 이것은 공간을 채우는 디자인의 특성이며 이 디자인에는 실제로 제약이 있음을 알 수 있습니다.
	따라서 우리는 물 0-1 또는 요소 0-1 등의 전체 공간을 어떤 방법으로든 덮지 않습니다. 그래서 여기에 이러한 제약이 있습니다.
	이제 제가 하려는 것은 한계를 던지는 것입니다. 그래서 제가 시각화할 수 있도록... 95에서 105로 시각화합니다. 그래서 그것은 내가 할 수 있는 바로 여기 공백에서 나를 보여주고 있습니다...
	당신이 원한다면 어떤 조합이 그러한 조건을 만족시킬 수 있습니까? 사양 제한은 여기까지입니다.
	좋아, 그게 시연이야
	SVEM 방법론, 방법론(원하는 경우),
	나는... 그냥 할게요.
	그래서 SVEM과 공간을 채우는 디자인. 다시 말하지만, 이것에 대한 큰 동기 중 하나는 본질적으로 불안정하다는 것입니다.
	따라서 데이터의 작은 변화가 예측의 큰 변화로 이어질 수 있으며, 물론 단일 예측 모델은 결과적으로 불안정할 수 있습니다. 알다시피, 당신은 그 꼬임으로 끝납니다.
	역학이 일어나는 방식이 아닌 경우가 많기 때문에 일반적으로 보기만 해도 상당히 혼란스럽습니다.
	따라서 우리는 부분 가중치 부트스트래핑을 기반으로 하는 여러 모델의 안정성과 앙상블이 필요합니다.
	다른 하나... 이것에 대한 또 다른 큰 점은 이러한 상황에서 본질적으로 존재하는 다중공선성입니다. 혼합물은 복잡한 시스템입니다.
	그것들은 구성 요소의 동작의 합이 아닙니다. 그것들은 실제로 상호 작용의 산물이며, 이것이 내가 프로파일러를 사랑하는 이유입니다.
	그 상호 작용을 아름답게. 이러한 역학은 정말 멋지게 나타납니다. 따라서 우리는 이 모든 다중 공선성을 얻었기 때문에 이를 완화하고 안정적이고 더 정확한 예측 모델을 제공합니다. 우리는 지금 이것을 실행하고 있습니다 ...
	실제로는 몇 년 전으로 거슬러 올라가지만
	잠시만 이야기할 SVEM 추가 기능을 만든 이후로 올해 초부터 지금까지 여러 번 실행했으며 정말 잘 해냈습니다.
	우리 고객은 그것에 매우 만족합니다. 그래서 내가 말했듯이 SVEM을 사용하여 평균을 내는 모델은 자동화된 JMP 표준 또는 JMP Pro가 아니지만 추가 기능이 있으며 Predictum.com의 웹 사이트로 이동하면 이에 대해 자세히 알아볼 수 있습니다. 그것을 얻기 위해.
	예, SVEM에 특정 페이지가 있습니다. 우리는 또한 현대적인 혼합 설계 과정을 가지고 있으며 그것이 Marie와 Phil 그리고 저와 함께 있다는 것을 알 수 있습니다.
	그리고 Predictum 사이트의 교육 페이지에서 확인할 수 있습니다. 우리는 고전적인 혼합물 설계에 대한 섹션을 다루지만 과정의 2/3에서 3/4은 SVEM을 특징으로 합니다.
	그리고 SVEM 추가 기능은 과정의 일부로 사용할 수 있습니다. 이 강연에서 우리는 데이터로부터 예측 모델을 구축하는 것이 어떻게 ...
	데이터는 과적합을 제어하기 위한 검증 시도의 실행 가능성에 의해 제한됩니다. 알다시피, 고전적인 디자인 실험에서는 수행할 실행이 없습니다.
	교육 및 검증 모두를 수행하므로 특히 혼합 DOE에 대해 공간 채우기 설계를 사용할 것을 제안하지만 실제로는 다른 DOE 상황에서도 더 일반적입니다. 그리고 자동 검증 및 부분 가중치 부트스트랩을 기반으로 하는 SVEM에 대해 설명했습니다.
	그리고 SVEM이 별도의 검증 실행 세트 없이 DOE 데이터에 대한 예측 모델링을 가능하게 하는 방법에 대해 논의했습니다.
	그리고 요소 실험 데이터를 사용하여 SVEM을 시연했습니다.
	그리고 슬라이드를 다운로드하면 많은 참고 자료를 찾을 수 있다는 사실을 알고 싶습니다. 여기 몇 가지와 몇 가지가 더 있습니다. 제가 이 부분에 대해 좋아하는 것 중 하나는
	실제로 1996년까지 거슬러 올라갑니다. 이것은 얼마 동안 양조되어 온 것이므로 이 참고 자료를 살펴보시기 바랍니다.
	그리고 그것으로 우리는 질문을 받을 것입니다.

브레이크아웃암사슴통계 및 모델링Re: Space Filling Mixture Designs, Neural Networks 및 SVEM으로 혁신 가속화(2021-US-45MP-807)

멋진 정보!