공간 채우기 대 최적 DOE혼합물의 경우 공간 채우기 DOE가 자주 사용됩니다. 이것이 최적이 아니라고 생각하십니까? 그렇다면 이점은 무엇입니까?
최적 DOE 대신 비혼합물에 대해서도 공간 채우기를 사용하지 않는 이유는 무엇입니까? 나는 DOE 과정을 준비하고 있으며 이러한 질문을 예상하고 있으며 지금까지 올바른 답변이 없습니다.
실험 설계Re: 공간 채우기 대 최적 DOE안녕 @frankderuyck ,
공간 채우기 설계와 최적 설계(혼합 또는 기타 요인 유형에 관계없이 두 경우 모두 사용할 수 있음)는 완전히 다른 DOE 사고 방식입니다. 모델 기반 대 모델 불가지론.
- 모델 기반 : 이러한 유형의 실험 설계에는 특정 모델을 선험적으로 가정하고(주요 효과, 상호 작용 항 등 포함) 모델 계수의 추정을 최적화하기 위해 포인트를 생성하는 작업이 포함됩니다. 이 접근 방식은 특정 모델 형식을 가정하며 기본 모델이 잘 알려져 있거나 연구 중인 시스템에 대한 사전 지식이 있는 경우에 유용합니다.더 적은 포인트가 필요할 수 있으며 설명 가능/해석 가능한 결과에 쉽게 액세스하려는 경우 특히 권장됩니다.
예 : 내 응답 Y는 요인 A와 B의 통계적으로 유의한 주효과와 A와 B 사이의 통계적으로 유의한 2요인 상호 작용의 영향을 많이 받습니다.
- 모델 불가지론 : 이런 종류의 실험 설계는 실험 공간에서 포인트를 균일/균질하게(그리고 무작위로) 분포시킨 다음 다양한 모델을 이러한 포인트에 피팅하여 최상의 예측 모델을 얻는 것을 포함합니다. 이 접근 방식은 테스트된 모델(회귀, SVM, 신경망, 트리 기반 모델 등)의 복잡성에 따라 많은 수의 포인트가 필요할 수 있으며 특정 모델을 가정하지 않으며 기본 모델이 다음과 같은 경우에 유용합니다. 알 수 없거나 복잡합니다. 그러나 이 접근 방식은 노이즈에 민감할 수 있으며 ML 모델을 사용하면 과적합 상황이 발생할 수 있습니다...
두 접근 방식 모두 장점과 단점이 있습니다. 모델에 구애받지 않는 설계는 잘못된 사양에 대해 더 유연하고 견고할 수 있지만(아무것도 필요하지 않기 때문에) 모델 기반 설계와 비슷한 정확도를 달성하려면 더 많은 데이터가 필요할 수 있습니다. 모델 기반 디자인은 더 효율적이고 더 적은 데이터가 필요할 수 있지만 모델 오사양에 더 취약하고 복잡하거나 알려지지 않은 기본 모델에 직면했을 때 덜 견고할 수 있습니다.
최적 설계(반응 표면 모델 및 혼합 설계 제외)와 예측 정확도(RMSE 및 기타 예측 성능 메트릭)의 통계적 유의성에 더 중점을 두어 이 두 가지 DoE 사고 방식 간에도 평가가 다를 수 있습니다. 모델에서 중요한 요인이나 용어를 찾는 것이 아니라 실험 공간에서 최상의 예측을 하려고 합니다.
이 특정 주제에 대해 제공한 프레젠테이션의 슬라이드를 아래에서 찾으십시오. 학생들이 쉽게/접근할 수 있도록 도움이 되기를 바랍니다.
이 답변이 도움이 되셨으면 합니다 
Re: 공간 채우기 대 최적 DOE훌륭한 답변 Victor, 감사합니다!
또 다른 질문이 있습니다. 최적/맞춤형 DOE 대신 최종 스크리닝을 사용하는 경우는 언제입니까? 솔직히 말해서 저는 항상 Custom을 사용합니다.
Re: 공간 채우기 대 최적 DOE첫 번째 질문으로 돌아가서 기본 모델이 비선형 혼합 효과로 인해 매우 복잡할 수 있기 때문에 공간 채우기가 혼합물에 매우 유용하다는 것을 이해합니다.
Re: 공간 채우기 대 최적 DOEVictor의 탁월한 설명에 추가하기 위해(OP에 대한 구체적인 답변은 아닐 수 있지만) 방법론이 상호 배타적일 필요는 없습니다.모델에 대한 약간의 지식으로 시작하여 미지수를 동시에 및/또는 순차적으로 조사할 수 있습니다.주제 지식을 기반으로 한 가상 모델로 시작하고, 이러한 가설을 뒷받침하거나 거부하기 위해 데이터를 얻고, (가설이 데이터를 잘 설명/예측하지 않는 경우) 또는 공간을 확장(있는 경우)하기 위해 반복적으로 조사하는 것은 드문 일이 아닙니다.나는 우리 모두가 효과적인 방법을 먼저 찾고 효율적인 방법을 두 번째로 찾고 있다고 가정합니다(예: 최적성).우리가 알고 있는 것(또는 알고 있다고 생각하는 것)과 그 지식을 테스트할 데이터를 얻는 것에 많은 것이 달려 있습니다.모델에 "도전"하고 모델이 작동하는 위치보다 실패하는 위치를 결정하는 것이 좋은 생각이라고 생각합니다.
Re: 공간 채우기 대 최적 DOE혼합물의 문제는 여러 요소에 대한 수준 설정에 대한 의존성입니다(즉, 요소는 독립적으로 변경할 수 없음).제약이 있기 때문에 이를 고려해야 합니다.공간 채우기 디자인은 선택한 디자인 공간에서 성능을 평가하기 위해 표면(예: 등고선 플롯)을 생성하기 위한 데이터를 제공합니다.
Re: 공간 채우기 대 최적 DOE전적으로 동의합니다 @statman , 제품/프로세스에 대한 목표 및 정보에 따라 두 가지 설계 방법을 순차적으로 사용할 수 있습니다. 먼저 모델 기반 최적 접근 방식으로 요소를 선별한 다음 모델에 구애받지 않는 접근 방식을 사용하여 예측 모델을 최적화합니다. 비선형 응답.
다음은 다양한 디자인과 가능한 보완성에 대한 Synthace의 슬라이드입니다.
Re: 공간 채우기 대 최적 DOE저는 항상 사용하지 않습니다... ㅋㅋ 너무 혼란스럽게 만들지 않으면서 학생에게 실험 설계 방법론(예: OFAT 대비)의 힘을 확신시키려는 상황이 있습니다.맞춤형 디자인 옵션은 매우 유연하지만 사용하기 어려울 수 있습니다.이해해야 할 많은 옵션이 있습니다.
모든 경우에 사용할 "최상의" 방법론은 선험적으로 알려지지 않을 가능성이 높습니다.실사를 수행하고, 여러 계획을 만들고, 각각에 필요한 리소스에 대해 각각에서 얻을 수 있는 잠재적인 지식을 평가합니다.반복할 기본 아이디어로 선택합니다.
Re: 공간 채우기 대 최적 DOE안녕 @frankderuyck ,
최종 선별 설계는 매우 흥미로운 선별 설계이며 일부 조건이 충족되면 매우 유용할 수 있습니다. 의 훌륭한 블로그 게시물이 있습니다. @브래들리존스 DSD를 언제/어디서 사용해야 하는지에 대한 더 많은 통찰력과 설명을 제공합니다.
https://community.jmp.com/t5/JMP-Blog/Proper-and-improper-use-of-Definitive-Screening-Designs-DSDs/bc-p/541512#M4392
Re: 공간 채우기 대 최적 DOE안녕 Victor, Definitive Screening 디자인이 Optimal DOE의 특별한 경우라고 말하는 것이 맞습니까? 기본 조건 다음을 충족해야 합니다. (1) 모든 주요 효과는 직교하고 교란되지 않으며 다른 모델 효과(순수)와 혼동되지 않습니다. (2) 2차 효과와 상호 작용 효과 간에 앨리어싱이 없습니다. 옳은?
Re: 공간 채우기 대 최적 DOE안녕 @frankderuyck ,
Definitive Screening Design은 "교과서"(클래식) 디자인으로, DoE의 기본 원칙인 효과 희소성, 효과 계층 및 효과 유전에 따라 상호 작용 및 2차 효과를 테스트할 수 있는 가능성과 관련 요인이 많은 스크리닝 사례에 사용됩니다. 구조가 "고정"되어 있기 때문에 이 디자인을 "최적" 디자인으로 분류하지 않을 것입니다(이 디자인에 의해 선별된 용어도 마찬가지임).
귀하의 조건에 대해,
- 주효과는 2요인 상호작용 및 2차 효과에 대해 서로 완전히 직교합니다.
- 아니요, 2차 효과와 상호 작용 효과 사이에는 별칭이 있습니다.
다음은 이전에 첨부한 DSD의 바람직한 속성에 대한 Tom Donelly의 프레젠테이션에서 발췌한 것입니다.
이 답변이 도움이 되었으면 합니다.
또한 JMP 커뮤니티에서 Bradley Jones의 DSD에 대한 프레젠테이션을 검색할 수 있습니다. 그는 DSD를 언제/어디서 사용해야 하는지, 그리고 충족해야 할 조건(단지 연속적이고 소수의 2단계 범주형 요인, 많은 수의 요인, 실험 공간, 요인 변경 용이, ...).
Re: 공간 채우기 대 최적 DOE고마워 빅터, 이건 분명해. Bradley Jones와의 커뮤니티에 대한 흥미로운 토론!
