Equazione di previsione del modello gaussiano non molto accurata.<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Ciao a tutti,
Sto usando il modello di processo gaussiano per adattare alcune centinaia di punti dati di simulazione al computer. Le simulazioni al computer sono un sistema deterministico, quindi la risposta non cambia mai se vengono utilizzati gli stessi input. Ho utilizzato il design Fast Flexible Filling per il riempimento dello spazio per generare la tabella. Ci sono 7 diversi fattori e 3 di questi sono inseriti in modo categorico, gli altri 4 sono continui.Il problema è che non importa quanto sia grande il progetto di addestramento, l'equazione di previsione generata non è molto accurata se testata rispetto a un set di convalida di altre duecento esecuzioni. L'errore nel set di addestramento utilizzato per l'adattamento è inferiore all'1%, ma l'errore nel set di convalida può raggiungere il 4,5%. Sto cercando di aggirare al massimo un errore dell'1-1,5%.
Ho anche provato a utilizzare il modello di adattamento con un effetto del modello di superficie di risposta e, dopo aver incrociato i fattori un paio di volte in più, il grafico effettivo rispetto a quello previsto diventa un angolo di 45 gradi quasi perfetto, ma neanche l'equazione di previsione è molto precisa. Il modello gaussiano dovrebbe essere la scelta migliore per i dati di simulazione al computer.
Qualcuno sa quali limiti ha il modello gaussiano? Il mio errore dell'1-1,5% è troppo irrealistico? Il set di dati di convalida viene generato nello stesso modo, riempimento rapido e flessibile. Non c'è niente di insolito che risalta nei dati di convalida. Molti dei punti con un errore del 4% hanno valori di fattore molto simili ad altri punti dati con un errore inferiore all'1%. Penso che con un adattamento uniforme, che è ciò che fa il modello gaussiano, l'equazione preveda tutto molto bene.
Inoltre, non sono sicuro di quanto sia significativo, ma sto usando la versione 12 di JMP standard. Il modello gaussiano in JMP Pro è più potente? Esistono altri pacchetti software di analisi statistica in grado di gestire la modellazione gaussiana meglio di JMP?
Grazie per qualsiasi aiuto lo apprezzo!
Ri: Equazione di previsione del modello gaussiano non molto accurata.Grazie per la risposta, billw@JMP.
Ho esaminato i libri nella sezione Aiuto, tuttavia la descrizione delle funzioni di correlazione è piuttosto breve.
Ho pensato che, indipendentemente dalla struttura di correlazione utilizzata, il modello di processo gaussiano interpola sempre perfettamente i punti di progettazione. Apparentemente questo non è il caso della struttura di correlazione gaussiana, ma non sono riuscito a trovare una spiegazione chiara per questo nei libri della sezione Aiuto... Cercherò altre fonti per chiarire questo.
Grazie per l'aiuto!
Ri: Equazione di previsione del modello gaussiano non molto accurata.Krin,
Ti rimanderei alla sezione dei libri sotto Aiuto e una spiegazione più chiara delle differenze tra gaussiano e cubico.Di seguito sono riportate alcune cose che ho trovato lì.
Nota: i parametri stimati possono essere diversi a causa dei diversi punti di partenza nel file
routine di minimizzazione, la scelta del tipo di correlazione e l'inclusione di un parametro nugget.
Tipo di correlazione Scegliere la struttura di correlazione per il modello. La piattaforma si adatta a uno spazio
modello di correlazione ai dati, dove la correlazione della risposta tra due
le osservazioni diminuiscono man mano che i valori delle variabili indipendenti diventano più distanti.
La gaussiana limita la correlazione tra due punti in modo che sia sempre diversa da zero, indipendentemente dal
distanza tra i punti.
Cubic consente alla correlazione tra due punti di essere zero per i punti che sono sufficientemente lontani
a parte. Questo metodo è una generalizzazione di una spline cubica.
HTH
Ri: Equazione di previsione del modello gaussiano non molto accurata.Ciao a tutti,
Ho una domanda relativa a questo post. Sto creando un progetto di ipercubo latino e adattando un processo gaussiano. Quando si confrontano le strutture di correlazione gaussiana e cubica e si confrontano i valori previsti nei punti di progetto con il valore simulato in ciascun punto, questi valori sono esattamente gli stessi per la funzione di interpolazione cubica, ma non per la gaussiana. Questo è spiegato dal pregiudizio come nel post di bllw@jmp? O è dovuto a eventuali errori di arrotondamento? In teoria dovrebbe esserci un'interpolazione perfetta per entrambi i tipi di funzioni di correlazione, o mi sbaglio su questo?
Qualsiasi aiuto sarebbe molto apprezzato!
Ri: Equazione di previsione del modello gaussiano non molto accurata.Per aggiungere alla risposta di Ian, sebbene ogni punto si adatti perfettamente al processo gaussiano, potrebbe esserci ancora qualche distorsione che assomiglia molto a una variazione casuale.Puoi avere un'idea di quanta distorsione ci sia nei tuoi dati osservando la trama prevista dal coltello a serramanico.Disegna una linea tra gli angoli in basso a sinistra e in alto a destra della trama.Più i tuoi dati sono stretti attorno a quella linea, minore è la distorsione per i tuoi dati.
Le reti neurali (NN) sono anche molto utili quando si costruiscono modelli surrogati per esperimenti al computer.Guarda diversi livelli di nodi nascosti usando la funzione di attivazione Tan H.Solo una parola di precauzione, otterrai un risultato diverso ogni volta che esegui lo stesso modello se non imposti un seme casuale durante l'esecuzione dei tuoi modelli.Dai un'occhiata al componente aggiuntivo per la reimpostazione del seme casuale nel link sottostante.
Ripristino seme casuale
Ri: Equazione di previsione del modello gaussiano non molto accurata.(Probabilmente non ti sto dicendo nulla di cui non sei già a conoscenza).
Vorrei dare un'occhiata all'eccellente discorso di Brad:
https://community.jmp.com/videos/1277
In base alla progettazione, il processo gaussiano (GP) "interpola i dati", quindi il valore previsto sarà sempre d'accordo con il valore simulato o calcolato ("misurato") in ogni punto nello spazio dei fattori in cui è presente una corsa. Quindi l'attenzione si sposta dall'utilizzo della convalida per evitare l'overfitting (che consiste nell'ottenere il giusto equilibrio tra "segnale" e "rumore"), alla capacità (o altrimenti...) del medico di base di interpolare ragionevolmente nei punti in cui si non avere corse.
Su questa base, mi aspetterei che l'errore per il set di addestramento sia (quasi) zero e che l'errore per il set di convalida sia maggiore, potenzialmente molto più grande. Ho anche pensato che il GP si adatterà solo a fattori continui, quindi non sono sicuro di come hai gestito quelli categorici.
