398685_ko-KR

liliconcom

SVEM: DOE에 적용된 기계 학습(2021-US-45MP-847)

레벨: 중급

 

Peter Hersh, JMP 수석 시스템 엔지니어, SAS
Trent Lemkus, 박사 과정 학생, University of New Hampshire
Phil Kay, JMP 학습 관리자

 

우리는 프로세스와 시스템을 이해하기 위해 실험을 설계합니다. 즉, 우리가 제어해야 하는 입력 요소와 원하는 결과를 일관되게 달성하기 위해 제어해야 하는 방법을 알기 위해서입니다. 통계적 실험 설계(DOE)는 이러한 이해를 제공하는 모델을 구축하는 가장 효과적인 방법입니다. DOE를 사용하면 실험적 노력을 통해 이해를 극대화할 수 있습니다.

그러나 이러한 방법을 사용하려면 도메인에 대한 우리의 지식과 경험이 항상 편안하지 않은 특정 가정(효과 희소성, 효과 유전 및 활성/비활성 효과 포함)을 받아들여야 합니다. 기계 학습 접근 방식이 이러한 문제 중 일부를 극복하고 추가 비용 없이 실험을 통해 더 풍부한 이해를 제공할 수 있습니까? 이것이 실험의 설계와 분석에 혁명이 될 수 있습니까?

이 강연은 SVEM(Self-Validated Ensemble Modeling)의 혁신적인 방법을 탐구합니다. 애니메이션 영상을 통해 작은 데이터 세트의 부분 가중치가 설계된 실험에 대한 모델 피팅의 자체 검증을 어떻게 가능하게 하는지 알 수 있습니다. 또한 이 검증 방법을 사용하여 구축된 앙상블 모델의 예측 견고성을 입증하는 엄격한 시뮬레이션 연구의 결과를 볼 수도 있습니다.또한 과학자와 엔지니어가 SVEM을 사용하여 추가 노력 없이 실험을 통해 더 나은 이해를 얻을 수 있는 방법을 보여주기 위해 사례 연구 예제가 제공됩니다.

 

 

자동 생성된 대본...

 

스피커	성적 증명서
조던 힐러	외출.
필 케이	알겠습니다. 함께해주셔서 감사합니다. 저는 필 케이입니다. 저는 JMP의 학습 관리자이며 자체 검증된 앙상블 모델링인 SVEM의 대화식 예제로 이 프레젠테이션을 시작하겠습니다.
	저는 SVEM이 무엇인지, 어떻게 작동하는지 메커니즘에 대해 설명하고 Pete와 Trent가 예제를 공유할 것입니다.
	사례 연구 및 시뮬레이션, 실제로 왜 이것을 하고 싶은지 설명합니다. 나는 단지 이것을 발표할 것이다.
	매우 간단한 사례 연구이므로 처음에는 이유가 아닌 것처럼 보일 수 있습니다. 왜 이것을 하고 싶은지 명확하지 않을 수 있지만, 내가 이것을 설명한 후에 메커니즘을 이해할 수 있기를 바랍니다.
	자, 이제 비디오를 중단하고 여기에서 소프트웨어 데모에만 집중하겠습니다.
	여기에 JMP 저널이 있습니다. 이 저널을 여러분과 공유하고 있으므로 Community.JMP.com의 JMP 커뮤니티 게시물에서 이 저널에 액세스할 수 있습니다.
	그리고 우리가 사용할 예는 전형적인 DOE 예입니다. 이것은 JMP의 도움말 파일에서 얻을 수 있는 바운스 데이터입니다.
	따라서 3개의 요소, 15개의 런이 있습니다. 그것은 Box-Behnken 디자인이고 우리는 거기에 반응을 얻었습니다. 신축성이 있고 매우 간단하고 표준적입니다.
	Ttaditional 구식 DOE.
	그리고 이 데이터를 모델링하는 데에는 큰 어려움이 없습니다. 그리고 우리는 이 곡선의 행동, 이 2차 효과 및 요인 간의 상호 작용뿐만 아니라 중요한 것으로 판명된 반응 표면 모델에 맞는지 확인합니다.
	SVEM 접근 방식을 사용하여 이것을 모델링하는 방법을 살펴보겠습니다.
	따라서 SVEM을 사용하여 이것을 모델링하려는 경우 가장 먼저 알 수 있는 것은 30개의 데이터 행이 있으므로 실제로 각 데이터 행을 복제했다는 것입니다. 이는 약간 미친 것처럼 보일 수 있습니다. 속이는 것처럼 보일 수 있습니다. 이것은 SVEM 방법론의 핵심 트릭입니다.
	여기에 몇 가지 추가 열이 있는 것을 볼 수 있으며 핵심은 이 유효성 검사 가중치입니다. 그래서 그 의미를 알 수 있도록 도표를 작성해 보겠습니다.
	각 데이터 행, 각 실행에 대해 실제로 실행 쌍이 있으므로 실행 번호 1을 볼 수 있습니다. 여기에서 볼 수 있습니다.
	우리는 실제로 0에 있는 훈련 세트 또는 1에 있는 검증 세트에 각각의 실행에 가중치를 부여하고 있습니다. 그리고 당신은 각 쌍에 대해 그것을 볼 수 있습니다
	이러한 가중치는 반비례합니다. 예를 들어 여기에서 7번을 실행하면 훈련에서 가중치가 높고 검증 세트가 0이고 검증 세트에서 그에 상응하는 가중치가 낮은 것을 볼 수 있습니다.
	이제 그것들은 무작위로 할당되었으며 우리는 할 수 있습니다 ...
	여기를 클릭하면 가중치를 다시 할당할 수 있습니다. 그리고 다시 한 행의 훈련 세트에서 높은 가중치가 있는 경우, 예를 들어 여기 6번 행의 훈련 세트에서 높은 가중치가 있는 경우 유효성 검사 세트에서 그에 따라 낮은 가중치를 갖게 됩니다.
	그래서 여기에서 데이터 행을 두 배로 늘리고 있습니다.
	그리고 우리는 이것을 자체 검증에 사용할 것입니다. 그래서 우리가 실제로 할 수 있는 것은 보류 검증에 변형을 사용할 수 있다는 것입니다.
	데이터 행을 유효성 검사 세트로 완전히 보류하는 대신 각 행이 실제로 훈련 세트와 유효성 검사 세트 내에 있을 수 있도록 각 데이터 행의 일부를 보류합니다. 우리는 그 가중치를 재할당할 수 있습니다
	앙상블 모델링에 관해서는 반복적으로 할 것입니다.
	자, 요약하자면 우리는 기본적으로 각 데이터 행을 복제했으며 일부 행은 훈련에서 더 많이, 일부는 훈련에서 더 많이 하도록 가중치를 할당했습니다. 검증 세트.
	이제 유효성 검사를 사용하여 모델을 맞출 수 있습니다.
	여기에서 GenReg를 사용하고 있으며 유효성 검사 세트를 사용하고 있음을 알 수 있습니다(여기에 있는 오류 메시지는 무시하십시오).
	우리는 올가미를 사용하고 있으며 검증을 모델 선택으로 사용하고 있습니다. 그리고 이 경우 실제로 모델에서 활성 효과를 선택하지 않았습니다. 따라서 응답 표면 모델에 적합하며 올가미를 사용하여 선택 방법으로 유효성 검사를 사용했습니다.
	실제로 활성화된 효과가 없는 것으로 확인되었으므로 실질적으로 활성 영향이 없는 모델이 있습니다.
	그런 다음 우리가 할 수 있는 것은 해당 가중치를 다시 그려서 열에 가중치를 재지정하는 것입니다.
	그리고 이번에는 다른 모델을 얻습니다. 따라서 실제로 일부 효과는 이제 활성화되어 실리카는 실리카와 황 사이의 이러한 상호 작용에서 활성화됩니다.
	해당 모델을 저장해 보겠습니다.
	그래서 이제 우리와 함께
	데이터 테이블에 저장된 모델 공식 열이 있는 것을 볼 수 있습니다.
	그 가중치를 다시 그려봅시다. 그래서 다시 우리는 그것들을 다시 그립니다. 그래서 일부 행은 훈련에서 더 많이 사용되고 일부는 검증에서 더 많이 사용됩니다.
	그리고 다른 모델을 다시 얻었고 지금 저장해 보겠습니다. 그래서 우리는 이제
	저장된 예측 공식이 있는 두 개의 행...두 개의 열.
	그리고 우리는 그것을 다시 할 수 있습니다. 그래서 가중치를 다시 그리고 예측 공식을 저장하겠습니다. 나는 우리를 위해 그것을 수행하는 스크립트를 가지고 있습니다. 그리고 실제로 이 모델 평균을 생성하므로 실제로 저장된 세 모델의 평균을 구했습니다.
	따라서 각 개별 모델은 서로 다른 검증 가중치를 사용했습니다.
	각 모델은 다르며 일부는 다른 모델보다 우수했습니다. 요점은 우리가 그것들을 함께 평균할 때,
	그 평균은 지금까지 최고의 모델입니다. 따라서 이것이 실제로 표준에 대한 표준 방법을 사용하여 장착한 원래 모델에 매우 가깝다는 것을 알 수 있습니다.
	원본 데이터 세트.
	그리고 우리는 이것을 계속할 수 있습니다. 우리는 이것을 10번 반복할 수 있습니다. 그래서 우리는 그것을 반복할 것입니다. 그리고 가중치를 다시 그리는 것을 볼 수 있습니다. 우리는 약간 다른 모델을 얻을 때마다.
	그리고 우리는 각각의 다른 모델을 저장할 수 있습니다.
	그리고 궁극적으로 가장 좋은 모델일 가능성이 있는 평균으로 끝납니다.
	그리고 실제로 이 데이터의 표준 분석에서 본 원래 모델과 비교하면
	두 모델이 실제로 거의 일치하는 것을 볼 수 있습니다.
	따라서 이 경우 자체 검증된 앙상블 모델링을 사용하면 표준을 사용하는 것과 동일한 모델에 실제로 도달하게 됩니다.
	선형 회귀.
	그래서 나는 당신이 거기에서 본 것의 요점을 살펴보고 싶습니다. 그리고 제가 말했듯이, 우리는 이 새로운 모델링 기법을 사용하고자 하는 동기를 설명할 피트와 트렌트로 넘어갈 것입니다.
	우리가 한 것은 데이터의 원래 행을 복제한 것입니다.
	그런 다음 이것이 의미하는 바는 임의의 가중치를 적용하여 각 행 쌍이 훈련 대 검증에 얼마나 있는지 말할 수 있다는 것입니다.
	이를 통해 유효성 검사를 사용할 수 있습니다. 우리는 그런 작은 데이터 세트에 그것을 사용할 수 없습니다. 데이터 행을 완전히 유지하는 것은 이치에 맞지 않지만 이 복제된 집합으로 할 수 있는 일은
	가중 검증을 하는 것입니다. 따라서 이 경우 올가미 선택을 사용하여 모델을 피팅하고 올가미 선택은 이 가중치 검증 열을 사용했습니다.
	그런 다음 해당 가중치를 다시 그립니다. 우리는 그 행 쌍에 다른 가중치를 다시 무작위로 할당하고 모델을 재적합합니다. 그리고 우리의 경우에는 이것을 10-15번 반복했지만 실제로는 자체 검증된 좋은 앙상블 모델을 얻으려면 이 과정을 100번 이상 반복하고 싶을 것입니다.
	그리고 각 모델은 그 자체입니다... 해당 반복 프로세스의 각 단계에서 각 개별 모델은 특히 유용하지 않지만 모델 평균 또는 앙상블은 우리가 모든 반복의 평균으로 달성한 최종 모델에서 보았듯이 .
	이제 Pet에게 그것을 넘겨주고 그는 사례 연구를 통해 이야기할 것입니다. 이것은 실제로 왜 이와 같은 데이터 모델링에 이 특이한 방법을 사용하고 싶어하는지 보여줍니다.
피터 허쉬	고마워요, 필. 여기에서 내 화면을 공유하겠습니다.
	그리고 우리가 언제
	이 방법을 사용하십시오. 그래서 여기 내가
	결과를 먼저 살펴보고 DOE가 매우 작은 몇 가지 디자인을 보고 있습니다. 따라서 6개 실행, 8개 실행 및 10개 실행 DOE가 있으며 세 가지 요소가 있습니다.
	그리고 이것들은 자연적으로 과포화에서 포화 상태인 반응 표면 설계이며 모두 최적의 설계이므로 매우 적은 수의 런이 있습니다.
	여기에서 우리의 목표를 달성하기 위해. 이것이 우리가 갈 곳입니다. 이제 백업을 하고 디자인에 대해 이야기하고 우리가 여기까지 오게 된 방법에 대해 이야기해 보겠습니다.
	그래서.
	이것은 다양한 영양소 조합을 조정하여 미생물의 성장률을 최대화하려는 사례 연구입니다. 그리고 앞서 언급했듯이 우리는 과포화 I 최적 설계를 사용하고 있으며 실행 횟수를 조정하고 있습니다.
	그리고 이것은 모든 주 효과와 모든 2차 효과가 활성화된 시뮬레이션된 데이터입니다.
	이것이 어떻게 설정되었는지, 우리는 세 가지 요소로 시작했습니다. 내 모델을 디자인했습니다. 이전에 JMP에서 포화 또는 과포화 설계를 설계한 적이 없다면
	그렇게 하는 방법은 가능한 한 주효과가 아닌 효과를 처리하는 것입니다. 이렇게 하면 모델 효과를 수행할 때와 동일한 양의 실행 또는 더 적은 실행을 수행할 수 있습니다. 그리고 그곳에서 제 디자인을 만들었습니다.
	그리고 Phil이 데이터를 리샘플링하고 역...반비례하는 가중치를 얻는 것에 대해 너무 아름답게 묘사한 이 프로세스를 거쳤습니다. 이는 이 프로세스의 핵심입니다.
	우리는 몇 가지 논의를 마쳤고 QR 코드만 가지고 있습니다.
	이 기술은 Chris Gotwalt와 Phil Ramsey에 의해 개발되었으며 몇 가지 이전 대화에서 이 기술을 소개했습니다. 그리고 이 마지막
	QR 코드는 이전 버전의 JMP에서 이 유효성 검사 열을 설정하는 추가 기능이었습니다. JMP 16부터 소프트웨어에서 기본적으로 이 작업을 수행할 수 있지만 JMP 15가 있는 경우 이 추가 기능 설정을 사용해야 합니다.
	그리고 Phil이 말했듯이
	개별 모델은 데이터에 잘 맞지 않을 수도 있고, 일부는 잘 맞고, 일부는 항이 없을 수도 있습니다.
	그러나 이것은 각 개별 모델을 볼 수 있는 여기의 예를 살펴보는 것입니다. 일부는 절편에 불과하고 일부는 매우 적합하지 않으며 가끔 모델은 꽤 잘 작동합니다.
	그리고 이것은 Phil이 설명한 것과 같으며, 이들 각각은 다른 재계산된 가중치를 갖습니다. 그래서 우리는 약간 다른 모델을 얻었고 계속해서 그것들을 저장할 것입니다. 그것이 첫 번째 단계입니다.
	그런 다음 다음 단계는 해당 모델의 평균을 구하는 것입니다. 그리고 보시다시피, 이러한 모델의 평균을 구하면 더 많은 모델이 될수록 모델 적합도가 점점 더 좋아집니다. 따라서 개별 모델은 좋지 않지만 전반적인 평균 모델은 우리에게 좋은 적합성을 제공합니다.
	그리고 제가 이야기하고 싶었던 마지막 단계는 이 모델들이 본질적으로 편향되어 있다는 것입니다. Phil이 만든 첫 번째 모델에서 보았듯이 거기에는 활성 효과가 없었습니다. 그래서
	모델로 일부 모델 또는 변수 선택 기술을 수행할 때 특정 변수가 입력되지 않는 모델을 가끔 얻을 수 있습니다.
	여기 이 분포를 보면 알 수 있습니다.
	이것들은 모두 활성 효과이며 약 5의 분포를 가지고 있습니다. 이것은 효과 크기입니다. 그러나 여기 아래에 0이라는 막대도 있습니다.
	그래서 우리는 균형을 맞추기 위해 0이 될 때마다 효과를 과대평가하지 않을 것입니다. 그래서 이것은 더 낮은 값으로 편향될 것입니다. 그래서 우리는
	이러한 모델의 편향을 줄이는 작은 트릭입니다.
	이 모델을 최소 제곱 모델의 예측 변수로 취급하면 이러한 편향이 제거되고 이 프로세스를 통해 어떻게 수행되는지 보여드리겠습니다.
	그러나 결국 우리는 매우 적은 수의 실행으로 공유한 아주 좋은 결과를 얻었습니다. 그래서 SVEM을 사용하는 동기는 이 기술을 사용하지 않고 할 수 있는 것보다 적은 실행으로 적절한 모델을 예측하고 만들 수 있는 능력입니다.
	자, 이제 JMP로 이동하겠습니다.
	그리고
	그 과정을 거칩니다.
	자, 여기 제가 보여준 예의 6개 실행 DOE가 있습니다. 여기서 3가지 요소와 성장률이 있습니다. 그리고 이것은 우리가 모델을 만든 후입니다.
	이것이 보이는 것입니다. 따라서 우리는 6개의 결과와 함께 6개의 실행이 있습니다. 다음 단계는 해당 유효성 검사 열을 만들고 JMP 내에서 수행하기 위해 예측 모델링을 분석하는 것입니다.
	유효성 검사 열을 만든 다음 유효성 검사 열 대신 자동 유효성 검사 테이블을 만듭니다.
	알겠습니다. 그래서 저는 이렇게 했습니다. 나는 이미 그것을 겪었고 그렇게 했으므로 과정을 반복하지 않을 것입니다.
	그러나 여기에 다시 샘플링된 데이터가 포함된 데이터와 Phil이 시연한 것처럼 역상관된 가중치가 있습니다. 당신은 반복되는 달리기의 낮은 무게와 결합된 높은 무게를 가지고 있습니다. 이 작업을 수행한 후 모델을 만들고 진행합니다.
	이 경우 GenReg 모델을 사용했으며 변수 선택 기술 중 하나를 선택하려고 합니다. 따라서 이것을 실행하면 순방향 선택 올가미와 같은 작업을 수행하고 싶습니다.
	또는 또는 이러한 선택 기술 중 하나입니다. 그리고 Trent는 이러한 선택 기술과 그들이 조사한 기술에 대해 더 자세히 설명할 것입니다.
	따라서 모델을 실행한 후 JMP가 실행되고 활성화된 일부 효과를 선택했음을 알 수 있습니다. 일부는 잡혔지만 여기에서 볼 수 있습니다.
	우리가 보고 있는 편향, 이 두 가지 주요 효과가 모두 활성화되어야 하지만 0으로 나옵니다. 그래서 이것을 데이터 테이블에 저장할 때,
	나는 Phil이 보여준 것처럼 새로운 칼럼을 만들고 그 가중치를 다시 계산하고 그것을 반복해서 할 것입니다. 이것을 100번 수행하는 간단한 스크립트가 있습니다.
	우리는 이것을 공유하게 되어 기쁩니다. 그리고 이것은 당신의 스크립트, 당신의 모델 스크립트를 여기에 복사하여 붙여넣기 하고 우리가 여기서 한 것을 재현할 수 있게 하는 것은 매우 쉽습니다.
	자, 여기 최종 결과가 있습니다. DOE, 결과, 그리고
	내가 저장한 100개의 모델
	그리고 여기에 숨겨져 있습니다. 그리고 나서 최종 모델인
	100개 모델의 평균입니다. 그리고 우리가 하고자 하는 마지막 단계는 편향성 제거 단계입니다. 그래서 우리가 할 일은 이것을 치료하는 것뿐입니다.
	성장률에 대한 예측 변수로 평균 모델.
	여기에서 우리가 가지고 있는 원래 모델을 볼 수 있습니다.
	경사가 훨씬 더 가파르기 때문에 R 제곱이 적당하지만 기대했던 것만큼 좋지는 않습니다. 내 말은, 6번 실행해도 이... 6번 실행은 꽤 적합하지만
	그 편견을 제거할 수 있다면 조금 더 잘할 수 있을 것입니다. 정말 간단한 설정. 우리는 단지 성장률을 취합니다. 우리의 응답은 우리의 Y입니다. 우리는 추가
	여기에서 앙상블 모델, 모든 것의 평균
	개별 모델을 예측 변수로 사용합니다. 우리는 이것을 실행하고 결과를 얻습니다. 그리고 당신은 그것이 예측된 플롯에 의해 훨씬 더 나은 실제임을 알 수 있습니다. 거기에서 비교를 실행하면 그 편견을 제거하면 긍정적인 방향으로 큰 영향을 미친다는 것을 알 수 있습니다.
	맞아 그래서 Trent에게 돌려주기 전에 하나 더 보여주고 싶었어
	기본적으로 요약한 여기 슬라이드
	우리가... (내 작업 표시줄을 잃어버렸습니다.)...우리는 여러분이 사용하도록 적극 권장합니다.
	이 기술을 확인하십시오. 그러나 모든 상황에서 항상 작동하는 마법의 기술은 아닙니다. 하지만 스크리닝 디자인이나 이와 같은 것에서 이것을 확인할 때 이것은 매우 좋은 기술이 될 수 있습니다.
	표준 모델링 기술로는 할 수 없었던 일을 수행하는 데 도움이 됩니다. 그리고 그것을 가지고 Trent에게 전달할 것입니다.
	이 작업을 수행하는 방법과
	거기 정보. 그래서 트렌트, 당신은 그것을 제거 하시겠습니까?
트렌트 렘쿠스	네, 감사합니다, 피터. 알겠습니다.
	그래서
	나는 나의 것을 공유하고 있다
	PDF. 나는 그것이 실제로 공유되고 모든 사람이 볼 수 있는지 확인하고 싶습니다.
피터 허쉬	네.
트렌트 렘쿠스	좋아 환상적이야. 그래서
	Phil과 Peter가 발표한 사례 연구는 SVEM의 힘과 SVEM을 사용해야 하는 시기와 이유를 보여주는 경이적인 일화라고 생각합니다.
	현재 피어 리뷰 프로세스에 있는 연구 논문을 위해 우리가 한 일은 예측 환경에서 SVEM이 어떻게 수행되는지 경험적으로 보기 위해 과도한 양의 시뮬레이션 연구를 수행한 것입니다. 그래서
	다음... 보여드릴 슬라이드 시리즈가 있습니다. 다소 지루하고 건조하게 느껴질 수도 있지만 세부 사항에 대해 논의하는 것은 필수라고 생각합니다.
	좀 더 재미있는 것을 다루기 전에, 우리가 사용하는 방법의 예입니다...
	JMP, JSL을 사용하는 방법과 시뮬레이션을 예제로 실행한 방법과 결과뿐만 아니라 일부 출력이 어떻게 보이는지 보여줍니다.
	따라서 무엇보다도 시뮬레이션 연구의 개요와 목표는 주로
	우리는 실제 시뮬레이션 아키텍처를 만들고 싶었습니다. 그래서 우리는 시뮬레이션이 실제 산업 DOE를 최대한 인간에 가깝게 모방하기를 원했습니다.
	그리고 두 번째로, 우리는 순수 예측에 주로 초점을 맞출 때 SVEM뿐만 아니라 현대적 모델 구축 또는 현대적 모델 선택 기술이 어떻게 수행되는지 보고 싶었습니다.
	평범하고 단순하다. 그래서 우리는 모델을 설계에 맞출 때 그것이 진실 또는 홀드아웃 데이터 세트에 대해 어떻게 예측하는지, 또는 내 억양, 데이터를 변명할 수 있는지 알고 싶었습니다.
	그리고 이것으로부터 우리가 이러한 고유한 실행을 계산적으로 가능한 한 많이 시뮬레이션할 수 있다면 실제 세계에서 추론할 수 있도록 만들고 싶습니다...우리는 실제 결과를 가능한 한 가깝게 만들고 싶습니다. ~ 할 수있다
	SVEM은 초기 단계이므로 설정과 SVEM을 사용하는 위치 및 방법을 규정합니다.
	그래서 무엇보다도 시뮬레이션에서 어떤 설계를 사용했습니까? 최종 선별 설계를 사용했습니다.
	그리고 우리는 Box-Behnken 디자인을 사용했습니다. 여기서 우리 디자인의 기본 실제 생성 모델은 완전 2차 모델 또는 구어체로 2차 모델로 알려져 있습니다. 그리고 우리가 이러한 디자인을 선택한 이유는 A) 최종 선별 디자인의 경우,
	주 효과가 많을수록 모델이 더 포화되고 과포화됩니다. 즉, 주 효과가 높을수록 자유도가 훨씬 낮아집니다. 우리가 사용한 주요 효과가 있는 Box-Behnken 디자인의 경우,
	당신은 그 시나리오를 실행하지 않습니다. 그래서 우리는 ... 우리는 두 시나리오 사이에 병치를 가지고 있습니다.
	모델 선택 기술을 적용할 때 계수를 추정하기 위해 Box-Behnken 설계를 사용하여 적절한 자유도와 최종 선별 설계 사례에서 우리는 거의
	대부분의 경우 우리는 지나치게 포화된 디자인을 가지고 있었기 때문에 자유도가 충분하지 않았습니다. 그래서 간단히 말해서,
	Lassos, Dantzig 선택기 등과 같은 순방향 선택과 같은 현대적 모델 구축 기술을 사용할 때 모든 효과를 추정할 수는 없습니다.
	시뮬레이션에 사용한 실제 모델 알고리즘이 무엇인지 알 수 있습니다. 따라서 SVEM 모델의 경우 다음을 염두에 두십시오.
	SVEM이 무엇인지 잘 이해하지 못한다면 Peter가 언급한 이전 프레젠테이션으로 돌아가는 것이 매우 중요합니다.
	그러나 우리는 SVEM을 정방향 선택, 정방향 정리 및 시뮬레이션 연구에 사용하는 올가미와 같은 기본 모델 구축 기술과 함께 사용해야 합니다.
	SVEM이 아닌 모델의 경우 동일한 모델 구축 알고리즘을 사용하지만 DOE에서 매우 널리 사용되는 Dantzig Selector도 통합했습니다.
	뿐만 아니라 최종 선별에만 관련된 적합 최종 선별 설계; 다른 디자인에는 사용되지 않습니다.
	또한, 우리는 AICc 또는 수정된 AIC라고 하는 정보 기준을 사용합니다. 이는 DOE에서 매우 일반적이며 실제로 매우 간결한 모델을 선택하는 것으로 악명이 높습니다.
	보시다시피, 우리는 산업 DOE 사용에 매우 최신의 현대적인 기술을 통합하려고 노력하고 있습니다.
	우리는 시뮬레이션 연구를 통해 가능한 한 인간과 가장 가까운 현실 세계를 모방하기를 원하므로 이러한 경험을...
	따라서 이러한 다양한 모델 구축 알고리즘이 예측적으로 수행하는 방식을 경험적으로 평가할 수 있습니다. 그리고 우리는 SVEM이 경험적으로 경쟁 제품보다 성능이 우수하거나 우수함을 보여줄 수 있기를 바랍니다.
	그래서 실제 시뮬레이션 구조를 위해 각 모델 구축 알고리즘에 대해 1,000번의 시뮬레이션을 실행했습니다. 예를 들어 AICc를 사용하여 전방 모델을 피팅하는 경우
	그 1,000번의 실행 중 매번 우리는 진정한 모델인 사실을 생성하고 여기에 노이즈를 추가합니다.
	가우스 노이즈(학계 및 연구 수행 시 매우 일반적임),
	그렇게 함으로써 훈련 세트와 진리 세트를 생성하여 모델을 피팅하면 해당 모델이 진리에 대해 어떻게 예측하는지 알 수 있습니다. 그리고 이러한 데이터 세트를 무작위로 1,000번 다시 실행하고 재생성합니다.
	SVEM 하이퍼파라미터는 다루지 않겠습니다. nBoot 200을 사용했습니다. 간단히 말해서 우리는 기본적으로 200개의 모델을 피팅했고 최종 SVEM 모델을 산출하기 위해 해당 모델의 평균을 구했습니다.
	디자인은 또한 여러 기능을 통해 반복되었습니다. 따라서 주효과의 수
	최종 선별 설계의 경우 4개의 주효과와 8개의 주효과가 있었습니다. Box-Behnken 디자인의 경우
	세 가지 주요 효과와 다섯 가지 주요 효과. 이것이 의미하는 바는, 예를 들어 DSD에 대한 것입니다. 예를 들어 K가 8인 경우 8개의 주요 효과가 있습니다. 완전 2차 모델이 있는 경우

 

브레이크아웃암사슴통계 및 모델링