如何更新新工具中檢測到的變化以影響我的預測模型？我已經做了 DOE 並開發了 LMS 模型和 NN 模型用於預測目的。 在一個新工具上，我們進行了一些測試並註意到了輕微的變化，現在我想在我們已經發現的先前交互的基礎上進行構建，但添加適當的變化以改進預測。 有什麼建議麼？高級統計建模基礎數據分析和建模實驗設計預測建模和機器學習回复：如何更新新工具中檢測到的變化以影響我的預測模型？我看到了解決這個問題的三種可能的方法。 首先，我假設當你說“轉變”時，你的意思是響應空間的總平均值的變化，但是擬合曲面的所有其他方面都被認為是一致的。 如果“轉變”是其他任何東西（方差、斜率（線性、曲線或任何其他形狀）、漸近線（如果明顯的話）等等），那麼我的第一個建議是無聲的。 您可以做的最簡單的事情可能是將預測公式保存到列中，然後只需向公式添加一個常量，即“偏移”的大小。 您可以做的下一個最簡單的事情就是構建一個新模型，其中“工具”作為一列，然後在“舊”工具的列級別中添加“新工具”作為術語並構建新模型。 第三種選擇是只維護兩個模型……一個用於原始分析，第二個用於“新工具”。 如果是我……我會嘗試這三種方法，看看哪種途徑可以幫助您解決手頭的實際問題。
但現在我還有一些額外的問題。
1. 什麼是“LMS 模型”？
2. 我很好奇你為什麼偏向神經網絡模型？ 通常，在基於 DOE 的建模工作中，顯式構建設計來估計具有特定結構的線性模型。 特別是在使用最佳 DOE 方法時。 即使使用經典的 DOE 方法，幕後也有一個隱式模型。 那麼為什麼需要神經網絡呢？ 我猜線性模型太短了？ 您正在嘗試估計一些真正的非線性類型表面嗎？ 但我再次猜測......那麼思考過程背後的原因是什麼？
回复：如何更新新工具中檢測到的變化以影響我的預測模型？鑑於您提供的信息，皮特的建議更加慷慨。不幸的是，對我來說，你沒有提供足夠的背景信息。我有一些想法，但它們只是猜測。
你在知識連續體中處於什麼位置？ 您運行了 1 DOE 並認為您已經得出了有用的預測公式？ （不太可能，通常模型開發需要迭代）。你只有 1 Y（響應變量，不太可能，因為我們生活在一個多元的世界）？我猜你的意思是除了神經網絡之外的最小二乘模型？ 這是兩種完全不同的模型構建策略。一種基於知識，另一種基於概率（數據中的模式）。他們有多相似？它們有多有用？他們的實際預測效果如何？殘差是什麼樣的？
既然您引入了新工具並看到了效果，您的假設是什麼？ 請注意，您可能無法僅“添加”轉變，因為新工具可能會與模型中的其他因素相互作用。另外，您有多確定這是解釋這一轉變的新工具？還有什麼改變嗎？
我懷疑您尚未確定可能影響響應的所有可能因素。也許您應該返回篩選並增加推理空間（改變噪聲的更多因素）並繼續順序迭代來構建模型。
回复：如何更新新工具中檢測到的變化以影響我的預測模型？你好，
首先非常感謝您的回复。
所以問題的一部分是我有一個很大的運行數據庫，我不會從頭開始為每個工具重做。每個工具都有一個轉變，但在整個範圍內並不一致（我們在重新運行的數據中看到了這一點）。 考慮到這些選項，我想添加一個工具欄的中間一個是有意義的，並且不會完全忽略以前的效果。
1. LMS - 最小均方 - 基本線性建模選項。
2. 所以這很有趣，因為我們想要使用未針對 DOE 正確設計的現有數據庫，因此嘗試運行 LMS DOE 分析會發現很多混雜因素，因此可以通過控制插值，但它沒有正確描述空間。我發現神經網絡在這個意義上更加穩健，這並不理想，因為它是一個概率模型，但它確實填補了這些空白。
回复：如何更新新工具中檢測到的變化以影響我的預測模型？你好，
非常感謝您的意見。
我完全同意你的推理，並且對所有參數進行適當的篩選設計非常有意義。我會嘗試這種方法，但有時我們無法控制所有已完成的測試。
正如我在之前的評論中提到的，為什麼 NN 在交互上提供了一些更好的“空間填充”，我對這種關於過程的知識假設感到不舒服。
無論如何，我相信我的問題仍然有其自身的優點，即如何根據更新的結果不斷更新神經網絡模型以進行預測。 我正在考慮對當前流程結果具有加權功能的東西，類似於 SPC 中的 EWMA 圖表。
回复：如何更新新工具中檢測到的變化以影響我的預測模型？只是語言澄清一點......該方法通常稱為最小二乘法、普通最小二乘法或標準最小二乘法（因此使用 LMS 會產生混淆）。這是一個回歸過程，通過最小化（最小）線殘差的平方偏差（平方和）來估計數據的最佳擬合線。
https://www.jmp.com/support/help/en/18.0/?os=mac&source=application#page/jmp/example-of-simple-線性-regression.shtml#ww892978
