I desear a agradecer el JMP direccion comité y el JMP organizadores
para atractivo filo y mí mismo a venir y presente nuestro emocionante hablar
en CMC , SVEM , GAMA , y Complejidad : Él 's Todo Acerca de Predicción .
Desear a comenzar por agradeciendo Dr . tiffany rao , ella 's estado involucrado con el planificación
y numeroso conversaciones para el trabajar eso nosotros 're yendo a presente hoy .
Yendo a hacer un descripción general , decir tú OMS Lundbeck es , OMS I trabajar para ,
y entonces proporcionar el fondo
para el GAMA eso nosotros 're yendo a hablar acerca de ,
cual es proceso desarrollo para a biológico droga .
Nuestro caso estudiar y qué I 'metro haciendo en tradicional
para qué I he comenzó a hacer para desarrollo
es comenzar con el primero paso de haciendo DSD para medio -tarde escenario desarrollo ,
entonces seguir eso con a segundo paso
de haciendo aumentar con a espacio -relleno diseño .
Entonces nosotros son esperando a probar a tú hoy eso para análisis eso SVEM
permite a nosotros a tener mejor predicción para todo de este trabajar y permite a nosotros a tener
mejor cronogramas para nuestro trabajar eso nosotros 're haciendo .
Lundbeck es situado …
Nosotros 're con sede en Copenhague ,
nosotros 're encima 6 ,000 empleados en encima 50 países ,
y nosotros son esforzarse a ser el número uno en cerebro salud .
El parte de el compañía eso I trabajar con es el CMC biológicos
y nosotros 're básicamente situado en el Copenhague área
y en el seattle área dónde I 'metro situado .
Dejar 's hablar acerca de el fondo para el GAMA eso nosotros 're yendo a presente hoy .
El proceso eso nosotros desear a desarrollar para droga sustancia , para estos biológicos ,
nosotros comenzar con a celúla de viales , nosotros llevar aquellos afuera de el congelador ,
nosotros entonces expandir en agitar matraces , ir más grande en cultura bolsas ,
tal vez a semilla biorreactor , entonces a a producción biorreactor .
Eso producción biorreactor va aproximadamente dos semanas .
Nosotros tener complejo nutritivo alimenta ,
nosotros tener PH control , temperatura control , allá 's el base eso nosotros 're añadiendo .
Una vez nosotros finalizar eso 14 -día producción , nosotros necesidad a cifra afuera a forma
a conseguir el células eso son secretando nuestro molécula en el flotante .
Cómo hacer nosotros separado el células de el producto ?
Eso cosecha poder ser a centrífugo , él poder ser profundidad filtración .
Entonces nosotros aprobar él en a nuestro río abajo colegas .
Ellos primero generalmente hacer a captura paso dónde ellos 're conseguir deshacerse
de mayoría de el anfitrión celúla proteínas , el anfitrión celúla ADN .
Pero entonces nosotros necesidad a hacer dos pulido pasos dónde nosotros 're entonces dicho ,
"Bueno , qué son el producto -relacionado impurezas ?
Tal vez allá 's no el lleno molécula allá , entonces nosotros tener a conseguir deshacerse de aquellos ".
Entonces finalmente , nosotros tener a hacer seguro , a través de ultra filtración y diofiltración
eso nosotros poder transferir en el buffer
eso él 's yendo a ser cuando él es transferido para el paciente 's usar
y él 's también en el bien concentración .
Tú poder imaginar , cada paso a lo largo de este forma ,
allá son muchos factores ,
allá son muchos perillas eso nosotros poder doblar a control este proceso ,
hacer seguro eso él 's robusto
y nosotros 're haciendo el mismo producto cada tiempo .
Cuando nosotros 're enfocado en tratando el paciente ,
nosotros también desear a enfocar en el negocio .
Nosotros poder 't poner todo de nuestro desarrollo recursos para cada molécula .
Nosotros desear a bien -tamaño el investigación eso nosotros 're haciendo
en el bien escenario de el producto .
Allá 's muchos cosas eso podría matar a producto ,
pero si nosotros poder desarrollar este en el bien tiempo y el bien espacio
usando estos herramientas de JMP ,
nosotros poder cambio este desarrollo línea de tiempo a el izquierda
y nosotros poder también reducir el cantidad de recursos
y el costo a el compañía .
Si nosotros 're primero conseguir a molécula ,
eso 's cuando tú 're yendo a comenzar mirando en su categórico factores .
Nosotros podría ser haciendo el celúla línea poner en pantalla .
Nosotros desear a hacer seguro eso nosotros tener el bien celúla línea
eso 's yendo a último todo el forma a través de comercialización .
Para el río abajo grupo , ellos puede ser mirando en resinas
para ambos río arriba y río abajo ,
mirando en medios y buffer componentes y el formulaciones de aquellos .
Eso 's cuando tú 're haciendo seguro eso tú tener el bien cosa ,
eso 's yendo a mantener tú yendo a través de su desarrollo ruta .
Pero entonces una vez tú 're en el clínica ,
ahora tú desear a en realidad comenzar a ganar comprensión de el proceso parámetros .
Nuestro estrategia es a comenzar con a desarrollo poner en pantalla diseño
y nosotros desear a ser atrevido en nuestro nivel ajustes en este escenario
y I lo haré hablar a pequeño poco más acerca de eso más tarde ,
para el tarde escenario desarrollo .
Entonces nosotros poder construir en qué nosotros aprendió de el Definitivo Poner en pantalla Diseños
por aumentando aquellos diseños con espacio -relleno o otro diseños
entonces eso nosotros en realidad entender eso diseño espacio .
Qué 's diferente eso nosotros 're esperando a espectáculo ahora
que tradicional camina a través de este ruta
es eso en el pasado , nosotros he estado lanzamiento afuera
el factores eso nosotros he dicho son 't importante .
Pero con moderno diseños y moderno maneras de haciendo análisis ,
nosotros poder mantener todo de el factores y todo de el trabajar eso nosotros he hecho entonces lejos
y ganar mejor comprensión de el entero proceso ,
especialmente con biológicos eso son bastante complejo .
Antes I aprobar el batuta a filo , I justo buscado a hablar uno más acerca de …
Dejar 's ver si I poder …
I 'metro yendo a minimizar este pantalla justo para a minuto entonces I poder espectáculo tú este .
Este es un experimento eso I hizo a probar el fuerza de GAMA para mi jefe .
El lleno datos colocar era un DE EN para PH , y el respuesta era más apretado .
Nosotros buscado a hacer muy muchos diferente niveles
en a ancho rango porque él fue 't seguro en el tiempo
eso nosotros eran yendo a ser capaz a elegir qué el optimizado nivel era .
Pero qué I buscado a espectáculo a él era eso ,
"Bueno , nosotros hizo este experimento , nosotros tener todo de este datos .
Nosotros eran capaz a modelo dónde el optimizado condición era ,"
y eso 's mostrado en azul ,
y eso transformado afuera a ser el correcto caso .
Cuando nosotros probado el modelo , eso era el optimizado condición .
Dejar 's pretender ahora eso nosotros 're a partir de , nosotros don 't saber eso datos .
Si nosotros tenía escogido a conservador rango configuración para nuestro experimento ,
nuestro ruido a señal haría ser bastante alto
y entonces nosotros haría tener omitido hallazgo el optimizado lugar .
Pero si nosotros tenía escogido a más amplio rango en nuestro ajustes
y aún con solo tres puntos ,
el modelo aún haría tener elegido el optimizado lugar .
Qué I 'metro yendo a desafío el sujeto asunto expertos
cuando tú 're diseño su DSD es en realidad ser atrevido en su rango configuración .
Tú voluntad aún encontrar el optimizado lugar
y tú tener a tener alguno conocimiento de su proceso entonces eso tú poder completo
el diseño de experimento
y tener todo de el carreras en el menos tener suficiente señal
eso tú poder medida y entonces después modelo .
Una vez tú aprender de su Definitivo Poner en pantalla Diseños
más acerca de su diseño espacio , tú poder venir atrás
y entonces tú poder ser interno a eso espacio .
Eso 's cuando tú aumentar con a espacio -relleno diseño .
Ahora I 'metro yendo a aprobar el batuta a filo
y él 's yendo a llevar tú a través de el análisis .
Bueno , agradecer tú . Agradecer tú , Empanada .
Nosotros 're yendo a hablar acerca de a muy lindo
y un poco complicado experimento eso Empanada y su equipo correr .
Ellos hacer a lote de excelente trabajar y ellos 're grande defensores de GAMA y JMP
y I 'metro muy feliz ellos dejar a mí conseguir a jugar con a ellos a veces .
Él 's fascinante trabajar .
Pero antes I conseguir en el actual análisis ,
I buscado a hablar acerca de a pocos importante conceptos
eso miembros de el audiencia puede
o puede no ser familiar con , y eso incluye complejidad .
Él 's a en realidad caliente tema afuera allá .
Hablar acerca de qué es de hecho predicción .
Eso es a confuso concepto a muchos gente .
Entonces de allá , I lo haré lanzamiento en hablando acerca de
cómo nosotros analizar predicción y cómo nosotros hizo con Empanada 's experimento .
Complejidad, a compañero llamado Daniel finelli
de Londres Escuela de Ciencias económicas, escrito mucho acerca de este
y él llamadas él "el elefante en el habitación " eso Estadísticas y muchos ,
qué él llamadas "metaciencias ," son postergación y ellos 're postergación él en su peligro .
I ganado 't conseguir en a lote de detalle .
Tú poder mirar a él arriba en el Internet , él tiene a lote de vídeos y documentos .
Pero complejidad es a enorme problema .
Él es mirando fijamente ciencia y Estadísticas
y datos ciencia y máquina aprendiendo en el rostro y él necesidades a ser repartido con .
En presente , nosotros 're no en realidad relación comercial con él directamente en Estadísticas .
Por el forma , allá son ahora entero aplicado matemáticas programas
basado en estudiando complejo sistemas .
Mi abajo línea es , complejidad es real .
Complejidad requiere nuevo pensamiento .
Nosotros en realidad tener a repensar GAMA y análisis .
Tú 're yendo a ver eso para complejo sistemas,
y nosotros también tener a entender algo demás , sistemas teoría 101 es
complejo sistemas son definido por su interactivo comportamiento .
En punto de hecho , principal efectos son de hecho incluso engañoso .
Tú tener a de alguna manera ser experimentando
en a manera eso tú poder captura este interactivo comportamiento ,
y tú 're yendo a ver actual estrategias caer corto de eso meta .
Empanada 's ya mencionado el CMC ruta .
En ningún lugar es este problema de complejidad más obvio que en bioprocesos .
Tú tener complejo combinaciones de biología y química ,
y interacciones son en todos lados .
Cuando I hablar a científicos en biotecnología ,
ellos saber bien arriba frente nosotros 're relación comercial con en realidad complejo interactivo sistemas .
Pero primero , I necesidad a punto afuera predicción .
Si tú 're laboral en CMC desarrollo trabajar , él 's todo acerca de predicción .
El PCI pautas eso son usado por científicos en el CMC desarrollo trabajar
don 't específicamente decir predicción ,
pero si tú leer qué ellos decir , él 's todo acerca de predicción .
Básicamente , tú 're edificio procesos a fabricar biológicos ,
y con el nuevo celúla y gene terapias ,
estos procesos son convirtiéndose sin esperanza complicado .
I personalmente confiar fuertemente en el científicos a explicar él a a mí ,
y ellos 're el gente OMS en realidad hacer todo el decisiones .
I 'metro el ayudante , y I 'metro muy feliz a ser allá como parte de él .
Pero él 's todo acerca de predicción .
Eso es no cómo muchos científicos y incluso estadísticos ,
tener visto CMC trabajar .
Por el forma , este aplica a todo áreas de ciencia .
I 'metro enfocado con Empanada en el CMC desarrollo ruta ,
pero predicción es importante .
Qué es predicción ?
Él 's confuso . Él 's no claramente definido en disciplinas .
Aquí 's qué él en realidad es y cómo I definir él .
Él 's a medida de cómo Bueno
modelos eso tú desarrollar interpolar encima a diseño región .
En otro palabras , nosotros 're yendo a adaptar a modelo a qué nosotros llamar a capacitación colocar ,
y entonces nosotros necesidad alguno forma de conocimiento cómo eso modelo haría aplicar
encima el entero diseño región .
En CMC trabajar , especialmente tarde escenario , eso es muy importante .
Tú ser capaz a hacer eso , como muchos de tú saber .
Tú en realidad tener a capacitación colocar a adaptar el modelo .
Eso capacitación colocar en No forma poder evaluar predicción .
I saber allá 's a común creencia
tú poder evaluar predicción en capacitación conjuntos .
Tú simplemente poder no .
Tú debe tener a prueba colocar .
También I lo haré hablar a pequeño poco acerca de el hecho en relación comercial con científicos ,
y a lote de él en quimicas y biológicos .
De nuevo , I hacer a lote de él en biotecnología ,
pero también en otro áreas como batería tecnología , material ciencia .
Él es convirtiéndose muy obvio .
El cinética son complicado .
Ellos 're constantemente cambiando encima diseño regiones .
El cinético comportamiento eso tú ver alrededor el límites
es a menudo muy diferente de qué 's sucediendo en el interior .
Por qué hace este asunto ?
Bien , el clásico acercarse a respuesta superficie ,
incluso incluido óptimo diseños , se basa al qué I llamar Perímetro diseños .
Casi todo de su observaciones son alrededor el límites de el diseño región .
En punto de hecho , si gente desear a escuchar él o no ,
el central compuesto diseño ,
comúnmente usado en respuesta superficie ,
es acerca de el el peor diseño tú podría pensar de para predicción .
El interior de el espacio es vacío .
Si tú adaptar estos modelos en el Perímetro ,
y entonces tú predecir qué 's sucediendo en el interior ,
él 's no predicción , él 's especulación .
Tú don 't saber . Tú tener No datos .
I 'metro yendo a espectáculo tú en el caso estudiar ,
tú 're probablemente yendo a alcanzar alguno equivocado conclusiones .
El Perímetro regiones , en efecto , a menudo comportarse muy diferentemente ,
y nosotros tener a necesidad a reconsiderar nuestro acercarse a diseños .
Otro asunto
en respuesta superficie y Estadísticas
es este ubicuo usar de lleno cuadrático modelos .
Ellos son no suficiente a modelo complejo respuesta superficies .
En hecho , ellos 're lejos de él .
Desafortunadamente , I conseguir a lote de hacer retroceder
de estadísticos OMS afirmar él es bien suficiente .
Mi respuesta es , "Bien , si tú de hecho usar diseños
eso tenía suficiente interior puntos ,
tú 'd rápidamente descubrir ellos don 't adaptar Bueno en todo .
De nuevo , intentando a medida predicción
en el interior de a diseño región usando Perímetro diseños es fútil .
Por el forma , mi bien amigo , el tarde John Cornell y doug montgomery ,
publicado a papel en este en 1998 , y I lo haré ser educado , ellos eran ignorado .
Él era de hecho un poco más desagradable que ignorado por el Estadísticas comunidad .
Ellos presentado en el papel eso lleno cuadrático modelos
son justo no suficiente a cubrir a diseño región .
Empanada mencionado SVEM , ser -validando conjunto modelado .
Él 's un algoritmo .
I 'metro uno de el co -desarrolladores con Dr . cris Gottwald de JMP ,
a persona I sostener en muy alto respecto .
I ganado 't conseguir en el algoritmo por el forma ,
allá son referencias en el fin dónde tú poder ir y aprender más acerca de él .
Él tiene estado habló acerca de en descubrimiento conferencias de hecho ,
yendo todo el forma atrás a Francfort en 2017 .
Pero SVEM es un algoritmo eso permite tú a aplicar máquina aprendiendo métodos .
Máquina aprendiendo métodos son todo acerca de profético modelado .
Creer a mí , gente en eso campo saber a lote más que tú puede pensar
acerca de predicción y aplicar a ellos a datos de pequeño conjuntos como GAMA 's .
I ganado 't conseguir en SVEM .
Él 's a entero nuevo forma de pensamiento acerca de edificio profético modelos ,
y I pensar él 's en es infancia ,
pero él 's ya prueba muy poderoso y útil en biotecnología .
Dejar 's conseguir a el experimento .
Este es de hecho a híbrido experimento eso Empanada y su equipo creado .
Allá son Siete factores y allá son 13 respuestas .
Pero pendiente a tiempo restricciones , I 'metro solo yendo a enfocar en cuatro ,
y incluso eso 's yendo a ser duro a conseguir él todo en .
El datos y el experimento son altamente propiedad .
I hacer agradecer Lundbeck y Empanada para de hecho permitiendo a nosotros a usar
un anonimizado versión de este diseño .
I tener a lote de caso estudios , alguno de a ellos similar a este ,
y el gente OMS propio el datos
haría 't incluso dejar a mí conversar él si I anonimizado él .
Eso era muy lindo de a ellos .
I pensar nosotros tener a en realidad importante historia a decir aquí .
Este es a híbrido diseño .
Él 's compuesto de a 19 -correr Definitivo Poner en pantalla Diseño
alrededor el límites .
Entonces él tiene dieciséis espacio -relleno diseños en el interior .
Allá son centro puntos en ambos partes de el diseño .
Cómo haría nosotros analizar este ?
Bien , qué I desear a hacer es conversar el estrategias de análisis eso son usado ,
el algoritmos eso son usado , y hacer comparaciones a SVEM .
I lo haré decir tú en avance , SVEM es yendo a hacer muy Bueno .
Entonces nosotros lo haré hablar acerca de alguno de el asuntos con el modelos ellos mismos
y cómo nosotros usar a ellos .
I 'metro yendo a hacer qué mayoría gente actualmente hacer .
I 'metro yendo a llevar el Perímetro puntos , el DSD ,
adaptar modelos , y entonces aplicar a ellos a el espacio -relleno diseños como a prueba colocar
y ver cómo Bueno mi modelo interpola .
Paso dos , I lo haré contrarrestar el proceso .
I lo haré adaptar modelos a el espacio -relleno puntos ,
y entonces I lo haré usar el DSD como a prueba colocar y ver cómo Bueno mi modelo
de hecho extrapola a pequeño poco a el límites .
Tres es a común estrategia usado en máquina aprendiendo .
I 'metro yendo a usar a aguantar prueba colocar .
I 'metro yendo a llevar el 35 carreras y romper a ellos arriba .
I hizo este en a forma a hacer a ellos ambos equivalente como mucho como I podría
en a capacitación colocar que contiene ambos SFD y DSD puntos ,
y entonces también a entero atrás prueba colocar eso tiene a representación de ambos .
Entonces finalmente , paso cuatro , qué muchos gente haría automáticamente hacer .
I lo haré justo adaptar modelos a el entero datos colocar .
En general , I don 't recomendar este porque allá 's No forma a prueba el modelo .
I voluntad decir arriba frente ,
porque nosotros hacer tener a lote de espacio -relleno puntos en el interior ,
I 'metro más cómodo con este acercarse que I soy en práctica .
Pero estos , I encontrar , son el cuatro básico estrategias eso haría ser usado .
Cómo hacer I analizar él ?
Bien , si tú tener a DSD ,
gente como a usar Adaptar Definitivo Poner en pantalla ,
I lo haré mirar en él , él solo aplica a DSD .
Honestamente , él 's no en realidad a profético- modelado estrategia ,
ni hacer ellos afirmar él es .
Pero I encontrar gente parecer a usar él eso forma .
I lo haré usar Adelante Selección .
Si tú saber qué el AICc estadística es , nosotros lo haré hacer eso en Registro de generación , en JMP 17 .
Entonces nosotros lo haré mirar en algo ellos tener en Registro de generación eso 's muy lindo .
Eso es el SVEM algoritmo .
I 'metro yendo a usar eso con Adelante Selección .
Entonces I 'metro yendo a mirar en algo gente puede no saber .
Él 's a oculto joya en JMP .
Algo llamado Moviente Promedio en el Paso a paso plataforma .
John Saúl poner él allá muchos años atrás .
I pensar él era ser muy perspicaz .
Entonces nosotros 're yendo a hablar acerca de SVEM y Neural Redes .
Básicamente , No software hace este .
I tener trabajó con el Predicción ,
alguno de tú saber Wayne Levin y Predicción a desarrollar un agregar -en a hacer este .
Él 's actualmente el solo software disponible eso hace este .
El SVEM agregar -en era usado a hacer el Neural Redes .
I ganado 't conseguir en el agregar -en particularmente ,
I lo haré justo rápidamente espectáculo gente dónde estos cosas son .
Entonces finalmente I dicho el cuatro estrategia era usado a sostener datos colocar
porque I conseguir preguntó acerca de este todo el tiempo .
I justo lanzar en alguno k -cruz Doblar validación a usar
con el SVEM métodos y alguno de el otro métodos .
Aquellos son el métodos nosotros lo haré usar
y para métodos como Adaptar Definitivo ,
Adelante Selección y Moviente Promedio métodos ,
nosotros lo haré asumir a lleno cuadrático modelo como eso es el tradición .
El otro métodos , de nuevo , nosotros 're yendo a usar a Neural Red
cual es más flexible .
Allá son cuatro respuestas, y este es en realidad importante .
I lo hizo 't aleatoriamente seleccionar a ellos .
Allá son cuatro de a ellos y ellos variar en complejidad .
De nuevo , I lo haré admitir este es subjetivo .
Allá es No internacionalmente aprobado medida de complejidad
y este es basado al el capacidad a modelo el respuestas .
De nuevo , allá son 13 respuestas .
Típicamente , en CMC ruta trabajar , allá son 10 -20 , tal vez más ,
mayoría de a ellos crítico calidad atributos .
Ellos son importante
y ellos variar dentro el experimento de alguno son equitativamente bajo en complejidad ,
alguno son muy alto , muy difícil a modelo .
Francamente , en aquellos casos ,
Neural Redes son básicamente su solo opción .
Entonces pagar atención a este porque este complejidad
vueltas afuera a ser muy importante en cómo tú haría ir acerca de modelado .
Entonces el pregunta es si I 'metro yendo a evaluar predicción ,
Bueno , cómo hacer I hacer eso ?
Recordar , I preferir predicción ser en un independiente prueba colocar
con nuevo ajustes de el factores .
Eso 's cómo nosotros juez interpolación .
Bien , algo llamado el Raíz Promedio Cuadrado Error
o ARRASAR puntuaciones es muy común .
Este es el estándar desviación de predicción error .
De nuevo , él 's comúnmente usado a juez cómo Bueno tú predecir .
Menor es mejor , obviamente ,
pero allá es a problema con él eso nosotros he particularmente descubierto ,
especialmente en simulaciones .
Modelos con bajo ARRASAR puntuaciones a menudo tener sustancial predicción inclinación en a ellos .
En predicción , allá en realidad es aún a inclinación -diferencia comercio -apagado .
Entonces cómo hacer nosotros evaluar inclinación ?
Bien , allá 's No acordado al acercarse a eso cualquiera .
Pero el más fácil forma y el mayoría visual forma
es actual por predicho parcelas en a prueba colocar .
Idealmente , si tú eran a adaptar a pendiente
a el actual bi -predicho trama , I lo haré espectáculo un ejemplo .
El ideal predicción ecuación eso a pendiente haría ser uno con un interceptar de cero .
El más lejos el pendiente es de uno , el mayor que el inclinación .
Para propósitos de demostración , I 'metro yendo a colocar
a especificación de 0 .85 -1 .15 con a objetivo de 1 para el pendiente .
Si tú poder permanecer dentro eso rango ,
entonces I 'd decir tú probablemente tener aceptable cantidades de inclinación .
En realidad eso sucede a ser más de a sujeto asunto asunto .
Entonces finalmente I dicho , "Bien , tú poder adaptar a pendiente a el actual bi -predicho trama .
Allá 's un adicional problema ".
El vaticinador es el predicho valores .
Ellos tener a lote de error en a ellos .
Entonces este es de hecho un errores y variables problema ,
cual es no comúnmente Reconocido .
Pero JMP 17 tiene a en realidad lindo solución .
Él 's llamado el Paso -Bablok modelado algoritmo
y él 's estado Bueno -establecido , especialmente en el biofarmacéutica .
Este encaja a pendiente , tomando en cuenta errores en X , el vaticinador .
Entonces cómo hace él trabajar ?
Bien , él encaja a pendiente .
Si tú mirar en el izquierda ,
tú lo haré ver el pendiente es acerca de 0 .5 . Nosotros tener fuerte inclinación .
Allá 's a lote de predicción inclinación .
Qué I en realidad como en el solicitud en JMP , ellos dar tú el referencia línea .
El discontinuo azul línea es el ideal línea pendiente de uno , interceptar de cero .
En el izquierda , nuestro profético modelo es demostración a lote de inclinación .
Él 's sistemáticamente no prediciendo el respuesta .
A el bien , es a caso dónde allá 's de hecho a pequeño cantidad de inclinación
en general , eso haría ser aceptable .
Por el forma , estos eran escogido como uno 's modelos
eso tenía relativamente bajo en general ARRASAR puntuaciones .
Estos son llamado el Paso -Bablok pendientes
y ellos son integral a cómo I evaluar predicción ,
el en general ARRASAR y el pendientes .
Qué I 'metro yendo a hacer en este punto ,
I 'metro yendo a de hecho ir encima a JMP , si tú don 't mente .
I lo haré hacer a rápido cambiar en el pantalla aquí
y I lo haré hacer este como grande como I poder para todos .
En general en este ejercicio ,
I adaptar cerca a 140 modelos y I hizo a ellos todo individualmente y evaluado a ellos .
Sí , él tomó bastante a mientras
y I 'metro yendo a espectáculo a gráfico a intentar a resumir el resultados
para el diferente métodos .
I 'metro yendo a abierto a Grafico Constructor guion .
I lo haré hacer este como grande como I posiblemente poder para todos .
I 'metro usando alguno local datos filtros , a definir el mostrar .
Aviso nosotros tener cuatro capacitación escenarios .
I lo haré comenzar con dónde el DSD es el capacitación colocar .
Nosotros adaptar modelos a el Perímetro
y entonces nosotros evaluar a ellos y cómo ellos predicho
el espacio -relleno diseño puntos .
Y2 es el fácil respuesta .
I esperado todo enfoques a hacer Bueno , ellos hizo .
Aviso I colocar estos Especificaciones límites y eso 's 0 .85 -1 .15
todo cayó dentro eso admisible región .
Dos de el métodos eso hizo Bueno ,
I particularmente apreciado el Moviente promedio ,
entonces él hizo bonito Bueno .
Ninguno de a ellos tenía a pendiente de exactamente uno .
El DSD puntos don 't exactamente predecir qué 's yendo en
en el espacio -relleno diseño puntos , pero ellos todo hizo relativamente Bueno .
Ahora nosotros lo haré ir a moderado complejidad .
Ahora tú comenzar a ver alguno separación .
Él 's conseguir más difícil a modelo el superficie .
De nuevo , I 'metro usando este intervalo de 0 .85 -1 .1 .
I 'metro mirando en el y -eje en el ARRASAR puntaje estándar desviación de predicción .
En el X -eje , I 'metro mirando en pendiente .
Para Y1 , usando el DSD a predecir
el espacio -relleno diseño puntos como el prueba colocar .
El solo modelos eso en realidad realizado Bueno eran el Neural Redes con SVEM .
Por el forma , el código es NN es Neural Red ,
h es número de oculto nodos .
Nosotros tener modelos con variar niveles de oculto nodos
y I simplemente evaluado ARRASAR puntuaciones y pendiente .
Nosotros ir a más complejidad .
Ahora Y3 tiene alto complejidad .
Él es duro a modelo .
El más bajo ARRASAR puntuaciones eran el métodos tú ver en el más bajo bien ,
pero tú poder ver allá 's sustancial predicción inclinación .
I sintió en general el mejor combinación de bajo -inclinación
y ARRASAR puntaje eran Neural Redes , particularmente uno con 27 oculto nodos .
Entonces finalmente número cuatro es alto complejidad .
Nosotros adaptar el modelo a el DSD y aplicado él a el espacio -relleno puntos .
I lo hizo 't pensar cualquier de el modelos hizo excelente .
Todo de a ellos presentado alguno predicción inclinación .
Tal vez el mejor actuación era a Neural Red con 12 oculto nodos .
Él tenía el más bajo ARRASAR puntaje , pero aún , allá eran alguno asuntos con inclinación .
Entonces eso 's uno estrategia .
Bien , qué si I eran a hacer el opuesto ?
I adaptar el modelo a el espacio -relleno puntos
y entonces aplicar a ellos a el Perímetro DSD puntos .
De nuevo , dejar 's comenzar con el más fácil caso .
Y2 en realidad hace . Él 's a bonito simple respuesta .
De hecho , el SVEM método en Registro de generación usando SVEM y Adelante hizo muy Bueno .
El próximo mejor I pensamiento era a Neural Red con 10 .
Recordar, allá 's a pequeño poco de extrapolación yendo en aquí .
Finalmente , Y1 con moderado complejidad .
De nuevo , solo el Neural Redes hizo Bueno .
Como nosotros ir arriba en complejidad , cada vez más justo el Neural Redes son laboral.
Tú lo haré encontrar similar resultados para el otro enfoques .
I ganado 't espectáculo todo de a ellos , ellos 're cubierto en el notas .
Pero el general conclusión por el forma , es
eso cuando tú usar el Perímetro puntos como a prueba colocar
o tú usar el espacio -relleno diseños como a prueba colocar y intentar a predecir el otro ,
ellos 're justo no haciendo como Bueno como ellos debería .
En otro palabras , como I dicho más temprano , el Perímetro puntos ,
el DSD puntos y el espacio -relleno diseño puntos ,
allá son diferencias en su cinético comportamiento eso nosotros 're no cosecha arriba .
El solo forma nosotros 're yendo a elegir él arriba
es a de hecho adaptar modelos encima el entero diseño espacio .
Nosotros hizo hacer eso por el forma .
I debería justo rápidamente espectáculo tú .
I usado el entero datos y nosotros adaptar modelos y nosotros de hecho hizo bonito Bueno .
I lo hizo 't espectáculo el Paso -Bablok pendientes .
I voluntad justo rápidamente hacer a pequeño más trabajar con JMP para aquellos OMS son interesado .
El Paso -Bablok pendientes poder ser hecho en Adaptar Y por X .
I voluntad admitir nosotros escribió a guion
y agregado él a el profético agregar -en a hacer este en Adaptar Y por X ,
pero tú poder fácilmente hacer él tú mismo .
Aquí , y I lo haré elegir uno de el casos , es el DSD datos y I lo haré elegir Y1 .
Cómo hizo nosotros hacer adecuado modelos ?
Si tú mirar en el menú , allá 's el Paso -Bablok .
I fuertemente sugerir tú mirar en él .
A lote de regresión problemas son errores en variables .
Cómo hizo el método hacer él en general ?
I desear a explicar algo demás .
El naranja puntos son el DSD , el límites .
El azul puntos son el espacio -relleno diseño puntos .
Aquí I adaptar modelos a el DSD
y el Paso -Bablok pendientes son ser adaptar a el espacio -relleno diseño puntos .
En general , el mejor actuación era transformado en por el DSD .
Allá 's uno de a ellos aquí .
Él 's Saywood 6 .
Otro uno eso tenía … I olvidó qué él era .
Dejar a mí ensanchar este afuera para tú .
Diecinueve .
Aviso el pendiente es cerca a uno ,
pero tú poder claramente ver allá es alguno inclinación .
En otro palabras , tú poder ver un compensar entre el equipado pendiente
y el ideal pendiente , el discontinuo azul línea .
Este es bonito típico en general .
I lo haré justo muy rápidamente espectáculo tú .
Si tú tener JMP Pro y tú desear a hacer SVEM usando lineal modelos ,
justo ir a Adaptar Modelo , Recordar .
Este es a lleno cuadrático modelo .
Tú podría hacer otros .
Ir a Registro de generación y entonces bajo Estimacion métodos .
Allá 's SVEM Adelante .
Allá 's SVEM Lazo .
Estos trabajar muy Bueno .
De a lote de trabajar en estos métodos ,
I aún encontrar SVEM Adelante da tú el mejor resultados .
El Lazo tiende a dar tú a lote de sesgado resultados
en prueba conjuntos en particular .
Si tú 're interesado en modelo promediando , si tú tener JMP estándar ,
justo yendo a golpear recordar de nuevo , justo ir a el Paso a paso plataforma .
no lo hice 't hacer él . Paso a paso .
I ganado 't correr él .
Él voluntad llevar también largo porque modelo promediando usos mejor subconjuntos regresión .
Él 's tiempo -consumidor , pero él 's allá .
De nuevo , Neural Redes con SVEM ,
tú tener a tener el Predicción agregar- en a hacer eso .
Allá 's a enlace a él si tú 're interesado .
En este punto ,
I 'metro yendo a no hacer también mucho más análisis .
De nuevo , tú poder ir a través de y mirar en el varios pendientes
para el varios respuestas
y tú poder ver muchos de estos métodos resultado en altamente sesgado pendientes .
En otro palabras , el DSD puntos y el espacio -relleno diseños son también diferente .
Nosotros he en realidad consiguió a entender nosotros necesidad a adaptar modelos
encima el completo diseño región .
En este punto , I 'metro yendo a justo finalizar arriba .
Por el forma , allá es suficiente material aquí,
y I hacer tener básicamente muchos negociaciones eso son conjunto en aquí .
I disculparse , pero I pensar allá 's un importante mensaje aquí .
Por el forma , I 'metro justo demostración diapositivas con el Paso -Bablok pendientes .
Entonces finalmente , I desear a justo dar tú alguno final pensamientos .
I pensar nosotros en realidad necesidad alguno nuevo pensamiento en Estadísticas .
Nosotros don 't tener a tirar afuera todo nosotros he estado haciendo .
I 'metro no dicho eso .
El mayoría importante es nosotros son en el era de digital ciencia .
Digital química , digital biología , digital biotecnología son aquí .
Ellos 're no mañana . Nosotros he consiguió lejos más automatización .
Lotes de excelente ,
especialmente en biotecnología , piloto y banco escala
dispositivos eso escala bien , dónde nosotros poder hacer lotes de experimentos .
El problema es complejidad .
Nosotros necesidad a pensar diferentemente .
Máquina aprendiendo métodos a través de SVEM
son muy importante para adecuado estos complejo sistemas .
Nosotros necesidad a conseguir lejos de el respuesta superficie enfoques
eso en realidad refugio 't cambió .
Tal vez nosotros he consiguió ordenadores y alguno nuevo diseños .
I pensar DSD son en realidad muy inteligente .
Nosotros tener óptimo diseños , pero ellos sufrir de el hecho ellos 're Perímetro diseños
y gente mantener insistiendo en lleno cuadrático modelos .
Eso 's a error , como I he intentó a espectáculo brevemente en el hablar ,
y tú voluntad ser capaz a descargar el hablar ,
tú poder ver cómo mal estos métodos generalmente hizo con el complejo respuestas .
Como lejos como I 'metro preocupado , nosotros necesidad nuevo tipos de óptimo diseños .
En a mínimo , estos necesidad a acomodar a lote de factores .
Empanada , por el forma , sin conseguir en detalles , tiene correr a DSD …
No a DSD . Tú hizo espacio -relleno diseño con 18 carreras .
Dado ellos tener Ámbar Tecnología disponible ,
si tú saber qué eso es , ellos poder hacer él .
Por qué hacer nosotros necesidad eso ?
Porque estos sistemas son interactivo .
Nosotros necesidad a detener pensamiento ellos 're a menor parte de el ecuación .
Principal efectos hacer no describir el comportamiento de a complejo sistema .
Es interactividad es qué conduce el comportamiento .
Nosotros necesidad a cubrir el interior de el diseño región .
Sí , nosotros haría como a cubrir el límites también .
Nosotros don 't desear a ser especificando a modelo .
Óptimo diseños requerir tú especificar qué es generalmente a lleno cuadrático modelo .
Nosotros necesidad a conseguir lejos de eso .
Espacio -relleno diseños , por el forma ,
son óptimo diseños eso hacer no requerir a modelo ser especificado .
Pero ellos 're no el total respuesta .
Nosotros necesidad a cubrir el diseño espacio .
Nosotros necesidad a dar el usuario a lote de aporte
eso haría ser científicos en cómo ellos distribuir el puntos .
El trabajar de Lu Lu y anderson -Cocinar punto el forma .
I ganado 't tener tiempo a conseguir en eso .
Eso 's otro tema .
Nosotros necesidad a ser capaz a fácilmente combinar nuestro diseño con otro datos .
Eso incluye ingeniería carreras , BPM carreras ,
incluso modelos de parcial diferencial ecuaciones y simulaciones .
Especialmente si tú desear a conseguir en digital mellizos ,
tú he consiguió a ser capaz a hacer eso usando qué I llamar meta modelos .
Entonces finalmente , Empanada mencionado este , entonces I buscado a traer él arriba .
El estándar práctica en diseño de experimentos , asumiendo
eso de alguna manera tú he consiguió a pantalla afuera factores
es de hecho a en realidad alto -riesgo , No -premio estrategia en complejo sistemas .
Tú voluntad arrepentirse él .
Tú voluntad algún día , en a más tarde escenario , venir atrás y tener a rehacer experimental trabajar .
I he visto este tiempo y de nuevo .
En complejo sistemas ,
este idea eso allá son activo y inactivo factores es simplemente equivocado .
Ellos todo asunto en alguno nivel en algún lugar en el diseño espacio .
Francamente , con nuestro moderno herramientas , tú don 't necesidad a hacer él de todos modos .
También , algo demás gente hacer reflexivamente reducir lineal modelos .
Nosotros he mostrado en nuestro investigación en SVEM .
También , a lindo papel por tonto , Edwards ,
y nosotros presentado reduciendo modelos se degrada predicción .
Por qué ?Porque tú 're haciendo su modelo más rígido y más rígido ,
él 's no yendo a interpolar Bueno .
I voluntad detener en este punto y allá son alguno referencias en el fin .
