如何更新新工具中检测到的变化以影响我的预测模型？我已经做了 DOE 并开发了 LMS 模型和 NN 模型用于预测目的。 在一个新工具上，我们进行了一些测试并注意到了轻微的变化，现在我想在我们已经发现的先前交互的基础上进行构建，但添加适当的变化以改进预测。 有什么建议么？高级统计建模基础数据分析和建模实验设计预测建模和机器学习回复：如何更新新工具中检测到的变化以影响我的预测模型？我看到了解决这个问题的三种可能的方法。 首先，我假设当你说“转变”时，你的意思是响应空间的总平均值的变化，但是拟合曲面的所有其他方面都被认为是一致的。 如果“转变”是其他任何东西（方差、斜率（线性、曲线或任何其他形状）、渐近线（如果明显的话）等等），那么我的第一个建议是无声的。 您可以做的最简单的事情可能是将预测公式保存到列中，然后只需向公式添加一个常量，即“偏移”的大小。 您可以做的下一个最简单的事情就是构建一个新模型，其中“工具”作为一列，然后在“旧”工具的列级别中添加“新工具”作为术语并构建新模型。 第三种选择是只维护两个模型……一个用于原始分析，第二个用于“新工具”。 如果是我……我会尝试这三种方法，看看哪种途径可以帮助您解决手头的实际问题。
但现在我还有一些额外的问题。
1. 什么是“LMS 模型”？
2. 我很好奇你为什么偏向神经网络模型？ 通常，在基于 DOE 的建模工作中，显式构建设计来估计具有特定结构的线性模型。 特别是在使用最佳 DOE 方法时。 即使使用经典的 DOE 方法，幕后也有一个隐式模型。 那么为什么需要神经网络呢？ 我猜线性模型太短了？ 您正在尝试估计一些真正的非线性类型表面吗？ 但我再次猜测......那么思考过程背后的原因是什么？
回复：如何更新新工具中检测到的变化以影响我的预测模型？鉴于您提供的信息，皮特的建议更加慷慨。不幸的是，对我来说，你没有提供足够的背景信息。我有一些想法，但它们只是猜测。
你在知识连续体中处于什么位置？ 您运行了 1 DOE 并认为您已经得出了有用的预测公式？ （不太可能，通常模型开发需要迭代）。你只有 1 Y（响应变量，不太可能，因为我们生活在一个多元的世界）？我猜你的意思是除了神经网络之外的最小二乘模型？ 这是两种完全不同的模型构建策略。一种基于知识，另一种基于概率（数据中的模式）。他们有多相似？它们有多有用？他们的实际预测效果如何？残差是什么样的？
既然您引入了新工具并看到了效果，您的假设是什么？ 请注意，您可能无法仅“添加”转变，因为新工具可能会与模型中的其他因素相互作用。另外，您有多确定这是解释这一转变的新工具？还有什么改变吗？
我怀疑您尚未确定可能影响响应的所有可能因素。也许您应该返回筛选并增加推理空间（改变噪声的更多因素）并继续顺序迭代来构建模型。
回复：如何更新新工具中检测到的变化以影响我的预测模型？你好，
首先非常感谢您的回复。
所以问题的一部分是我有一个很大的运行数据库，我不会从头开始为每个工具重做。每个工具都有一个转变，但在整个范围内并不一致（我们在重新运行的数据中看到了这一点）。 考虑到这些选项，我想添加一个工具栏的中间一个是有意义的，并且不会完全忽略以前的效果。
1. LMS - 最小均方 - 基本线性建模选项。
2. 所以这很有趣，因为我们想要使用未针对 DOE 正确设计的现有数据库，因此尝试运行 LMS DOE 分析会发现很多混杂因素，因此可以通过控制插值，但它没有正确描述空间。我发现神经网络在这个意义上更加稳健，这并不理想，因为它是一个概率模型，但它确实填补了这些空白。
回复：如何更新新工具中检测到的变化以影响我的预测模型？你好，
非常感谢您的意见。
我完全同意你的推理，并且对所有参数进行适当的筛选设计非常有意义。我会尝试这种方法，但有时我们无法控制所有已完成的测试。
正如我在之前的评论中提到的，为什么 NN 在交互上提供了一些更好的“空间填充”，我对这种关于过程的知识假设感到不舒服。
无论如何，我相信我的问题仍然有其自身的优点，即如何根据更新的结果不断更新神经网络模型以进行预测。 我正在考虑对当前流程结果具有加权功能的东西，类似于 SPC 中的 EWMA 图表。
回复：如何更新新工具中检测到的变化以影响我的预测模型？只是语言澄清一点......该方法通常称为最小二乘法、普通最小二乘法或标准最小二乘法（因此使用 LMS 会产生混淆）。这是一个回归过程，通过最小化（最小）线残差的平方偏差（平方和）来估计数据的最佳拟合线。
https://www.jmp.com/support/help/en/18.0/?os=mac&source=application#page/jmp/example-of-simple-线性-regression.shtml#ww892978
