je vouloir à remercier le JMP pilotage Comité et le JMP les organisateurs
pour attrayant Phil et moi-même à viens et présent notre passionnant parler
sur CMC , SVEM , BICHE , et Complexité : Il c'est Tous À propos Prédiction .
Vouloir à commencer par remerciement Docteur . Tiffany Rao , elle c'est a été impliqué avec le planification
et nombreux conversation pour le travail que nous 'concernant en allant à présent aujourd'hui .
En allant à faire un aperçu , dire toi OMS Lundbeck est , OMS je travail pour ,
et alors fournir le arrière-plan
pour le BICHE que nous 'concernant en allant à parler à propos ,
lequel est processus développement pour un biologique médicament .
Notre cas étude et quoi je je suis faire dans traditionnel
pour quoi je ai commencé à faire pour développement
est commencer avec le d'abord étape de faire DSD pour milieu -en retard scène développement ,
alors suivre que avec un deuxième étape
de faire augmenter avec un espace -remplissage conception .
Alors nous sont en espérant à prouver à toi aujourd'hui que pour analyse que SVEM
permet nous à avoir mieux prédiction pour tous de ce travail et permet nous à avoir
mieux délais pour notre travail que nous 'concernant faire .
Lundbeck est situé …
Nous 'concernant dont le siège social dans Copenhague ,
nous 'concernant sur 6 ,000 employés dans sur 50 des pays ,
et nous sont s'efforcer à être le nombre un dans cerveau santé .
Le partie de le entreprise que je travail avec est le CMC produits biologiques
et nous 'concernant essentiellement situé dans le Copenhague zone
et dans le Seattle zone où je je suis situé .
Laisser c'est parler à propos le arrière-plan pour le BICHE que nous 'concernant en allant à présent aujourd'hui .
Le processus que nous vouloir à développer pour médicament substance , pour ces produits biologiques ,
nous commencer avec un cellule de flacons , nous prendre ceux dehors de le congélateur ,
nous alors développer dans secouer flacons , aller plus gros dans culture Sacs ,
peut être un graine bioréacteur , alors à un production bioréacteur .
Que production bioréacteur va environ deux semaines .
Nous avoir complexe nutritif se nourrit ,
nous avoir PH contrôle , température contrôle , là c'est le base que nous 'concernant ajouter .
Une fois nous finition que 14 -jour production , nous besoin à chiffre dehors un chemin
à obtenir le cellules que sont sécrétion notre molécule dans le surnageant .
Comment faire nous séparé le cellules depuis le produit ?
Que récolte peut être un centrifuger , il peut être profondeur filtration .
Alors nous passer il sur à notre en aval collègues .
Ils d'abord généralement faire un capturer étape où ils 'concernant obtenir débarrasser
de la plupart de le hôte cellule protéines , le hôte cellule ADN .
Mais alors nous besoin à faire deux brillant pas où nous 'concernant alors en disant ,
"D'accord , quoi sont le produit -en rapport impuretés ?
Peut être là c'est pas le complet molécule là , donc nous avoir à obtenir débarrasser de ceux ".
Alors enfin , nous avoir à faire bien sûr , à travers ultra filtration et diofiltration
que nous peut transfert dans le tampon
que il c'est en allant à être quand il est transféré pour le patient c'est utiliser
et il c'est aussi à le droite concentration .
Toi peut imaginer , chaque étape le long de ce chemin ,
là sont beaucoup facteurs ,
là sont beaucoup boutons que nous peut tourner à contrôle ce processus ,
faire bien sûr que il c'est robuste
et nous 'concernant fabrication le même produit chaque temps .
Quand nous 'concernant concentré sur traiter le patient ,
nous aussi vouloir à se concentrer sur le entreprise .
Nous peut 't mettre tous de notre développement ressources pour chaque molécule .
Nous vouloir à droite -taille le recherche que nous 'concernant faire
à le droite scène de le produit .
Là c'est beaucoup des choses que pourrait tuer un produit ,
mais si nous peut développer ce dans le droite temps et le droite espace
en utilisant ces outils depuis JMP ,
nous peut changement ce développement chronologie à le gauche
et nous peut aussi réduire le montant de ressources
et le coût à le entreprise .
Si nous 'concernant d'abord obtenir un molécule ,
que c'est quand toi 'concernant en allant à commencer regarder à ton catégorique facteurs .
Nous pourrait être faire le cellule doubler dépistage .
Nous vouloir à faire bien sûr que nous avoir le droite cellule doubler
que c'est en allant à dernier tous le chemin à travers commercialisation .
Pour le en aval groupe , ils peut être regarder à résines
pour les deux en amont et en aval ,
regarder à des médias et tampon Composants et le formules de ceux .
Que c'est quand toi 'concernant fabrication bien sûr que toi avoir le droite chose ,
que c'est en allant à garder toi en allant à travers ton développement sentier .
Mais alors une fois toi 'concernant dans le clinique ,
maintenant toi vouloir à vraiment commencer à gagner compréhension de le processus paramètres .
Notre stratégie est à commencer avec un développement dépistage conception
et nous vouloir à être audacieux dans notre niveau paramètres à ce scène
et je 'll parler un petit peu plus à propos que plus tard ,
pour le en retard scène développement .
Alors nous peut construire sur quoi nous appris depuis le Définitive Dépistage Dessins
par augmenter ceux dessins avec espace -remplissage ou autre dessins
donc que nous vraiment comprendre que conception espace .
Quoi c'est différent que nous 'concernant en espérant à montrer maintenant
que traditionnel des promenades à travers ce sentier
est que dans le passé , nous ai a été lancement dehors
le facteurs que nous ai dit sont 't important .
Mais avec moderne dessins et moderne façons de faire analyse ,
nous peut garder tous de le facteurs et tous de le travail que nous ai fait donc loin
et gagner mieux compréhension de le entier processus ,
en particulier avec produits biologiques que sont assez complexe .
Avant je passer le bâton à Phil , je juste recherché à parler un plus à propos …
Laisser c'est voir si je peut …
je je suis en allant à minimiser ce écran juste pour un minute donc je peut montrer toi ce .
Ce est un expérience que je a fait à prouver le pouvoir de BICHE pour mon chef .
Le complet données ensemble était un OFAT pour PH , et le réponse était plus serré .
Nous recherché à faire très beaucoup différent les niveaux
dans un large gamme parce que il était 't bien sûr à le temps
que nous étaient en allant à être capable à prendre quoi le optimisé niveau était .
Mais quoi je recherché à montrer lui était que ,
"D'accord , nous a fait ce expérience , nous avoir tous de ce données .
Nous étaient capable à modèle où le optimisé condition était ,"
et que c'est montré dans bleu ,
et que tourné dehors à être le correct cas .
Quand nous testé le modèle , que était le optimisé condition .
Laisser c'est prétendre maintenant que nous 'concernant départ , nous enfiler 't savoir que données .
Si nous avait choisi un conservateur gamme paramètre pour notre expérience ,
notre bruit à signal serait être assez haut
et donc nous serait avoir manqué découverte le optimisé place .
Mais si nous avait choisi un plus large gamme dans notre paramètres
et toujours avec seulement trois points ,
le modèle toujours serait avoir choisi le optimisé place .
Quoi je je suis en allant à défi le sujet matière experts
quand toi 'concernant conception ton DSD est vraiment être audacieux dans ton gamme paramètre .
Toi volonté toujours trouver le optimisé place
et toi avoir à avoir quelques connaissance de ton processus donc que toi peut complet
le conception de expérience
et avoir tous de le court à moins avoir assez signal
que toi peut mesure et alors ensuite modèle .
Une fois toi apprendre depuis ton Définitive Dépistage Dessins
plus à propos ton conception espace , toi peut viens dos
et alors toi peut être interne à que espace .
Que c'est quand toi augmenter avec un espace -remplissage conception .
Maintenant je je suis en allant à passer le bâton à Phil
et il c'est en allant à prendre toi à travers le analyse .
D'accord , remercier toi . Remercier toi , Petit pâté .
Nous 'concernant en allant à parler à propos un très bon
et quelque peu compliqué expérience que Petit pâté et son équipe courir .
Ils faire un parcelle de super travail et ils 'concernant grand défenseurs de BICHE et JMP
et je je suis très heureux ils laisser moi obtenir à jouer avec eux parfois .
Il c'est fascinant travail .
Mais avant je obtenir dans le réel analyse ,
je recherché à parler à propos un peu pertinent notions
que membres de le public peut
ou peut pas être familier avec , et que comprend complexité .
Il c'est un vraiment chaud sujet dehors là .
Parler à propos quoi est en fait prédiction .
Que est un embrouillé concept à beaucoup personnes .
Alors depuis là , je 'll lancement dans parler à propos
comment nous analyser prédiction et comment nous a fait avec Petit pâté c'est expérience .
Complexité, un compagnon nommé Daniel Finelli
depuis Londres École de Économie, écrit beaucoup à propos ce
et il appels il "le éléphant dans le chambre " que statistiques et beaucoup ,
quoi il appels "métasciences ," sont ignorer et ils 'concernant ignorer il à leur péril .
je gagné 't obtenir dans un parcelle de détail .
Toi peut regarder lui en haut sur le l'Internet , il a un parcelle de vidéos et papiers .
Mais complexité est un énorme problème .
Il est en regardant science et statistiques
et données science et machine apprentissage dans le affronter et il besoins à être traité avec .
À présent , nous 'concernant pas vraiment transaction avec il directement dans statistiques .
Par le chemin , là sont maintenant entier appliqué mathématiques programmes
basé sur étudier complexe systèmes .
Mon bas doubler est , complexité est réel .
Complexité a besoin nouveau pensée .
Nous vraiment avoir à repenser BICHE et analyse .
Toi 'concernant en allant à voir que pour complexe les systèmes,
et nous aussi avoir à comprendre quelque chose autre , systèmes théorie 101 est
complexe systèmes sont défini par leur interactif comportement .
Dans indiquer de fait , principal effets sont en fait même trompeur .
Toi avoir à d'une manière ou d'une autre être expérimenter
dans un manière que toi peut capturer ce interactif comportement ,
et toi 'concernant en allant à voir actuel stratégies automne court de que but .
Petit pâté c'est déjà mentionné le CMC sentier .
Nulle part est ce problème de complexité plus évident que dans bioprocédés .
Toi avoir complexe combinaisons de la biologie et chimie ,
et interaction sont partout .
Quand je parler à scientifiques dans biotechnologie ,
ils savoir droite en haut devant nous 'concernant transaction avec vraiment complexe interactif systèmes .
Mais d'abord , je besoin à indiquer dehors prédiction .
Si toi 'concernant fonctionnement dans CMC développement travail , il c'est tous à propos prédiction .
Le PCI des lignes directrices que sont utilisé par scientifiques dans le CMC développement travail
enfiler 't spécifiquement dire prédiction ,
mais si toi lire quoi ils dire , il c'est tous à propos prédiction .
Essentiellement , toi 'concernant bâtiment processus à fabrication produits biologiques ,
et avec le nouveau cellule et gène thérapies ,
ces processus sont devenir désespérément compliqué .
je personnellement compter sur fortement sur le scientifiques à expliquer il à moi ,
et ils 'concernant le personnes OMS vraiment faire tous le les décisions .
je je suis le assistant , et je je suis très heureux à être là comme partie de il .
Mais il c'est tous à propos prédiction .
Que est pas comment beaucoup scientifiques et même statisticiens ,
avoir vu CMC travail .
Par le chemin , ce s'applique à tous domaines de science .
je je suis concentré avec Petit pâté sur le CMC développement sentier ,
mais prédiction est important .
Quoi est prédiction ?
Il c'est embrouillé . Il c'est pas clairement défini dans disciplines .
Ici c'est quoi il vraiment est et comment je définir il .
Il c'est un mesure de comment Bien
des modèles que toi développer interpoler sur un conception région .
Dans autre mots , nous 'concernant en allant à ajuster un modèle à quoi nous appel un entraînement ensemble ,
et alors nous besoin quelques chemin de connaissance comment que modèle serait appliquer
sur le entier conception région .
Dans CMC travail , en particulier en retard scène , que est très important .
Toi être capable à faire que , comme beaucoup de toi savoir .
Toi vraiment avoir un entraînement ensemble à ajuster le modèle .
Que entraînement ensemble dans Non chemin peut évaluer prédiction .
je savoir là c'est un commun croyance
toi peut évaluer prédiction sur entraînement ensembles .
Toi simplement peut pas .
Toi doit avoir un test ensemble .
Aussi je 'll parler un petit peu à propos le fait dans transaction avec scientifiques ,
et un parcelle de il dans chimies et produits biologiques .
Encore , je faire un parcelle de il dans biotechnologie ,
mais aussi dans autre domaines comme batterie technologie , matériel science .
Il est devenir très évident .
Le cinétique sont compliqué .
Ils 'concernant en permanence en changeant sur conception Régions .
Le cinétique comportement que toi voir autour le frontières
est souvent très différent depuis quoi c'est événement sur le intérieur .
Pourquoi fait ce matière ?
Bien , le classique approche à réponse surface ,
même y compris optimale dessins , repose sur quoi je appel frontière dessins .
Presque tous de ton observations sont autour le frontières de le conception région .
Dans indiquer de fait , si personnes vouloir à entendre il ou pas ,
le central composite conception ,
communément utilisé dans réponse surface ,
est à propos le pire conception toi pourrait pense de pour prédiction .
Le intérieur de le espace est vide .
Si toi ajuster ces des modèles sur le frontière ,
et alors toi prédire quoi c'est événement sur le intérieur ,
il c'est pas prédiction , il c'est spéculation .
Toi enfiler 't savoir . Toi avoir Non données .
je je suis en allant à montrer toi dans le cas étude ,
toi 'concernant probablement en allant à atteindre quelques faux conclusions .
Le frontière Régions , en effet , souvent se comporter très différemment ,
et nous avoir un besoin à reconsidérer notre approche à dessins .
Un autre problème
dans réponse surface et statistiques
est ce omniprésent utiliser de complet quadratique des modèles .
Ils sont pas suffisant à modèle complexe réponse surfaces .
Dans fait , ils 'concernant loin depuis il .
Malheureusement , je obtenir un parcelle de repousser
depuis statisticiens OMS réclamer il est bien assez .
Mon répondre est , "Bien , si toi en fait utiliser dessins
que avait suffisant intérieur points ,
toi 'd rapidement découvrir ils enfiler 't ajuster Bien à tous .
Encore , en essayant à mesure prédiction
sur le intérieur de un conception région en utilisant frontière dessins est futile .
Par le chemin , mon bien ami , le en retard John Corneille et Doug Montgomery ,
publié un papier sur ce dans 1998 , et je 'll être poli , ils étaient ignoré .
Il était en fait quelque peu plus méchant que ignoré par le statistiques communauté .
Ils montré dans le papier que complet quadratique des modèles
sont juste pas suffisant à couverture un conception région .
Petit pâté mentionné SVEM , soi -validation ensemble la modélisation .
Il c'est un algorithme .
je je suis un de le co -développeurs avec Docteur . Chris Gottwald de JMP ,
un personne je prise dans très haut égard .
je gagné 't obtenir dans le algorithme par le chemin ,
là sont les références à le fin où toi peut aller et apprendre plus à propos il .
Il a a été a parlé à propos à Découverte conférences en fait ,
en allant tous le chemin dos à Francfort dans 2017 .
Mais SVEM est un algorithme que permet toi à appliquer machine apprentissage méthodes .
Machine apprentissage méthodes sont tous à propos prédictif la modélisation .
Croire moi , personnes dans que champ savoir un parcelle plus que toi peut pense
à propos prédiction et appliquer eux à données depuis petit ensembles comme BICHE c'est .
je gagné 't obtenir dans SVEM .
Il c'est un entier nouveau chemin de pensée à propos bâtiment prédictif des modèles ,
et je pense il c'est dans c'est enfance ,
mais il c'est déjà prouver très puissant et utile dans biotechnologie .
Laisser c'est obtenir à le expérience .
Ce est en fait un hybride expérience que Petit pâté et son équipe créé .
Là sont Sept facteurs et là sont 13 réponses .
Mais exigible à temps contraintes , je je suis seulement en allant à se concentrer sur quatre ,
et même que c'est en allant à être dur à obtenir il tous dans .
Le données et le expérience sont très propriétaire .
je faire remercier Lundbeck et Petit pâté pour en fait en permettant nous à utiliser
un anonymisé version de ce conception .
je avoir un parcelle de cas études , quelques de eux similaire à ce ,
et le personnes OMS propre le données
serait-ce 't même laisser moi discuter il si je anonymisé il .
Que était très bon de eux .
je pense nous avoir un vraiment important histoire à dire ici .
Ce est un hybride conception .
Il c'est compris de un 19 -courir Définitive Dépistage Conception
autour le frontières .
Alors il a 16 espace -remplissage dessins sur le intérieur .
Là sont centre points dans les deux les pièces de le conception .
Comment serait nous analyser ce ?
Bien , quoi je vouloir à faire est discuter le stratégies de analyse que sont utilisé ,
le algorithmes que sont utilisé , et faire comparaisons à SVEM .
je 'll dire toi dans avance , SVEM est en allant à faire très Bien .
Alors nous 'll parler à propos quelques de le problèmes avec le des modèles eux-mêmes
et comment nous utiliser eux .
je je suis en allant à faire quoi la plupart personnes actuellement faire .
je je suis en allant à prendre le frontière points , le DSD ,
ajuster des modèles , et alors appliquer eux à le espace -remplissage dessins comme un test ensemble
et voir comment Bien mon modèle interpole .
Étape deux , je 'll inverse le processus .
je 'll ajuster des modèles à le espace -remplissage points ,
et alors je 'll utiliser le DSD comme un test ensemble et voir comment Bien mon modèle
en fait extrapole un petit peu à le frontières .
Trois est un commun stratégie utilisé dans machine apprentissage .
je je suis en allant à utiliser un retenue test ensemble .
je je suis en allant à prendre le 35 court et casser eux en haut .
je a fait ce dans un chemin à faire eux les deux équivalent comme beaucoup comme je pourrait
dans un entraînement ensemble contenant les deux SFD et DSD points ,
et alors aussi un entier dos test ensemble que a un représentation de les deux .
Alors enfin , étape quatre , quoi beaucoup personnes serait automatiquement faire .
je 'll juste ajuster des modèles à le entier données ensemble .
Dans général , je enfiler 't recommander ce parce que là c'est Non chemin à test le modèle .
je volonté dire en haut devant ,
parce que nous faire avoir un parcelle de espace -remplissage points sur le intérieur ,
je je suis plus confortable avec ce approche que je suis dans pratique .
Mais ces , je trouver , sont le quatre basique stratégies que serait être utilisé .
Comment faire je analyser il ?
Bien , si toi avoir un DSD ,
personnes comme à utiliser Ajuster Définitive Dépistage ,
je 'll regarder à il , il seulement s'applique à DSD .
Honnêtement , il c'est pas vraiment un prédictif- la modélisation stratégie ,
ni faire ils réclamer il est .
Mais je trouver personnes sembler à utiliser il que chemin .
je 'll utiliser Avant Sélection .
Si toi savoir quoi le AICc statistique est , nous 'll faire que dans GenReg , dans JMP 17 .
Alors nous 'll regarder à quelque chose ils avoir dans GenReg que c'est très bon .
Que est le SVEM algorithme .
je je suis en allant à utiliser que avec Avant Sélection .
Alors je je suis en allant à regarder à quelque chose personnes peut pas savoir .
Il c'est un caché gemme dans JMP .
Quelque chose appelé En mouvement Moyenne dans le Par étapes plate-forme .
John Saül mettre il là beaucoup années il y a .
je pense il était être très perspicace .
Alors nous 'concernant en allant à parler à propos SVEM et Neural Réseaux .
Essentiellement , Non logiciel fait ce .
je avoir travaillé avec le Prédiction ,
quelques de toi savoir Wayne Lévine et Prédiction à développer un ajouter -dans à faire ce .
Il c'est actuellement le seulement logiciel disponible que fait ce .
Le SVEM ajouter -dans était utilisé à faire le Neural Réseaux .
je gagné 't obtenir dans le ajouter -dans particulièrement ,
je 'll juste rapidement montrer personnes où ces des choses sont .
Alors enfin je dit le quatrième stratégie était utilisé à prise données ensemble
parce que je obtenir demandé à propos ce tous le temps .
je juste jeta dans quelques K -croix Pli validation à utiliser
avec le SVEM méthodes et quelques de le autre méthodes .
Ceux sont le méthodes nous 'll utiliser
et pour méthodes comme Ajuster Définitive ,
Avant Sélection et En mouvement Moyenne méthodes ,
nous 'll supposer un complet quadratique modèle comme que est le tradition .
Le autre méthodes , encore , nous 'concernant en allant à utiliser un Neural Réseau
lequel est plus flexible .
Là sont quatre les réponses, et ce est vraiment important .
je est-ce que 't au hasard sélectionner eux .
Là sont quatre de eux et ils varier dans complexité .
Encore , je 'll admettre ce est subjectif .
Là est Non internationalement approuvé mesure de complexité
et ce est basé sur le capacité à modèle le réponses .
Encore , là sont 13 réponses .
Typiquement , dans CMC sentier travail , là sont dix -20 , peut être plus ,
la plupart de eux critique qualité les attributs .
Ils sont important
et ils varier dans le expérience depuis quelques sont assez faible dans complexité ,
quelques sont très haut , très difficile à modèle .
Franchement , dans ceux cas ,
Neural Réseaux sont essentiellement ton seulement option .
Donc payer attention à ce parce que ce complexité
se tourne dehors à être très important dans comment toi serait aller à propos la modélisation .
Alors le question est si je je suis en allant à évaluer prédiction ,
Bien , comment faire je faire que ?
Souviens-toi , je préférer prédiction être sur un indépendant test ensemble
avec nouveau paramètres de le facteurs .
Que c'est comment nous juge interpolation .
Bien , quelque chose appelé le Racine Moyenne Carré Erreur
ou RASER partitions est très commun .
Ce est le standard déviation de prédiction erreur .
Encore , il c'est communément utilisé à juge comment Bien toi prédire .
Plus petit est mieux , évidemment ,
mais là est un problème avec il que nous ai particulièrement découvert ,
en particulier dans simulation .
Des modèles avec faible RASER partitions souvent avoir substantiel prédiction biais dans eux .
Dans prédiction , là vraiment est toujours un biais -variance commerce -désactivé .
Donc comment faire nous évaluer biais ?
Bien , là c'est Non convenu sur approche à que soit .
Mais le le plus simple chemin et le la plupart visuel chemin
est réel par prédit parcelles sur un test ensemble .
Idéalement , si toi étaient à ajuster un pente
à le réel bi -prédit parcelle , je 'll montrer un exemple .
Le idéal prédiction équation que un pente serait être un avec un intercepter de zéro .
Le plus loin le pente est depuis un , le plus grand le biais .
Pour fins de manifestation , je je suis en allant à ensemble
un spécification de 0 .85 -1 .15 avec un cible de 1 pour le pente .
Si toi peut rester dans que gamme ,
alors je 'd dire toi probablement avoir acceptable les montants de biais .
Dans réalité que arrive à être plus de un sujet matière problème .
Alors enfin je dit , "Bien , toi peut ajuster un pente à le réel bi -prédit parcelle .
Là c'est un supplémentaire problème ".
Le prédicteur est le prédit valeurs .
Ils avoir un parcelle de erreur dans eux .
Donc ce est en fait un les erreurs et variables problème ,
lequel est pas communément reconnu .
Mais JMP 17 a un vraiment bon solution .
Il c'est appelé le Qui passe -Bablok la modélisation algorithme
et il c'est a été Bien -établi , en particulier dans le biopharmaceutique .
Ce convient un pente , prise dans compte les erreurs dans X , le prédicteur .
Donc comment fait il travail ?
Bien , il convient un pente .
Si toi regarder sur le gauche ,
toi 'll voir le pente est à propos 0 .5 . Nous avoir fort biais .
Là c'est un parcelle de prédiction biais .
Quoi je vraiment comme dans le application dans JMP , ils donner toi le référence doubler .
Le en pointillés bleu doubler est le idéal doubler pente de un , intercepter de zéro .
Sur le gauche , notre prédictif modèle est montrant un parcelle de biais .
Il c'est systématiquement pas prédire le réponse .
À le droite , est un cas où là c'est en fait un petit montant de biais
dans général , que serait être acceptable .
Par le chemin , ces étaient choisi comme un c'est des modèles
que avait relativement faible dans l'ensemble RASER partitions .
Ces sont appelé le Qui passe -Bablok pistes
et ils sont intégral à comment je évaluer prédiction ,
le dans l'ensemble RASER et le pistes .
Quoi je je suis en allant à faire à ce indiquer ,
je je suis en allant à en fait aller sur à JMP , si toi enfiler 't esprit .
je 'll faire un rapide changement dans le écran ici
et je 'll faire ce comme grand comme je peut pour tout le monde .
Dans l'ensemble dans ce exercice ,
je ajuster fermer à 140 des modèles et je a fait eux tous individuellement et évalué eux .
Oui , il a pris assez un alors que
et je je suis en allant à montrer un graphique à essayer à résumer le résultats
pour le différent méthodes .
je je suis en allant à ouvrir un Graphique Constructeur scénario .
je 'll faire ce comme grand comme je peut-être peut pour tout le monde .
je je suis en utilisant quelques locale données filtres , à définir le afficher .
Avis nous avoir quatre entraînement scénarios .
je 'll commencer avec où le DSD est le entraînement ensemble .
Nous ajuster des modèles à le frontière
et alors nous évaluer eux et comment ils prédit
le espace -remplissage conception points .
Y2 est le facile réponse .
je attendu tous approches à faire Bien , ils a fait .
Avis je ensemble ces spécification limites et que c'est 0 .85 -1 .15
tous est tombé dans que admissible région .
Deux de le méthodes que a fait Bien ,
je particulièrement aimé le en mouvement moyenne ,
donc il a fait joli Bien .
Aucun de eux avait un pente de exactement un .
Le DSD points enfiler 't exactement prédire quoi c'est en allant sur
dans le espace -remplissage conception points , mais ils tous a fait relativement Bien .
Maintenant nous 'll aller à modéré complexité .
Maintenant toi commencer à voir quelques séparation .
Il c'est obtenir Plus fort à modèle le surface .
Encore , je je suis en utilisant ce intervalle de 0 .85 -1 .1 .
je je suis regarder sur le oui -axe à le RASER score standard déviation de prédiction .
Sur le X -axe , je je suis regarder à pente .
Pour Y1 , en utilisant le DSD à prédire
le espace -remplissage conception points comme le test ensemble .
Le seulement des modèles que vraiment effectué Bien étaient le Neural Réseaux avec SVEM .
Par le chemin , le code est N.N. est Neural Réseau ,
H est nombre de caché nœuds .
Nous avoir des modèles avec variable les niveaux de caché nœuds
et je simplement évalué RASER partitions et pente .
Nous aller à plus complexité .
Maintenant Y3 a haut complexité .
Il est dur à modèle .
Le le plus bas RASER partitions étaient le méthodes toi voir sur le inférieur droite ,
mais toi peut voir là c'est substantiel prédiction biais .
je feutre dans l'ensemble le meilleur combinaison de faible -biais
et RASER score étaient Neural Réseaux , particulièrement un avec 27 caché nœuds .
Alors enfin nombre quatre est haut complexité .
Nous ajuster le modèle à le DSD et appliqué il à le espace -remplissage points .
je est-ce que 't pense n'importe lequel de le des modèles a fait super .
Tous de eux montré quelques prédiction biais .
Peut être le meilleur performance était un Neural Réseau avec 12 caché nœuds .
Il avait le le plus bas RASER score , mais toujours , là étaient quelques problèmes avec biais .
Donc que c'est un stratégie .
Bien , quoi si je étaient à faire le opposé ?
je ajuster le modèle à le espace -remplissage points
et alors appliquer eux à le frontière DSD points .
Encore , laisser c'est commencer avec le le plus simple cas .
Y2 vraiment fait . Il c'est un joli simple réponse .
En fait , le SVEM méthode dans GenReg en utilisant SVEM et Avant a fait très Bien .
Le suivant meilleur je pensée était un Neural Réseau avec dix .
Souviens-toi, là c'est un petit peu de extrapolation en allant sur ici .
Enfin , Y1 avec modéré complexité .
Encore , seulement le Neural Réseaux a fait Bien .
Comme nous aller en haut dans complexité , de plus en plus juste le Neural Réseaux sont fonctionnement.
Toi 'll trouver similaire résultats pour le autre approches .
je gagné 't montrer tous de eux , ils 'concernant couvert dans le Remarques .
Mais le général conclusion par le chemin , est
que quand toi utiliser le frontière points comme un test ensemble
ou toi utiliser le espace -remplissage dessins comme un test ensemble et essayer à prédire le autre ,
ils 'concernant juste pas faire comme Bien comme ils devrait .
Dans autre mots , comme je dit plus tôt , le frontière points ,
le DSD points et le espace -remplissage conception points ,
là sont différences dans leur cinétique comportement que nous 'concernant pas cueillette en haut .
Le seulement chemin nous 'concernant en allant à prendre il en haut
est à en fait ajuster des modèles sur le entier conception espace .
Nous a fait faire que par le chemin .
je devrait juste rapidement montrer toi .
je utilisé le entier données et nous ajuster des modèles et nous en fait a fait joli Bien .
je est-ce que 't montrer le Qui passe -Bablok pistes .
je volonté juste rapidement faire un petit plus travail avec JMP pour ceux OMS sont intéressé .
Le Qui passe -Bablok pistes peut être fait dans Ajuster Oui par X .
je volonté admettre nous a écrit un scénario
et ajoutée il à le prédictif ajouter -dans à faire ce dans Ajuster Oui par X ,
mais toi peut facilement faire il toi-même .
Ici , et je 'll prendre un de le cas , est le DSD données et je 'll prendre Y1 .
Comment a fait nous faire raccord des modèles ?
Si toi regarder dans le menu , là c'est le Qui passe -Bablok .
je fortement suggérer toi regarder à il .
UN parcelle de régression problèmes sont les erreurs dans variables .
Comment a fait le méthode faire il dans l'ensemble ?
je vouloir à expliquer quelque chose autre .
Le orange points sont le DSD , le frontières .
Le bleu points sont le espace -remplissage conception points .
Ici je ajuster des modèles à le DSD
et le Qui passe -Bablok pistes sont être ajuster à le espace -remplissage conception points .
Dans l'ensemble , le meilleur performance était tourné dans par le DSD .
Là c'est un de eux ici .
Il c'est Saywood 6 .
Un autre un que avait … je oublié quoi il était .
Laisser moi élargir ce dehors pour toi .
Dix-neuf .
Avis le pente est fermer à un ,
mais toi peut clairement voir là est quelques biais .
Dans autre mots , toi peut voir un compenser entre le équipé pente
et le idéal pente , le en pointillés bleu doubler .
Ce est joli typique dans l'ensemble .
je 'll juste très rapidement montrer toi .
Si toi avoir JMP Pro et toi vouloir à faire SVEM en utilisant linéaire des modèles ,
juste aller à Ajuster Modèle , Rappel .
Ce est un complet quadratique modèle .
Toi pourrait faire autres .
Aller à GenReg et alors sous estimation méthodes .
Là c'est SVEM Avant .
Là c'est SVEM Lasso .
Ces travail très Bien .
Depuis un parcelle de travail dans ces méthodes ,
je toujours trouver SVEM Avant donne toi le meilleur résultats .
Le Lasso tend à donner toi un parcelle de biaisé résultats
sur test ensembles dans particulier .
Si toi 'concernant intéressé dans modèle faire la moyenne , si toi avoir JMP standard ,
juste en allant à frapper rappel encore , juste aller à le Par étapes plate-forme .
Je n'ai pas 't faire il . Par étapes .
je gagné 't courir il .
Il volonté prendre aussi long parce que modèle faire la moyenne les usages meilleur sous-ensembles régression .
Il c'est temps -consommant , mais il c'est là .
Encore , Neural Réseaux avec SVEM ,
toi avoir à avoir le Prédiction ajouter- dans à faire que .
Là c'est un lien à il si toi 'concernant intéressé .
À ce indiquer ,
je je suis en allant à pas faire aussi beaucoup plus analyse .
Encore , toi peut aller à travers et regarder à le divers pistes
pour le divers réponses
et toi peut voir beaucoup de ces méthodes abouti dans très biaisé pistes .
Dans autre mots , le DSD points et le espace -remplissage dessins sont aussi différent .
Nous ai vraiment a obtenu à comprendre nous besoin à ajuster des modèles
sur le entier conception région .
À ce indiquer , je je suis en allant à juste finition en haut .
Par le chemin , là est assez matériel ici,
et je faire avoir essentiellement beaucoup pourparlers que sont combiné dans ici .
je s'excuser , mais je pense là c'est un important message ici .
Par le chemin , je je suis juste montrant diapositives avec le Qui passe -Bablok pistes .
Alors enfin , je vouloir à juste donner toi quelques final pensées .
je pense nous vraiment besoin quelques nouveau pensée dans statistiques .
Nous enfiler 't avoir à lancer dehors tout nous ai a été faire .
je je suis pas en disant que .
Le la plupart important est nous sont dans le ère de numérique science .
Numérique chimie , numérique la biologie , numérique biotechnologie sont ici .
Ils 'concernant pas demain . Nous ai a obtenu loin plus automatisation .
Beaucoup de super ,
en particulier dans biotechnologie , pilote et banc échelle
dispositifs que échelle bien , où nous peut faire beaucoup de expériences .
Le problème est complexité .
Nous besoin à pense différemment .
Machine apprentissage méthodes via SVEM
sont très important pour raccord ces complexe systèmes .
Nous besoin à obtenir loin depuis le réponse surface approches
que vraiment havre 't modifié .
Peut être nous ai a obtenu des ordinateurs et quelques nouveau dessins .
je pense DSD sont vraiment très intelligent .
Nous avoir optimal dessins , mais ils souffrir depuis le fait ils 'concernant frontière dessins
et personnes garder insistant sur complet quadratique des modèles .
Que c'est un erreur , comme je ai essayé à montrer brièvement dans le parler ,
et toi volonté être capable à télécharger le parler ,
toi peut voir comment pauvrement ces méthodes en général a fait avec le complexe réponses .
Comme loin comme je je suis concerné , nous besoin nouveau les types de optimal dessins .
À un le minimum , ces besoin à accommoder un parcelle de facteurs .
Petit pâté , par le chemin , sans obtenir dans détails , a courir un DSD …
Pas un DSD . Toi a fait espace -remplissage conception avec 18 court .
Donné ils avoir ambre Technologie disponible ,
si toi savoir quoi que est , ils peut faire il .
Pourquoi faire nous besoin que ?
Parce que ces systèmes sont interactif .
Nous besoin à arrêt pensée ils 'concernant un mineure partie de le équation .
Principal effets faire pas décrire le comportement de un complexe système .
C'est interactivité est quoi disques le comportement .
Nous besoin à couverture le intérieur de le conception région .
Oui , nous serait comme à couverture le frontières aussi .
Nous enfiler 't vouloir à être en précisant un modèle .
Optimal dessins exiger toi spécifier quoi est généralement un complet quadratique modèle .
Nous besoin à obtenir loin depuis que .
Espace -remplissage dessins , par le chemin ,
sont optimale dessins que faire pas exiger un modèle être spécifié .
Mais ils 'concernant pas le total répondre .
Nous besoin à couverture le conception espace .
Nous besoin à donner le utilisateur un parcelle de saisir
que serait être scientifiques sur comment ils distribuer le points .
Le travail de Lu Lu et Anderson -Cuisiner indiquer le chemin .
je gagné 't avoir temps à obtenir dans que .
Que c'est un autre sujet .
Nous besoin à être capable à facilement combiner notre conception avec autre données .
Que comprend ingénierie court , BPF court ,
même des modèles depuis partiel différentiel équations et simulation .
En particulier si toi vouloir à obtenir dans numérique jumeaux ,
toi ai a obtenu à être capable à faire que en utilisant quoi je appel méta des modèles .
Alors enfin , Petit pâté mentionné ce , donc je recherché à apporter il en haut .
Le standard pratique dans conception de expériences , en supposant
que d'une manière ou d'une autre toi ai a obtenu à écran dehors facteurs
est en fait un vraiment haut -risque , Non -récompense stratégie dans complexe systèmes .
Toi volonté regret il .
Toi volonté un jour , à un plus tard scène , viens dos et avoir à refaire expérimental travail .
je ai vu ce temps et encore .
Dans complexe systèmes ,
ce idée que là sont actif et inactif facteurs est simplement faux .
Ils tous matière à quelques niveau quelque part dans le conception espace .
Franchement , avec notre moderne outils , toi enfiler 't besoin à faire il de toute façon .
Aussi , quelque chose autre personnes faire par réflexe réduire linéaire des modèles .
Nous ai montré dans notre recherche dans SVEM .
Aussi , un bon papier par Smucker , Édouard ,
et nous montré réduire des modèles se dégrade prédiction .
Pourquoi ?Parce que toi 'concernant fabrication ton modèle plus rigide et plus rigide ,
il c'est pas en allant à interpoler Bien .
je volonté arrêt à ce indiquer et là sont quelques les références à le fin .
