398669_ko-KR

liliconcom

공간 채우기 혼합 설계, 신경망 및 SVEM을 통한 혁신 가속화(2021-US-45MP-807)

수준: 중급

 

Philip Ramsey, 데이터 과학자이자 North Haven Group 및 University of New Hampshire 교수
Marie Gaudard, 데이터 과학자, Predictum
Wayne Levin, Predictum 소유자

 

프로세스/제품 개발 및 개선에 중요하지만 제한된 혼합물 및 혼합물 프로세스 설계는 생성하고 분석하기가 어렵습니다.기존의 혼합 및 혼합 공정 설계는 일반적으로 설계 공간을 적절하게 적용하지 못하여 경계 영역에 너무 많은 설계 지점을 할당합니다.또한 기존의 혼합 공정 설계는 실행하기에는 너무 큰 경우가 많습니다. 더욱이, 제한된 혼합 설계에 내재된 많은 양의 부분 앨리어싱으로 인해 특히 예측 모델링 목적으로 분석하기가 어렵습니다.

이 강연에서는 JMP에서 사용할 수 있는 빠르고 유연한 공간 채우기 설계를 기반으로 하는 새로운 종류의 효율적이고 제한된 혼합 및 혼합 공정 설계를 제안합니다.이러한 디자인은 훨씬 향상된 디자인 공간 범위를 제공하며 모델을 미리 지정할 필요 없이 생성됩니다.

시뮬레이션과 사례 연구를 통해 우리는 신경망에 적합한 자체 검증 앙상블 모델링(SVEM)과 결합된 이러한 새로운 설계가 어떻게 효과적인 예측 모델을 생성하는지 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 스크립트...

 

스피커	성적 증명서
필립 J. 램지	안녕하세요. 저는 뉴햄프셔 대학교 및 예측대학의 Phil Ramsey입니다. 그리고 공동 발표자인 Predictum의 Wayne Levin과 Marie Gaudard와 함께
	뉴햄프셔 대학의 명예 교수이자 Predictum이신 현대 혼합 설계에 대한 강연을 진행하겠습니다.
	그리고 강연의 주제는 기계 학습과 실험 설계에 대해 이야기하고, 혼합 설계가 무엇인지 간략하게 소개하고,
	자동 검증이라는 DOE를 위한 새로운 기계 학습 방법에 대해 이야기합니다. 이는 앙상블 모델링과 결합되어 자체 검증 앙상블 모델링 방법론을 생성합니다.
	그런 다음 자체 검증 앙상블 모델링인 SVEM에 대해 이야기하고 혼합 실험을 사용하여 시연을 한 다음
	SVEM 방법과 공간 채우기 디자인. 그리고 Wayne Levin은 SVEM을 수행하기 위해 Predictum이 개발한 추가 기능에 대해 이야기하고 요소 실험 시연도 할 예정입니다.
	그리고 저는 최근에, 사실 올해만 해도 이미 3개의 논문이 나왔고 곧 다음 주제에 관한 저널에 발표될 논문이 될 것이라는 점을 지적하고 싶습니다.
	DOE와 기계 학습을 통해 사람들은 기계 학습 방법이 전통적으로 빅 데이터에 적용되었다는 사실을 발견했습니다.
	DOE에 많은 적용 가능성이 있을 수 있으며 우리는 확실히 동의합니다. 그리고 혼합물 실험에서 이들이 어떻게 효과적으로 사용될 수 있는지 보여드리겠습니다. 하지만 소위 머신러닝을 적용하는데 있어 전통적인 한계 중 하나는
	DOE와 같은 작은 데이터 세트에는 매우 큰 데이터 세트가 있어야 한다는 믿음이 있습니다. 이것은 실제로 전적으로 사실이 아닙니다.
	앞으로 보시게 되겠지만 저와 JMP의 Chris Gotwalt 박사를 포함한 많은 사람들이 개발한 SVEM 방법은
	실제로 우리는 실험 계획법에서 찾은 것처럼 훨씬 더 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 불리는 고전적인 방식으로 가설 테스트와 P 값 및 매개 변수에 중점을 둡니다.
	이는 일반적으로 좋은 예측 모델로 이어지지 않지만 기계 학습은 전적으로 예측에 중점을 둡니다.
	이것이 바로 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 작은 실험 설계에 적용할 수 있을 것입니다.
	데이터 세트. 전통적으로 우리가 예측 모델을 평가하는 방법은 훈련에 사용되는 데이터의 일부를 사용하는 것이므로 매우 일반적인 방법인 훈련 세트라고 부릅니다.
	그리고 어떤 식으로든 우리가 억제해 온 또 다른 세트가 있습니다. 여러 가지 전략이 있습니다. 우리는 보류라는 한 가지에 대해서만 이야기하겠습니다.
	이를 제쳐두고 모델을 훈련 세트에 맞춘 다음 홀드백 세트 또는 검증 세트를 사용하여 예측 기능을 평가할 수 있습니다. 즉, 모델을 맞추는 데 사용되지 않는 데이터를 예측하는 것입니다.
	그러나 이 전략은 실험 계획에서는 작동하지 않습니다. 그들은 매우 효율적이고 정보 중심적입니다.
	일반적으로 검증 세트를 개발하기 위한 리소스나 예산이 충분하지 않습니다. 사람들이 검증에 사용할 수 있는 추가 실행을 수행하는 경우는 거의 없습니다.
	따라서 이는 예측 모델링을 위해 기계 학습을 사용하는 데 장애가 되는 것처럼 보이지만 앞으로 설명할 것처럼 이 SVEM 방법을 사용하면 이러한 제약을 해결할 수 있습니다.
	그리고 저는 SVEM에 들어가기 전에 혼합물 설계에 대해 빠르게 논의하고 싶습니다. 여러분 중 일부는 익숙하고 일부는 그렇지 않다는 것을 알고 있습니다.
	이것은 특별한 유형의 실험 설계입니다. 사람들이 그것에 대해 모르기 때문에 그렇게 일반적이지는 않습니다. 그러나 이는 공식이나 레시피에 대한 실험을 의미하며 이러한 공식의 구성 요소는 말 그대로 액체, 가스 또는 고체일 수 있습니다.
	그리고 중요한 개념 중 하나는 응답에 대한 영향이 구성 요소의 상대적 비율에만 의존한다는 것입니다.
	그래서 우리는 레시피에서처럼 구성 요소의 비율에 대해 많은 관심을 갖고 있습니다. 우리는 금액에 초점을 맞추지 않습니다. 만약 존재하는 총량이 중요하다면, 이것은 오늘날의 범위를 벗어나는 혼합량이라는 또 다른 유형의 실험으로 이어집니다.
	그러나 이는 공식의 구성 요소이기 때문에 이러한 요소에는 제약이 있습니다. 즉, 총 금액이 제한되어야 합니다. 때로는 자연스럽게 그런 일이 일어납니다.
	그러나 비율도 제한되어야 합니다. 따라서 혼합 실험에서는 요인 실험과 달리 요인을 독립적으로 변경할 수 없습니다.
	따라서 많은 사람들에게 친숙한 전통적인 DOE에서는 요인의 결합 설정에 대한 제약이 없습니다. 어떤 경우에는 있지만 일반적으로 그렇지 않습니다.
	반면에 혼합물 실험은 일부 제제의 성분이므로 총량의 합이 1 또는 100%가 되어야 합니다. 따라서 Q 요인이 있는 경우 모든 시행에 대한 Q 실험 요인 설정의 합은 1이 되어야 합니다. 뿐만 아니라,
	하나의 개별 구성 요소에 대한 설정은 0에서 1 사이여야 합니다. 저도 지적하고 싶은데 오늘은 이에 대해 논의할 시간이 없을 것 같습니다.
	혼합물 설계의 중요한 변형은 혼합 공정 실험이라고 하며, 여기서는 혼합 요인과 공정 요인을 결합합니다.
	우리는 혼합물의 행동 때문에 이것을 합니다. 예를 들어, 3부분 접착제와 같은 것을 생각해 보면 가공 조건에 따라 거동이 극적으로 변합니다. 따라서 우리는 접착제 경화를 위한 압력 및 온도와 최적의 온도 등을 살펴볼 수 있습니다.
	레시피는 일반적으로 이러한 공정 요소의 함수로 변경됩니다. 그것은 오늘 이야기의 범위를 벗어나지만 혼합물의 중요한 측면입니다.
	따라서 역사적으로 사람들이 혼합물을 분석하고 심지어 그것을 창조할 때...그것을 창조했을 때, 초점은 설명적 목표, 즉,
	매개변수, P 값 및 신뢰 구간에 대한 가설 검정. 그러나 일반적으로 혼합물에서는 혼합물이 본질적으로 많은 양을 가지고 있기 때문에 이것이 항상 문제가 되었습니다.
	요인과 효과 간의 다중공선성 또는 상관관계. 총액이 제한되어 있고 합계가 1이 되어야 하므로 설계상 독립할 수 없습니다. 하지만,
	우리는 이러한 전통적인 초점에 동의하지 않으며 혼합 실험에 대한 많은 경험을 바탕으로 목표는 변함없이 솔직히 예측입니다.
	설명이 아닙니다. 우리는 혼합물이나 조리법의 성능을 예측하려고 노력하고 있으며 과학자나 엔지니어가 관심을 갖는 부분입니다.
	그래서 과학자들이 필요로 하는 것과 우리가 혼합물을 분석하는 방법 사이에는 큰 단절이 있었습니다. 또한 많은 전통적인 디자인은 우리가 경계점 디자인이라고 부르는 것입니다.
	D 최적이라는 용어에 익숙하다면 매우 D 최적인 경향이 있습니다. 즉,
	대부분의 점은 경계 주위에 할당되므로 내부 정보가 거의 없습니다. 포인트가 거의 없으며 때로는 없음
	디자인 영역의 내부에 있습니다. 이것이 왜 중요합니까? 혼합 시스템, 특히 화학적 및 생물학적 응용 분야에서는
	매우 복잡한 경향이 있습니다. 매우 복잡한 동역학이 진행되고 있으며 이러한 반응 표면은 매우 복잡한 모양을 가지고 있습니다.
	그리고 디자인 영역 내부에 대한 많은 정보가 없다면 시스템의 동작을 실제로 나타내는 모델을 생각해 내지 못할 가능성이 높습니다.
	그리고 이것은 혼합 설계 사용의 역사에서 실제로 자주 발생했습니다. 그리고 다시 한번 말씀드리지만, 오늘은 그것에 대해 이야기할 시간이 없을 것입니다.
	과거의 분석이나 모델링에 대한 고전적인 접근 방식은 제가 Scheffe 다항식이라고 부르는 것입니다.
	그리고 이것은 혼합물과 함께 사용하도록 고안된 일종의 다항식입니다. 다양한 변형이 있지만 이러한 모의 다항식은 특히 고전적인 형태에서는 이러한 반응 표면을 모델링하기에 부적합한 경우가 많습니다.
	그렇다면 문제에 어떻게 접근해야 할까요? 글쎄요, 우리는 혼합물 디자인에 접근하는 방식이 공간 채우기 디자인의 관점에서 나온다고 믿습니다.
	그리고 왜 공간을 채우는 디자인을 할까요? 다시 말하지만 이는 그 자체로 이야기가 될 수 있지만 이는 주어진 디자인 포인트 수에 대해 가능한 한 최선을 다해 디자인 공간을 포괄하기 위해 만들어진 디자인입니다.
	그리고 디자인 포인트 수
	사용자를 위한 옵션입니다. 이를 통해 실제로 더 작은 디자인을 사용할 수 있습니다.
	클래식한 디자인으로 디자인 영역을 포괄했습니다. 결과적으로 이는 보다 정확하고 유용한 예측 모델을 제공할 수 있습니다. 우리는 전체 디자인 영역에 대해 더 나은 정보를 가지고 있습니다.
	그리고 혼합물에 대한 우리의 접근 방식은 모두 우주 촬영 디자인의 사용을 기반으로 하며 이는 최근 몇 년간 업계에서 우리가 주목한 추세입니다.
	이제 기어를 바꿔서 이야기하고 싶습니다...글쎄, 우리가 혼합물을 만들었고, 그것을 실행했다면, 어떻게 분석할까요?
	그리고 앞서 언급한 것처럼 DOE에 적용되는 기계 학습의 문제점 중 하나는 실제로 자연스러운 검증 세트가 없다는 것입니다. 글쎄, Gotwalt와 Ramsey, 즉 저와 Chris Gotwalt 박사는 실제로 자동 검증이라고 부르는 검증 방법을 제안했습니다. 그리고
	이에 대한 첫 번째 강연은 실제로 몇 년 전 Discovery Europe 컨퍼런스에서 이루어졌습니다.
	그리고 이것은 직관적이지는 않지만 내 말을 들어보세요. 학습 및 검증을 위해 원본 데이터, 원본 실험을 사용할 수 있습니다. 즉, 원본 데이터를 가져와서 복사본이나 복제본을 만드는 것입니다.
	우리는 이것을 자동 검증 세트라고 부릅니다. 따라서 훈련 세트의 모든 관찰에는 자동 검증 세트 자체에 쌍둥이가 있습니다.
	이제 그 자체로는 말도 안되는 것처럼 보일 것입니다. 자동 검증 세트에는 훈련 세트와 동일한 관측값이 있으므로 예측 능력에 대한 독립적인 평가를 어떻게 제공합니까? 글쎄요, 그 자체로는 불가능합니다.
	자동 검증 아이디어의 핵심은 관측값에 가중치 체계를 적용하고 이 체계는 감마 분포에서 가중치를 생성하는 것을 기반으로 한다는 것입니다.
	그런데 감마 분포는 일반적으로 통계 응용 프로그램에서 가중치를 부여하는 데 사용됩니다. 감마 가중치에는 오늘 다루지 않을 여러 가지 좋은 속성이 있습니다.
	그리고 우리가 하는 일은 가중치 세트를 생성하는 것인데, 이를 특별한 방법으로 수행합니다. 훈련 세트의 관측치가 높은 값, 높은 가중치를 얻으면
	자동 검증 세트의 관측값인 쌍둥이는 낮은 가중치를 갖습니다. 우리는 왜 이런 일을 하는가? 이는 두 데이터 세트 간의 역상관관계를 유도합니다.
	즉, 우리는 가중치 체계를 사용하여 세트의 상관 관계를 해제하려고 노력하고 있으며 지난 몇 년 동안 이에 대해 많은 연구가 수행되었습니다. 이는 이 접근 방식이 매우 효과적임을 나타냅니다.
	그리고 이 모든 결과를 확인할 수 있는 논문이 곧 나올 것입니다. 그래서 아이디어는 이 가중치 체계를 사용하는 것입니다.
	훈련 세트에 감마 가중치를 할당하고 자동 검증 세트가 있으며 각 쌍둥이에 해당 가중치를 할당하므로 훈련 세트의 가중치가 높으면
	자동 검증 세트의 쌍은 가중치가 낮아지며 이로 인해 이러한 반상관 동작이 발생합니다. 그런 다음 사용자가 지정하도록 이 전략을 몇 번 반복합니다. 그래서 다음 슬라이드에서는 간단한 실험의 예를 보여드리겠습니다. 세 가지 요소가 있습니다. 알아채다
	실행 1-7은 원본 훈련 세트입니다. 실행 8-14는 복제본 또는 복사본입니다. 관측치가 두 세트에 대해 정확히 동일한 값인지 확인하고 다음 열을 확인하세요.
	FWB 가중치 쌍. 잠시 후 FWB에 대해 설명하겠습니다.
	관찰 1과 같은 관찰이 높은 가중치를 받으면 쌍둥이인 관찰 8은 낮은 가중치를 얻습니다. 따라서 관찰 8은 검증 세트에 있습니다.
	따라서 부분 가중치에 대한 아이디어가 중요하므로 응답에 부분 가중치를 적용하여 분석이 수행됩니다. 그런 다음 이 전략을 반복합니다.
	여러 번(횟수는 사용자와 시나리오에 따라 다름) 매번 모델을 적합시킵니다. 즉, 우리는 기본적으로 부분 가중치 부트스트래핑이라고 부르는 것입니다.
	그리고 부분 가중치 부트스트래핑이란 무엇입니까? 이는 기본적으로 일반화된 부트스트래핑이라고도 알려진 부트스트래핑의 한 형태입니다.
	우리는 관찰을 부트스트랩하지 않습니다. 관측값에 가중치를 적용하여 부트스트랩합니다. 이는 잘 알려진 방법론이며 우리는 이를 적용하고 있습니다.
	다른 점은 이것을 반복적으로 적용한다는 것입니다. 제가 말했듯이 수백 번, 수천 번이 될 수 있으며 실제로는 사용자에게 달려 있습니다.
	모델을 적합시킬 때마다 마지막에 평균 또는 앙상블을 취합니다. 그리고 이것들은...여기서 우리는 용어를 얻습니다.
	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 기계 학습과 딥 러닝에서 매우 일반적입니다.
	따라서 SVEM은 부분 가중치 부트스트래핑을 수행하여 모델군을 생성한 다음 모델 평균화를 사용하여 최종 예측 모델을 생성합니다.
	그렇다면 이 방법은 어떻게 작동하나요? 자, 예측 모델링을 위한 알고리즘을 선택하세요. 우리의 경우 신경망에 중점을 둘 것입니다.
	혼합 설계를 수행하지만 다른 방법을 선택할 수도 있습니다. SVEM은 어떤 알고리즘이 사용되는지에 대해 다소 불가지론적이며 많은 알고리즘에 매우 적합합니다. 그래서 우리는 훈련 및 자동 검증 세트를 만듭니다. 우리는 부분 가중치를 할당합니다.
	그런 다음 모델을 피팅하고 사용자가 정의한 대로 이를 여러 번 부트스트랩한 다음 평균을 구합니다. 좋아요, 이제 이 시점에서는 동료 Wayne Levin에게 이 문제를 넘기겠습니다. Wayne Levin은 SVEM을 시연하고 이를 수행하는 추가 기능에 대해 이야기할 것입니다.
웨인	난 그냥 여기서 스위치를 켜는 중이야
	그리고 화면을 공유하세요.
	그리고 파워포인트로 전환해보겠습니다.
	정말 고마워요, 필. 여기서는 이 요소 데이터의 예를 사용할 것이므로 실험의 목적은 세정제에 대한 솔루션을 최적화하는 것입니다.
	그리고 이 혼합물의 세 가지 구성요소는 물, 알코올, 요소입니다. 그리고 이것이 바로 여기에 있는 세 개의 기둥입니다. 그리고 우리는 점도라는 한 가지 반응에만 집중할 것입니다. 우리가 100을 맞추려고 하는 목표는 여기 아래에서 볼 수 있듯이
	우리는 점도 측면에서 95에서 105 사이가 되기를 원합니다. 이제 JMP로 전환하겠습니다.
	좋아요, 여기 요소 데이터가 있습니다. 여기서 방금 열었고 실행이 15개뿐이므로 다음 단계로 넘어가겠습니다. 그리고 다음 단계는
	프로세스는 자동 유효성 검사 테이블을 만드는 것이므로 이를 클릭하면 몇 가지 일이 발생하는 것을 볼 수 있습니다. 먼저, 새 테이블이 있고 처음 15개의 실행이 있습니다. 이는 여기에 있는 것과 똑같습니다. 그런 다음 각 실행에 대해... 예를 들어 이 첫 번째 행(52, 29, 19)에 초점을 맞추면
	여기 아래에서 반복되는 것을 볼 수 있습니다. 즉 52, 29, 19입니다.
	마찬가지로 두 번째 행은 57, 23, 19가 됩니다. 분명히 이 모든 내용을 반복하지는 않겠지만 여러분은 이해하실 것이라고 생각합니다. 단순히 이 조합을 반복하는 것뿐입니다.
	여기에 있는 두 번째 세트에서 첫 번째 세트는 훈련입니다. 훈련에 사용되는 것은 여기에 표시된 대로 두 번째 세트는 검증을 위해 얻는 것입니다. 이제 그 사이에는 Phil이 이야기했던 쌍을 이루는 부분 가중치 열이 있습니다. 그래서
	우리는 보는 경향이 있습니다...여기서 높은 숫자를 보는 경향이 있을 때 아래에서는 그에 상응하는 낮은 숫자를 얻게 되며...
	음, 저 필이 얘기했던 감마 분포요. 그럼 그걸 보여드리는 게 어때요? 나는 여기에 가중치를 표시할 것입니다.
	화면에 위치를 지정하세요. 따라서 반복을 거칠 때마다 가중치가 새로 고쳐집니다. 그러니 여기 있는 가중치를 살펴보고 다음을 살펴보세요.
	여기 기둥, 바로 여기 기둥. 그래서 여러분이 볼 수 있도록 실행하겠습니다. 그래서 각 반복에서 우리는 새로운 새로운 세트를 얻습니다.
	훈련 세트와 검증 세트 모두에 걸쳐 분수...부분 가중치 쌍입니다. 좋아요. 그럼 다음은 내가 가볼게
	맞는 모델을 하세요. 그래서 저는 여러분이 원하신다면 한 번의 반복을 하겠다고 말씀하실 수도 있습니다.
	그래서 점도가 반응입니다. 여기 아래에서 주파수 역할에는 부분적으로 가중치가 부여된 부트스트래핑 가중치가 쌍을 이루고 있으므로 이것이 모델링에 고려되는 방식이라는 점에 유의하세요. 자, 여기까지입니다. 원하신다면 한 번의 반복이 있습니다.
	좋습니다. 이러한 특정 가중치를 기반으로 합니다. 잘,
	앙상블 모델을 갖고 싶다면 이를 반복적으로 수행해야 합니다. 이제 제가 하려는 것은 새로운 가중치를 적용하여 실행해 보는 것입니다.
	주의하세요... 세 군데의 다른 장소를 동시에 감시해야 하는데, 이는 약간 어려울 수 있습니다. 나는 단지 이러한 것들을 배치하려고 노력할 것입니다.
	그러면 앞으로 일어날 일은, 여기를 클릭하여 새 가중치를 적용하면 여기의 가중치가 변경되는 것을 볼 수 있을 것이고, 모델이 생성되고 예측 모델이 저장될 것입니다.
	여기까지. 여기서 하나 할게요. 한번 해보자. 쾅, 그래서 모델을 생산하는 방식이 바뀌었습니다.
	여기에 모델을 저장하세요. 이 열도 추가됩니다. 이것이 Phil이 말한 앙상블입니다. 이것은 평균입니다. 물론 한 번만 반복했으므로 평균은 다음과 같습니다.
	똑같다. 그래서 저는 여기서 또 다른 반복을 하려고 합니다. 그리고 우리는 새로운 가중치 세트, 새로운 모델을 얻고 새로운 모델이 저장되었습니다. 이제 여기 있는 앙상블 모델은 이 두 모델의 평균입니다.
	여기. 그래서 그냥 하려고 해요, 아, 모르겠어요, 몇 번 더. 어렵지 않아요. 우리는 이런 것들을 볼 수 있어요
	우리가 진행하는 동안 변경합니다. 이제 그 중 6개를 얻었으니 이 6개를 간단히 살펴보겠습니다.
	모델...개별 모델, 평균 모델, 앙상블 등이 여기 프로파일러에 표시됩니다. 그리고 이것은 오히려 불안정성을 보여줍니다.
	Phil이 이전에 언급한 바 있습니다. 만약 이 작업을 한 번만 수행한다면...이제 여기서 진행되는 부분 가중치가 있다는 것을 알지만 Phil이 언급한 것처럼 제가 실제로 수행할 수 있는 모든 지점의 움직임이 있기 때문입니다.
	원하는 경우 모델을 방해하면 실제로는 그렇지 않은 기능으로 끝나게 됩니다...
	아마도 실제로 거기에 속하지 않을 수도 있습니다. 그것들은 단지 특정 디자인 포인트의 인공물일 뿐입니다. 하지만 여기를 보시면 어떻게 되는지 알 수 있습니다.
	각각의 개별 모델은... 음, 여기에는 몇 가지 다른 기능이 있습니다. 하지만 아래에서는 평균 모델이 어떤 의미에서는... 음, 위의 모든 모델의 평균입니다.
	그리고 여기 있는 큰 꼬임이 부드러워지는 것을 어느 정도 볼 수 있습니다. 여기 아래에 조금 보입니다.
	이제 이것은 6번의 반복만 가능하며 추가 기능을 사용하면 실제로 50번의 반복을 수행하는 것이 좋습니다.
	하지만 제가 할 일은 실제 대 예측을 살펴보겠습니다. 이제 이거 꽤 나왔네요...
	꽤 일관성이 있습니다. 어쨌든 선은 모두 거의 하나의 경사입니다. 이 작업을 수행할 때 종종 더 많은 변형이 표시되지만,
	일반적인 모델에서는 여기 이 특별한 예를 보기가 조금 어렵지만 기본적으로 거기에 있는 다른 선의 질량을 통과하는 실선입니다. 그래서 저는 이것들을 옆으로 치워두고 다음으로 할 일은
	나는 실제로 여기서 많은 달리기를 할 것입니다. 이번 시연에서는 25번의 반복 작업을 수행하게 될 것 같습니다. 모델 변경도 볼 수 있고, 무게도 볼 수 있어요
	여기로 갈아타요. 여기에 새로운 것을 추가하는 것은 아닙니다. 그래서 우리는 그냥 겪고 있습니다. 쾅, 끝났으니 이제 보고서를 살펴보겠습니다. 그래서 그냥 열어보겠습니다.
	처음에는 여기의 실제 대 예측과 잔차 플롯으로 끝납니다. 여기를 살펴보는 것도 좋을 것 같아요
	프로파일러.
	그리고 저는 프로파일러를 좋아해요. 그것은
	혼합물에 매우 적합합니다. 보시다시피 물을 바꾸거나 늘리면 다른 두 개는 줄어들기 때문입니다. 그게 다야
	물론 혼합물의 고유한 특성은 모두 1을 포함하거나 더해야 합니다. 좋아요, 그렇다면 이것은 평균적인 모델입니다.
	여기에서 진행된 25개 핏의 앙상블 모델은 괜찮습니다. 그러니 내가 할 수만 있다면 그렇게 할 거야
	이제 혼합물 프로파일러를 간단히 살펴보겠습니다.
	우리는 여기서 이 모습을 얻습니다.
	사실, 여기서 당신이 볼 수 있는 것은...
	점을 주목하세요. 포인트가 아주 잘맞는거 보이시죠? 이것이 디자인의 공간 채우기 특성이며, 이 디자인에는 실제로 제약 조건이 있다는 것도 알 수 있습니다.
	따라서 우리는 물 0-1이나 요소 0-1 등의 전체 공간을 결코 다루지 않으므로 여기에 이러한 제약 조건이 있습니다.
	이제 제가 하려는 것은 한계를 설정하는 것입니다. 시각화할 수 있도록 95에서 105 사이를 시각화하는 것입니다. 그래서 제가 볼 수 있는 곳은 바로 여기 공백입니다...
	어떤 조합이 그러한 조건을 만족시킬 수 있을까요? 사양 제한은 여기까지입니다.
	좋아요, 그게 바로 시연이에요
	SVEM 방법, 방법론, 그리고
	어쩌면... 그냥 할게.
	그래서 SVEM과 공간 채우기 디자인. 다시 말하지만, 이것에 대한 가장 큰 동기 중 하나는 본질적으로 불안정하다는 것입니다.
	따라서 데이터의 작은 변화가 예측에 큰 변화를 가져올 수 있으며 결과적으로 단일 예측 모델이 불안정해질 수 있습니다. 아시다시피, 당신은 결국 그런 꼬임으로 끝나게 됩니다.
	일반적으로 보기만 해도 매우 혼란스럽습니다. 왜냐하면 역학이 발생하는 방식이 그렇지 않은 경우가 많기 때문입니다.
	따라서 우리는 안정성이 필요하며 부분 가중치 부트스트래핑을 기반으로 하는 여러 모델의 앙상블이 이를 제공합니다.
	또 다른...이것의 또 다른 큰 점은 이러한 상황에 본질적으로 존재하는 다중공선성입니다. 혼합물은 복잡한 시스템입니다.
	이는 구성 요소 동작의 합계가 아닙니다. 이는 실제로 상호 작용의 산물입니다. 그래서 제가 다시 프로파일러를 좋아하는 이유도 바로 이 프로파일러가 설명하기 때문입니다.
	그 상호 작용은 아름답습니다. 이러한 역학은 정말 훌륭하게 나타납니다. 따라서 우리는 이러한 다중공선성을 모두 얻었기 때문에 이를 완화하고 안정적이고 보다 정확한 예측 모델을 제공합니다. 우리는 지금 이것을 실행하고 있습니다 ...
	사실 몇 년 전으로 거슬러 올라가지만
	잠시 이야기할 SVEM 추가 기능을 만든 이후 올해 초부터 지금까지 여러 번 실행해 보았는데 정말 훌륭하게 작업이 완료되었습니다.
	우리 고객은 이에 매우 만족하고 있습니다. 제가 말했듯이 SVEM을 사용한 평균화 모델은 자동화되지 않았고 JMP 표준이나 JMP Pro도 있지만 추가 기능이 있습니다. 저희 웹사이트 Predictum.com을 방문하시면 이에 대해 자세히 알아보고 방법을 알아볼 수 있습니다. 그것을 얻기 위해.
	네, SVEM에는 특정 페이지가 있습니다. 우리는 또한 현대적인 혼합 디자인 과정을 가지고 있는데 마리와 필, 그리고 제가 그 과정을 수강하고 있다는 것을 알 수 있습니다.
	이는 Predictum 사이트의 교육 페이지에서 확인할 수 있습니다. 우리는 고전적인 혼합 설계에 대한 섹션을 다루고 있지만 코스의 2/3에서 3/4은 SVEM을 다루고 있습니다.
	SVEM 추가 기능도 과정의 일부로 제공됩니다. 이번 강연에서 우리는 데이터로부터 예측 모델을 구축하는 방법을 살펴보았습니다.
	데이터는 과적합을 제어하기 위해 검증 시험을 수행하는 가능성에 의해 제한됩니다. 아시다시피, 고전적인 디자인 실험에서는 실행할 수 있는 작업이 없습니다.
	훈련과 검증 모두에 적합하므로 특히 혼합 DOE의 경우 공간 채우기 설계를 사용하는 것이 좋지만 실제로는 다른 DOE 상황에도 더 일반적입니다. 그리고 자동 검증 및 부분 가중치 부트스트래핑을 기반으로 하는 SVEM에 대해 설명했습니다.
	그리고 SVEM이 별도의 검증 실행 없이 어떻게 DOE 데이터에 대한 예측 모델링을 가능하게 하는지 논의했습니다.
	그리고 요소 실험 데이터를 이용하여 SVEM을 시연했습니다.
	그리고 슬라이드를 다운로드하면 수많은 참고 자료를 찾을 수 있다는 점을 알아두시기 바랍니다. 여기에 몇 가지가 있고 또 몇 가지가 더 있습니다. 제가 이것에 대해 좋아하는 점 중 하나는
	실제로 1996년까지 거슬러 올라갑니다. 따라서 이것은 한동안 진행되어 온 내용이므로 이 참고 자료를 살펴보시기 바랍니다.
	그리고 이것으로 질문을 받겠습니다.

브레이크아웃암사슴통계 및 모델링Re: 공간 채우기 혼합 설계, 신경망 및 SVEM을 통한 혁신 가속화(2021-US-45MP-807)

멋진 정보입니다!