Vocero
|
Transcripción
|
| Philip J. Ramsey |
Hola, soy Phil Ramsey de la Universidad de New Hampshire y Predictum. Y junto con mis co-presentadores Wayne Levin de Predictum y Marie Gaudard, el |
| |
Profesor emérito de la Universidad de New Hampshire y Predictum, vamos a presentar una charla sobre diseños de mezcla modernos. |
| |
Y la agenda de la charla es que hablaremos sobre el aprendizaje automático y el diseño de experimentos, presentaremos brevemente qué son los diseños de mezcla, |
| |
hablar sobre un nuevo método de aprendizaje automático para DOE llamado autovalidación, que se combina con el modelado de conjuntos para crear algo que llamamos metodología de modelado de conjuntos de autovalidación. |
| |
Y luego hablaremos sobre SVEM, que es un modelado de conjuntos autovalidante, y haremos una demostración usando un experimento de mezcla y luego hablaremos sobre |
| |
el método SVEM y los diseños que llenan el espacio. Y Wayne Levin hablará sobre un complemento que Predictum ha desarrollado para hacer SVEM y también hará la demostración del experimento de urea. |
| |
Y quiero señalar que recientemente, de hecho solo este año, ya hemos tenido tres y eso será pronto para artículos publicados en revistas sobre el tema de |
| |
DOE y el aprendizaje automático, por lo que la gente ha descubierto que los métodos de aprendizaje automático se aplicaban tradicionalmente a los macrodatos. |
| |
puede tener mucha aplicabilidad al DOE, y ciertamente estamos de acuerdo. Y vamos a mostrar cómo se pueden utilizar de forma eficaz con experimentos de mezcla. Pero una de las limitaciones tradicionales en la aplicación del llamado aprendizaje automático |
| |
a conjuntos de datos más pequeños como DOE es la creencia de que uno tenía que tener conjuntos de datos muy grandes. En realidad, esto no es del todo cierto. |
| |
Y como verá, el método SVEM que ha sido desarrollado por varias personas, incluidos yo y el Dr. Chris Gotwalt de JMP, |
| |
de hecho, hacemos que sea bastante factible aplicar estos métodos tradicionales de big data a los datos mucho más pequeños como los que encontramos con el diseño de experimentos. |
| |
Además, el aprendizaje automático tiene que ver con la predicción, por lo que dividimos el modelado estadístico en dos enfoques, uno se llama explicativo, que es clásico, se centra en la prueba de hipótesis y los valores y parámetros de P. |
| |
Y eso generalmente no conduce a buenos modelos predictivos, pero el aprendizaje automático se enfoca completamente en la predicción. |
| |
Entonces ese es nuestro punto de vista, y eso es lo que vamos a usar hoy y lo aplicaremos a los experimentos de mezcla. Usaremos el aprendizaje automático |
| |
para la predicción. Nuestro enfoque no está en la explicación y, como verá, vamos a poder aplicar estos métodos predictivos de aprendizaje automático al pequeño diseño de experimentos. |
| |
conjuntos de datos. Bueno, tradicionalmente, la forma en que evaluamos los modelos predictivos es utilizando una parte de los datos para entrenar, por eso lo llamamos conjunto de entrenamiento, un método muy común. |
| |
Y luego tenemos otro set que de alguna manera hemos retenido. Hay varias estrategias. Solo hablaremos de uno, llamado retener. |
| |
Lo dejamos a un lado, ajustamos el modelo al conjunto de entrenamiento y luego el conjunto de retención, o conjunto de validación, nos permite evaluar la capacidad de predicción. En otras palabras, estamos prediciendo datos que no se utilizan para ajustarse al modelo. |
| |
Sin embargo, esta estrategia no funcionará con el diseño de experimentos. Son muy eficientes y centrados en la información, |
| |
y normalmente no hay suficientes recursos o presupuesto para desarrollar conjuntos de validación. Rara vez las personas pueden realizar ejecuciones adicionales que puedan usarse para la validación. |
| |
Entonces, esto parecería ser una barrera para el uso del aprendizaje automático para el modelado predictivo pero, como mostraremos, este método SVEM nos ayuda a superar esta restricción. |
| |
Y solo, antes de entrar en SVEM, quiero brindarles rápidamente una discusión sobre los diseños de mezcla. Sé que algunos de ustedes están familiarizados con ellos, otros no. |
| |
Se trata de un tipo especial de diseño experimental. No son tan comunes como deberían, porque la gente no los conoce, pero se refiere a la experimentación con una formulación o receta, y los componentes de estas formulaciones pueden ser literalmente líquidos, gases o sólidos. |
| |
Y uno de los conceptos importantes es el impacto en las respuestas que solo dependen de las proporciones relativas de los componentes. |
| |
Así que estamos muy preocupados por las proporciones de nuestros componentes, como diría, por ejemplo, en una receta. No nos centramos en cantidades. Si la cantidad total presente fuera importante, esto conduce a otro tipo de experimento llamado cantidad de mezcla, que está fuera del alcance actual. |
| |
Pero debido a que estos son componentes de una formulación, existen restricciones sobre estos factores. En otras palabras, la cantidad total debe limitarse; a veces eso sucede de forma natural. |
| |
Pero también hay que limitar las proporciones. Entonces, en un experimento de mezcla, a diferencia de un experimento factorial, no se pueden cambiar los factores de forma independiente. |
| |
Entonces, en el DOE tradicional con el que muchas personas están familiarizadas, no hay restricciones en la configuración conjunta de los factores. En algunos casos los hay, pero normalmente no los hay. |
| |
Una mezcla experimenta, por otro lado, dado que son ingredientes de alguna formulación, la cantidad total tiene que sumar 1 o 100%. Entonces, si tuviera factores Q, entonces la configuración de esos factores experimentales Q para cada prueba debe sumar 1. Es más, |
| |
la configuración de cualquier componente individual debe estar entre 0 y 1. También señalaré, y no tendremos tiempo para discutir esto hoy, |
| |
Una variante importante en los diseños de mezcla se llama experimentos de proceso de mezcla, en los que combinamos factores de mezcla con factores de proceso. |
| |
Hacemos esto debido al comportamiento de las mezclas. Por ejemplo, piense en algo como un adhesivo de tres partes, el comportamiento cambia drásticamente con las condiciones de procesamiento. Así que podríamos mirar cosas como la presión y la temperatura para curar un adhesivo y la temperatura óptima. |
| |
la receta generalmente cambia en función de esos factores del proceso. Eso está fuera del alcance de la charla de hoy, pero es un aspecto importante de las mezclas. |
| |
Entonces, históricamente, cuando la gente analiza mezclas e incluso las crea ... las crea, el foco está en los objetivos explicativos, es decir, |
| |
Prueba de hipótesis sobre parámetros, valores P e intervalos de confianza. Sin embargo, de las mezclas en general, esto siempre ha sido problemático porque las mezclas tienen inherentemente una gran cantidad de |
| |
multicolinealidad o correlación entre los factores y efectos. Tienen que hacerlo porque el total ... las cantidades totales están restringidas, y tienen que sumar 1, por lo que no pueden ser independientes por diseño. Sin embargo, |
| |
No estamos de acuerdo con este enfoque tradicional y con mucha experiencia que tenemos con experimentos de mezcla, el objetivo es invariablemente, francamente, la predicción. |
| |
No es una explicación. Estamos tratando de predecir el rendimiento de mezclas o recetas y eso es lo que les interesa a los científicos o ingenieros. |
| |
Así que ha habido una gran desconexión entre lo que necesitan los científicos y cómo hemos analizado las mezclas. Además, muchos de los diseños tradicionales son lo que llamaríamos diseños de puntos límite. |
| |
Si está familiarizado con el término D óptimo, tienden a ser muy D óptimo, es decir, |
| |
la mayoría de los puntos se asignan alrededor de los límites, tenemos poca información interior. Hay muy pocos puntos, a veces ninguno |
| |
en el interior de la región de diseño. ¿Porque es esto importante? Bueno, los sistemas de mezcla, especialmente en aplicaciones químicas y biológicas, |
| |
tienden a ser muy complejas. Hay cinéticas muy complejas y estas superficies de respuesta tienen formas muy complicadas. |
| |
Y si no tenemos una gran cantidad de información sobre el interior de la región de diseño, es muy probable que no se nos ocurran modelos que realmente representen el comportamiento del sistema. |
| |
Y esto ha sucedido con bastante frecuencia en la historia del uso de diseños de mezcla. Además, de nuevo, no tendremos tiempo para hablar de eso hoy, |
| |
un enfoque clásico de análisis o modelado en el pasado son los que llamo polinomios de Scheffe, |
| |
y estos son un tipo de polinomio diseñado para ser utilizado con mezclas. Hay muchas variantes de ellos, pero estos polinomios simulados son frecuentemente, especialmente en sus formas clásicas, inadecuados para modelar estas superficies de respuesta. |
| |
Entonces, ¿cómo abordamos el problema? Bueno, creemos que la forma en que debemos abordar los diseños de mezcla es desde el punto de vista de los diseños de relleno de espacio. |
| |
¿Y por qué diseños que llenan el espacio? Una vez más, eso podría ser una charla en sí mismo, pero estos son diseños que se crean para cubrir un espacio de diseño lo mejor posible para un número determinado de puntos de diseño. |
| |
Y la cantidad de puntos de diseño |
| |
son una opción para el usuario. De hecho, esto puede permitirnos utilizar diseños más pequeños, |
| |
diseños clásicos, y cubrieron la región del diseño. Esto, como resultado, puede brindarnos modelos predictivos más precisos y útiles. Tenemos mejor información sobre toda la región de diseño. |
| |
Y en nuestro enfoque de las mezclas, todo se basa en el uso de diseños de filmación espacial, y esta es una tendencia que hemos notado en la industria en los últimos años. |
| |
Ahora quiero cambiar de marcha y hablar sobre ... bueno, dado que hemos creado la mezcla, la hemos ejecutado, bueno, ¿cómo la analizamos? |
| |
Y mencioné anteriormente, uno de los problemas con el aprendizaje automático aplicado al DOE es que realmente no tenemos un conjunto de validación natural. Bueno, Gotwalt y Ramsey, que seríamos yo y el Dr. Chris Gotwalt, en realidad propusimos un método de validación al que nos hemos referido como validación automática. Y |
| |
la primera charla sobre esto se dio en una conferencia de Discovery Europe hace algunos años. |
| |
Y esto no parecerá intuitivo, pero escúchame. Podemos usar los datos originales, el experimento original para entrenamiento y validación. En otras palabras, tomamos los datos originales y creamos una copia o clon de ellos, |
| |
y nos referimos a esto como el conjunto de validación automática. Por tanto, cada observación del conjunto de entrenamiento tiene un gemelo en el propio conjunto de validación automática. |
| |
Ahora, por sí solo, esto parecería una tontería. Dado que el conjunto de validación automática tiene las mismas observaciones que el conjunto de entrenamiento, ¿cómo proporciona eso una evaluación independiente de la capacidad de predicción? Bueno, no puede por sí solo. |
| |
La clave de la idea de la validación automática es que aplicamos un esquema de ponderación a las observaciones, y el esquema se basa en generar pesos a partir de una distribución gamma. |
| |
Por cierto, la distribución gamma se usa comúnmente para ponderar en aplicaciones estadísticas. Los pesos gamma tienen una serie de ... varias propiedades agradables de nuevo que no veremos hoy. |
| |
Y lo que hacemos es generar un conjunto de pesos, pero lo hacemos de una manera especial. Si una observación en el conjunto de entrenamiento obtiene un valor alto, un peso alto, |
| |
la observación en el conjunto de validación automática, el gemelo, obtiene un peso bajo. ¿Por qué hacemos esto? Esto impulsa la anti-correlación entre los dos conjuntos de datos. |
| |
En otras palabras, estamos tratando de descorrelacionar los conjuntos usando un esquema de ponderación, y ahora tenemos una gran cantidad de investigación que se ha realizado sobre esto en los últimos años. Indica que este enfoque es muy eficaz. |
| |
Y en breve se publicará un documento en el que todos estos resultados estarán disponibles. Entonces, la idea es usar este esquema de ponderación, por lo que tomamos el |
| |
conjunto de entrenamiento, asignamos los pesos gamma, tenemos el conjunto de validación automática y asignamos los pesos correspondientes a cada uno de los gemelos, por lo que si el conjunto de entrenamiento tiene un peso alto, |
| |
el gemelo en el conjunto de validación automática obtiene un peso bajo, y esto impulsa este comportamiento de anti-correlación. Y luego simplemente repetimos esta estrategia varias veces para que el usuario lo especifique. Entonces, en la siguiente diapositiva, muestro un ejemplo de un experimento simple. Tenemos tres factores. Aviso |
| |
las carreras 1-7 son el conjunto de entrenamiento, el original. Las ejecuciones 8-14 son el clon o la copia. Observe que las observaciones son exactamente los mismos valores para los dos conjuntos y luego observe la columna llamada |
| |
Pesos FWB emparejados. Explicaré FWB en un momento. |
| |
Y observe que si una observación, como la observación 1, tiene un peso alto, su gemelo, la observación 8, tiene un peso bajo. Entonces la observación 8 está en el conjunto de validación. |
| |
Entonces, esta idea de ponderación fraccional es importante, por lo que el análisis se realiza aplicando las ponderaciones fraccionarias a la respuesta. Luego repetimos esta estrategia |
| |
algunas veces (y la cantidad de veces dependerá del usuario y del escenario) y ajustamos el modelo cada vez. En otras palabras, somos básicamente lo que llamamos bootstrapping con ponderación fraccionada. |
| |
¿Y qué es el bootstrapping ponderado fraccionalmente? Es básicamente una forma de arranque, también conocido como arranque generalizado, |
| |
en el que no arrancamos las observaciones. Realizamos el bootstrap de pesos aplicados a las observaciones. Esta es una metodología bien conocida y la estamos aplicando. |
| |
Lo que es diferente es que aplicamos esto repetidamente, como dije, podría ser cientos de veces, miles de veces, realmente depende del usuario. |
| |
Cada vez que ajustamos un modelo y luego al final, lo que hacemos es tomar un promedio o conjunto. Y estos se llaman ... y aquí es donde obtenemos el término |
| |
La autovalidación o autovalidación es el modelado de conjuntos de autovalidación. Estamos tomando promedios |
| |
y el modelado de conjuntos, por cierto, es muy común en el aprendizaje automático y el aprendizaje profundo porque tiende a conducir a un modelado predictivo más estable y mejor. |
| |
Por lo tanto, SVEM realiza un bootstrapping ponderado fraccionalmente para generar una familia de modelos y luego usa el promedio del modelo para generar un modelo predictivo final. |
| |
Entonces, ¿cómo funciona el método? Bueno, eliges un algoritmo para tu modelo predictivo. En nuestro caso, nos centraremos en las redes neuronales para |
| |
diseños de mezcla, pero puede elegir otros métodos. SVEM es bastante agnóstico sobre qué algoritmo se usa con él, y es muy adecuado para muchos algoritmos. Entonces creamos el conjunto de entrenamiento y validación automática. Asignamos nuestros pesos fraccionarios. |
| |
Y luego ajustamos el modelo, y luego iniciamos esto varias veces, según lo definido por el usuario, y luego tomamos un promedio. Bien, en este punto le voy a pasar la palabra a mi colega, Wayne Levin, quien hará una demostración de SVEM y hablará sobre un complemento para hacerlo. |
| Wayne |
Solo estoy haciendo el cambio aquí |
| |
y compartir pantalla. |
| |
Y solo voy a cambiar el PowerPoint. |
| |
Muchas gracias, Phil. Vamos a usar este ejemplo aquí, estos datos de urea, por lo que el propósito del experimento es optimizar una solución para un agente limpiador. |
| |
Y los tres componentes de esta mezcla son agua, alcohol y urea. Y esas son estas tres columnas de aquí. Y solo nos centraremos en una respuesta, que es la viscosidad. El objetivo que estamos tratando de alcanzarnos 100 pero, como podemos ver aquí abajo, |
| |
queremos estar entre 95 y 105 en términos de viscosidad. Entonces, con eso, voy a cambiar a JMP. |
| |
Bien, aquí están nuestros datos de urea. Simplemente lo abrí aquí y fíjate que solo hay 15 carreras, así que voy al siguiente paso. Y el siguiente paso en el |
| |
El proceso es crear la tabla de validación automática, por lo que cuando hago clic en eso, verán que suceden un par de cosas. Primero, tenemos una nueva tabla y tenemos las primeras 15 ejecuciones, que es exactamente la misma que teníamos aquí. Y luego para cada una de las carreras ... así que si me enfoco, por ejemplo, en esta primera fila (52, 29, 19), |
| |
puedes ver que se repite aquí abajo, así que 52, 29, 19. |
| |
Y así mismo la segunda fila será 57, 23, 19. Obviamente no voy a repetir todo esto, pero creo que entiendes la idea. Es simplemente repetir las combinaciones en esto ... |
| |
en el segundo conjunto aquí abajo, y el primer conjunto es el entrenamiento ... lo que se usa para el entrenamiento y luego el segundo, como se indica aquí, es lo que obtenemos para la validación. Ahora en el medio está la columna de ponderación fraccionaria pareada de la que hablaba Phil. Entonces |
| |
tendemos a ver ... cuando tendemos a ver números altos aquí arriba, obtendremos los números más bajos correspondientes abajo y sigue mucho el ... |
| |
bueno, la distribución gamma de la que hablaba Phil. Entonces, ¿por qué no muestro eso? Solo voy a graficar los pesos aquí, solo una especie de |
| |
coloque eso en la pantalla. Entonces, cada vez que pasamos por las iteraciones, obtenemos ... actualizamos los pesos. Así que solo eche un vistazo a los pesos aquí y solo observe el |
| |
columna de aquí, esta columna de aquí. Así que voy a ejecutarlo para que lo vean. Entonces, en cada iteración, obtenemos un nuevo conjunto de |
| |
fraccional ... pares fraccionalmente ponderados en los conjuntos de entrenamiento y validación. Bueno. Así que a continuación voy a |
| |
hacer un modelo de ajuste. Así que voy a hacer, por así decirlo, una iteración, podría decir. |
| |
Y entonces la viscosidad es la respuesta. Solo observe aquí abajo que el rol de frecuencia tiene este par fraccional ... peso de arranque fraccional ponderado, por lo que así es como se incluye en el modelado. Así que ahí vamos y aquí está, por así decirlo, una iteración, |
| |
bien, basado en estos pesos particulares. Bien, |
| |
si queremos tener un modelo de conjunto, tenemos que hacerlo repetidamente. Entonces, lo que voy a hacer ahora es ejecutar esto con nuevos pesos y, si lo desea, |
| |
mantén un ojo ... tienes que estar atento a tres lugares diferentes a la vez, lo que podría ser un desafío. Voy a tratar de colocar estas cosas, está bien. |
| |
Entonces, lo que sucederá es que, cuando haga clic aquí para ejecutar con nuevos pesos, verá que los pesos aquí cambian, se creará un modelo y se guardará el modelo predictivo. |
| |
aquí arriba. Voy a hacer uno aquí. Vamos a intentarlo. Bang, por lo que cambió la forma en que se produjo el modelo. |
| |
Guarde el modelo aquí. Esta columna también se agrega; este es el conjunto del que Phil estaba hablando, este es el promedio. Por supuesto, solo hice una iteración, por lo que el promedio es solo |
| |
lo mismo. Así que voy a hacer otra iteración aquí y obtenemos un nuevo conjunto de pesos, un nuevo modelo y un nuevo modelo se ha guardado, y ahora el modelo de conjunto aquí es el promedio de estos dos |
| |
aqui. Así que lo voy a hacer, oh, no sé, unas cuantas veces más. No es difícil de hacer, y podemos ver estas cosas |
| |
cambiar a medida que avanzamos. Así que tengo seis de ellos ahora, ¿por qué no echamos un vistazo rápido a estos seis? |
| |
modelos ... modelos individuales, así como el modelo promedio, el conjunto, y eso se muestra aquí en el perfilador. Y esto muestra más bien la inestabilidad que |
| |
Phil se refería antes, porque si, si solo hicieras esto una vez ... ahora sé que hay una ponderación fraccionaria que está sucediendo aquí, pero como Phil mencionó, ya sabes, un movimiento de cualquier punto que realmente puedo |
| |
perturbar el modelo, si lo desea, y terminará con características que realmente no ... |
| |
tal vez no pertenezca realmente allí. Son solo artefactos de puntos de diseño particulares. Pero solo eche un vistazo aquí, puede ver cómo |
| |
cada uno de estos modelos individuales se ve ... bueno, aquí tienen algunas características diferentes. pero abajo, el modelo promedio es en cierto sentido ... bueno, es el promedio de todos los modelos anteriores. |
| |
Y puedes ver más o menos eso, ese gran problema de aquí se suaviza. Ves un poco de eso aquí abajo. |
| |
Ahora, esto es solo con seis iteraciones y con el complemento, recomendamos hacer 50 iteraciones. |
| |
Pero lo que haré también, echemos un vistazo a lo real frente a lo previsto. Ahora bien, este salió bonito ... |
| |
bastante consistente. De todos modos, las líneas son prácticamente una pendiente de una. A menudo, cuando hacemos esto, vemos más variación en esto, pero lo que notará en el |
| |
modelo promedio, es un poco difícil de ver aquí en este ejemplo en particular, pero es una línea sólida, que básicamente atraviesa la masa de las otras líneas allí. Así que los voy a dejar a un lado y lo que haré a continuación es |
| |
De hecho, voy a hacer un montón de carreras aquí. Creo que lo haremos en esta demostración, va a hacer 25 iteraciones. Puedes ver el cambio de modelo, puedes ver los pesos |
| |
cambiando por aquí. No está agregando nada nuevo aquí. Así que solo estamos pasando. Bang, está hecho y ahora echaremos un vistazo al informe. Así que voy a abrir eso. |
| |
Inicialmente, terminamos con un gráfico real frente al predicho aquí y un gráfico residual. Sería bueno mirar por aquí el |
| |
perfilador. |
| |
Y me encanta el perfilador. Es |
| |
muy apropiado para mezclas, porque se puede ver, como cambié el agua, a medida que la aumenté, las otras dos bajan. Eso es |
| |
naturaleza inherente de las mezclas, por supuesto, todas tienen que contener o sumar 1. Bien, este es, por así decirlo, el modelo promedio. |
| |
El modelo de conjunto a través de los 25 ajustes que han tenido lugar aquí, está bien. Así que si puedo, voy a |
| |
ahora solo eche un vistazo rápido al perfilador de mezclas. |
| |
Tenemos esta mirada aquí. |
| |
En realidad, si me lo permite, lo que puede ver de esto es ... |
| |
observe los puntos. ¿Ves cómo encajan muy bien los puntos? Esta es la naturaleza del diseño que llena el espacio, y también notará que este diseño en realidad tiene restricciones. |
| |
Por lo tanto, no cubrimos de ninguna manera todo el espacio de agua 0-1 o urea 0-1, y así sucesivamente, por lo que tenemos estas restricciones aquí. |
| |
Y lo que voy a hacer ahora es poner los límites, solo para poder visualizar ... visualizar ese 95 a 105. Entonces eso me muestra en el espacio en blanco aquí donde puedo ... |
| |
qué combinaciones, por así decirlo, satisfacen esas esas esas condiciones ... la especificación limita aquí. |
| |
De acuerdo, esa es la demostración de |
| |
del método SVEM, la metodología, por así decirlo, y |
| |
Yo puedo ... Yo solo. |
| |
Así que SVEM y diseño de relleno de espacio. Una vez más, una de las grandes motivaciones de esto es que son inherentemente inestables. |
| |
Por lo tanto, pequeños cambios en los datos pueden conducir a grandes cambios en las predicciones y, por supuesto, un solo modelo predictivo puede ser inestable como resultado. Ya sabes, terminas con esos problemas y eso, ya sabes, |
| |
por lo general es bastante perturbador solo de mirar porque a menudo esa no es la forma en que ocurre la cinética. |
| |
Por lo tanto, necesitamos estabilidad y el conjunto de múltiples modelos, basados en el bootstrapping ponderado fraccionalmente que nos da eso. |
| |
La otra ... la otra gran cosa sobre esto es la multicolinealidad que está inherentemente presente en estas ... en estas situaciones. Las mezclas son sistemas complejos. |
| |
No son la suma del comportamiento de los componentes. Son realmente el producto de las interacciones, y por eso, de nuevo, me encanta el generador de perfiles porque representan |
| |
esas interacciones maravillosamente. Esas dinámicas simplemente se expresan muy bien. Entonces, debido a que obtuvimos toda esta multicolinealidad, de alguna manera mitiga eso y brinda modelos predictivos estables y más precisos. Hemos estado ejecutando esto ahora ... |
| |
en realidad se remonta a algunos años, pero |
| |
desde que creamos el complemento SVEM, del que hablaré solo un momento, lo hemos ejecutado varias veces, desde principios de este año y ha hecho un buen trabajo. |
| |
Nuestros clientes están muy satisfechos con ella. Entonces, como dije, el modelo promediando usando SVEM, no está automatizado y no es estándar JMP o JMP Pro, pero tenemos un complemento, y si visita nuestro sitio web en Predictum.com, puede obtener más información sobre él y cómo para conseguirlo. |
| |
Así que sí, hay una página en particular sobre SVEM. También tenemos un curso de diseño de mezclas modernas y puedes ver que eso es con Marie, Phil y yo. |
| |
Y eso, puede verlo en la página de capacitación en el sitio de Predictum. Cubrimos una sección sobre los diseños de mezclas clásicas, pero entre dos tercios y tres cuartos del curso incluye SVEM. |
| |
Y eso está disponible, el complemento SVEM está disponible como parte del curso. Entonces, en esta charla, hemos visto cómo construir un modelo predictivo a partir de datos es ... |
| |
los datos están limitados por la viabilidad de realizar ensayos de validación para controlar el sobreajuste. Ya sabes, en un experimento de diseño clásico, simplemente no tenemos las carreras para hacer |
| |
tanto la capacitación como la validación, por lo que sugerimos usar diseños de llenado de espacio, especialmente para DOE mixtas, pero en realidad, de manera más general, también para otras situaciones DOE. Y describimos SVEM, que se basa en la validación automática y el bootstrapping ponderado fraccionalmente. |
| |
Y discutimos cómo SVEM permite el modelado predictivo para datos DOE sin, nuevamente, un conjunto separado de ejecuciones de validación. |
| |
Y demostramos SVEM utilizando los datos del experimento de urea. |
| |
Y quiero que sepa que si descarga las diapositivas, encontrará un montón de referencias. Aquí hay algunos aquí y algunos más, y una de las cosas que me encanta de esto es que |
| |
en realidad se remonta a 1996. Así que esto es algo que se ha estado gestando durante algún tiempo, y les animo a que echen un vistazo a estas referencias. |
| |
Y con eso tomaremos preguntas. |
