JMPer che ha familiarità con JMP sa che JMP si è impegnata nello sviluppo e nell'applicazione del disegno sperimentale. Guardando indietro alla storia del design sperimentale, dagli anni '20 (1920), Fisher propose per la prima volta il concetto statistico di design sperimentale e oggi il design sperimentale ha sviluppato una serie di metodi statistici, come la superficie di risposta, il design Taguchi, il design della miscela, design più ottimale, design uniforme, design sperimentale supersaturato, ecc. Bradley Jones, capo specialista di ricerca e sviluppo presso JMP, ha anche vinto due volte il Brembo Award per individui dell'American Society for Quality per il suo design innovativo di screening deterministico.
Dopo oltre 30 anni di sviluppo, la piattaforma di progettazione sperimentale JMP ha incluso tutti i metodi di progettazione sperimentale sopra menzionati e, allo stesso tempo, fornisce anche funzioni ausiliarie di progettazione sperimentale come la valutazione del progetto sperimentale, il confronto degli schemi di progettazione e la valutazione dell'efficacia del campione per aiutare un maggiore uso degli esperimenti I ricercatori di progettazione scelgono lo schema più appropriato ed efficace tra una varietà di metodologie di progettazione sperimentale.
Panoramica della piattaforma di progettazione degli esperimenti JMP
Rispetto ai big data oggi in pieno svolgimento, il disegno sperimentale è adatto per piccoli campioni di dati. Nel caso di campioni piccoli, come selezionare meglio il modello ottimale, che non è solo adatto, ma può prevedere efficacemente?
Negli ultimi anni sono stati applicati anche molti metodi, come il comune AICc (Akaike Information Content Criterion), l'inferenza bayesiana e così via. Questa volta introdurremo un altro metodo nuovo di zecca, vale a dire: la tecnologia di verifica automatica Fractionally Weighted Bootstrap (FWB) introdotta da JMP Pro 16.
JMP Pro introduce la convalida automatica e la creazione di modelli con piccoli campioni di dati come due nuove tecniche pratiche, Non c'è bisogno di nuovi esperimenti DOE dati per la modellazione predittiva . Questa tecnica forma un set di convalida basato sui dati di addestramento originali e sul concetto di campionamento casuale da Bootstrapping.
Prima di introdurre la nuova tecnologia JMP di verifica automatica FWB, esaminiamo brevemente l'applicazione della convalida incrociata nell'apprendimento automatico dei big data.
Per prima cosa dividi i dati in set di addestramento, set di convalida e persino set di test. Durante il processo di determinazione della complessità del modello, il modello con il SSE più piccolo (ovvero la somma delle differenze al quadrato tra i gruppi) nel set di validazione è stato selezionato come modello migliore, come mostrato nella figura.
Convalida incrociata del modello
Per dati di progettazione sperimentale o dati di piccolo campione, è possibile costruire due SSE non correlati sulla base di una dimensione campionaria limitata e utilizzarne uno come set di validazione? In base a questo presupposto, la tecnologia FWB di verifica automatica introdotta da JMP Pro 16 mira a piccoli campioni di dati.
Usa la tecnologia di Bootstrap per costruire più coppie (personalizzabili) di campioni per ogni disegno sperimentale, con coefficienti casuali con la stessa distribuzione e correlazione negativa:
Applicare gli insiemi generati di coefficienti casuali alla seguente formula di calcolo:
Dopo il calcolo della detrazione, otteniamo:
I due tendono ad essere irrilevanti, ovvero possono ottenere un effetto simile di convalida incrociata. Utilizzando tali tecniche, JMP può costruire insiemi di modelli di varia complessità basati su insiemi di coppie di coefficienti casuali, registrando al contempo la proporzione diversa da zero delle stime dei parametri per le variabili del modello.
Tuttavia, sono sorti nuovi problemi.
Se vengono generate più coppie di coefficienti casuali, ad esempio, se vengono generate 2500 coppie di coefficienti casuali, verranno stabiliti 2500 modelli. Come si identifica in definitiva quali variabili del modello sono significative? Come definire limiti di scala diversi da zero per aiutare a determinare il modello finale?
Qui, JMP introduce una variabile nulla distribuita casualmente che è indipendente e non correlata con l'oggetto di previsione. Durante la creazione del modello, questa variabile nulla viene introdotta contemporaneamente nella modellazione. Nel modello multigruppo finale, se il valore stimato del parametro della variabile indipendente è maggiore di quello della variabile nulla, si ritiene che la variabile indipendente debba essere inclusa nel modello. La descrizione testuale di cui sopra potrebbe non essere completamente espressa, utilizziamo un caso reale per illustrare brevemente.
Casi studio
L'obiettivo di questo caso è Ridurre i problemi di aggregazione durante la purificazione delle proteine , Parametri sperimentali e di processo regolabili, inclusi contenuto proteico, formaldeide, ecc. 6 fattore principale . In questo caso pratico, è stato applicato un progetto di screening deterministico nell'ambito della piattaforma JMP "Experimental Design", inclusi 6 fattori principali, nonché fattori di interazione e termini di ordine superiore, per un totale di 27 fattori.
Dopo aver raccolto i risultati sperimentali, utilizzare prima la funzione di verifica automatica per generare casualmente il primo insieme di coefficienti accoppiati e variabili nulle per ciascun campione. Quindi utilizzare la funzione "fit model" di JMP per introdurre variabili nulle e modello allo stesso tempo. Su questa base, vengono generate nuovamente 250 coppie di coefficienti casuali per costruire un modello.
Infine, secondo le proporzioni diverse da zero generate, solo le variabili con proporzioni diverse da zero superiori alla variabile nulla (concentrazione di proteine, temperatura, concentrazione di formaldeide, termine di interazione della concentrazione di formaldeide e concentrazione di proteine, p<0,05, come mostrato di seguito) sono considerati articoli di modelli significativi, inclusi nella gamma di modelli finali.
Successivamente, diamo uno sguardo dettagliato a come viene implementata la creazione di modelli in JMP, utilizzando FWB per verificare automaticamente il calcolo per trovare fattori di modello significativi.
In questo caso reale, attraverso i risultati del modello, abbiamo scoperto che solo 3 fattori principali influenzano e influenzano positivamente il grado di aggregazione proteica finale. Tra i molti fattori di interazione e termini di ordine superiore, solo uno, ovvero il termine di interazione tra formaldeide e concentrazione proteica, ha un impatto significativo sul grado finale di aggregazione proteica. Questo risultato riduce notevolmente la gamma di parametri che devono essere ottimizzati nel processo e chiarisce i parametri importanti nel processo di regolazione del processo. Dopo aver ottimizzato tutti i parametri, il grado di polimerizzazione delle proteine è stato ottimizzato da una media iniziale del 14,8% a un ottimale del 2,5%, il che ha notevolmente migliorato la sicurezza e l'affidabilità del prodotto proteico.
In questo caso, abbiamo anche riscontrato che, sebbene all'inizio del disegno sperimentale fossero considerati ben 27 fattori, solo 4 fattori sono stati infine selezionati dalla tecnologia FWB che ha influenzato in modo significativo il prodotto di processo. Questo verifica anche il principio di sparsità dell'effetto che spesso diciamo nella progettazione sperimentale.
originale: https://mp.weixin.qq.com/s/BqiTKQcb9wJmFJweUqRrOA
