496785_de-DE

liliconcom

Betreff: Bayesianisches Optimierungs-Add-In

Danke @yuichi_katsumur sehr nützliches Add-In

Betreff: Bayesianisches Optimierungs-Add-In

Gute Arbeit @yuichi_katsumur ! @summers1985 Obwohl es derzeit keine automatische Integration mit dem XGBoost-Add-In gibt, ist es einfach, beide Add-Ins manuell auszuführen.Wenn Sie das XGBoost-Add-In mit der Autotune-Option ausführen, wird eine Tabelle mit Anpassungsergebnissen über ein schnelles, flexibles Fülldesign erstellt.Stellen Sie sicher, dass die gewünschte Leistungsmetrik in der Tabelle enthalten ist, speichern Sie sie in einer JMP-Tabelle und verwenden Sie diese Tabelle dann als Eingabe für das Bayesian Optimization-Add-In.Auf diese Weise können Sie ein Profil der aktuellen Ergebnisse erstellen und möglicherweise verbesserte Hyperparametereinstellungen vorschlagen.Iterieren Sie nach Bedarf zwischen den beiden Add-Ins, um Bereiche optimaler Hyperparameter zu finden.Ich bevorzuge tendenziell einen manuellen Ansatz wie diesen, da Sie so bei jedem Schritt sehen können, was im gesamten Hyperparameterraum passiert.

Betreff: Bayesianisches Optimierungs-Add-In

Ist es möglich, den Bereich und die Bedingungen der aus den Suchergebnissen hinzugefügten Versuchspunkte anzugeben?

Wenn Sie beispielsweise die Kombination der Mischungsverhältnisse der Materialien A zu C mithilfe der Bayes'schen Optimierung optimieren möchten, möchten Sie den Verhältnisbereich von A zu C und die Summe von A zu C festlegen.

Betreff: Bayesianisches Optimierungs-Add-In

Hallo @Mae-Tetsu , Danke, für ihre Frage. Bitte versuchen Sie, die Eigenschaften der Mischungsspalte festzulegen, bevor Sie die Bayes'sche Optimierung durchführen.

 

Detaillierte Informationen zu den Spalteneigenschaften finden Sie auf der folgenden Seite.

https://www.jmp.com/support/help/ja/16.2/#page/jmp/mixture-example.shtml#ww529344

 

Betreff: Bayesianisches Optimierungs-Add-In

Hallo

Bitte nennen Sie mir eine Quelle für einen Artikel oder ein Buch zum Thema Bayes'sche Optimierung

 

Grüße

Betreff: Bayesianisches Optimierungs-Add-In

HALLO @Raaed ,

Danke für deinen Kommentar. Hier sind einige Übersichtsartikel, die ich gefunden habe;

S. Greenhill, S. Rana, S. Gupta, P. Vellanki und S. Venkatesh, „Bayesian Optimization for Adaptive Experimental Design: A Review“, in IEEE Access, vol. 8, S. 13937-13948, 2020, doi: 10.1109/ACCESS.2020.2966228.

B. Shahriari, K. Swersky, Z. Wang, RP Adams und N. de Freitas, „Taking the Human Out of the Loop: A Review of Bayesian Optimization“, in Proceedings of the IEEE, vol. 104, Nr. 1, S. 148–175, Januar 2016, doi: 10.1109/JPROC.2015.2494218.

Betreff: Bayesianisches Optimierungs-Add-In

Vielen Dank

Betreff: Bayesianisches Optimierungs-Add-In

Kann ich ein Plugin erstellen, indem ich die Bayes-Methode und xgboost verknüpfe?

Betreff: Bayesianisches Optimierungs-Add-In

@summers1985 Danke für deinen Kommentar. Leider ist die aktuelle Version nicht in der Lage, mit dem XGBoost-Add-In zu arbeiten. Bei vielen Anfragen würde ich gerne über die Erstellung eines Add-Ins nachdenken.

Bayesianisches Optimierungs-Add-in

• Über dieses Add-In
• Über Bayes'sche Optimierung
• So verwenden Sie Add-Ins
• Bildschirmfoto
• So verwenden Sie dieses Add-In
• Geschichte verändern

Über dieses Add-In

Bei diesem Add-In handelt es sich um ein Add-In zur Durchführung einer Bayes'schen Optimierung mithilfe des Gaußschen Prozessmodells von JMP.

System Anforderungen

• JMP 15 und höher
• Die Anzeigesprache ist nur Englisch und Japanisch

Über Bayes'sche Optimierung

Die Bayesianische Optimierung ist eine Methode, mit der wiederholt aufeinanderfolgende Experimente durchgeführt werden, um die optimale Lösung zu finden. Der Hauptablauf der Bayes'schen Optimierung ist wie folgt.

1. Erstellen Sie einen Raumfüllungsplan (oder einen anderen Plan) mit einer angemessenen Anzahl von Experimenten.
2. ein Experiment durchführen.
3. Aus den gewonnenen Daten wird ein Gaußsches Prozessmodell geschätzt.
4. Finden Sie anhand des aus den Daten geschätzten Gaußschen Prozessmodells g(x) (und seiner Kovarianzmatrix ∑) den Punkt x*, an dem A(g(x)), berechnet aus einer geeigneten Funktion A(.), maximal ist.
5. Fügen Sie x* als experimentellen Punkt hinzu und kehren Sie zu Schritt ii zurück.

Weitere Informationen zur Bayes'schen Optimierung finden Sie in den folgenden Artikeln.

B. Shahriari, K. Swersky, Z. Wang, RP Adams und N. de Freitas, „Taking the Human Out of the Loop: A Review of Bayesian Optimization“, in Proceedings of the IEEE, vol. 104, Nr. 1, S. 148–175, Januar 2016, doi: 10.1109/JPROC.2015.2494218.

So verwenden Sie das Add-In

(Siehe auch beigefügtes Dokument)

1. Öffnen Sie die JMP-Datentabelle mit den experimentellen Daten, die Sie bereits durchgeführt haben. *Hinweis: Das aktuelle Add-in unterstützt nur eine Zielvariable Y. Außerdem kann die erklärende Variable X nur auf einer kontinuierlichen Skala angegeben werden.
2. Wählen Sie Add-Ins > Bayesianische Optimierung aus.
3. Konfigurieren Sie Spalten und Optionen.
4. Sobald die Analyse abgeschlossen ist, erscheint ein Ergebnisfenster. Wenn Sie potenzielle experimentelle Punkte zur Tabelle hinzufügen möchten, klicken Sie auf die Schaltfläche „Zeile zur Tabelle hinzufügen“.
5. Wenn Sie das nächste Experiment durchführen möchten, können Sie die Bayes'sche Optimierung unter denselben Bedingungen durchführen, indem Sie das Tabellenskript „Run Bayesian Optimization Add-in“ ausführen.

Bildschirmfoto

So verwenden Sie dieses Add-In

Mit diesem Add-In können Sie die Bayes'sche Optimierung mithilfe des Gaußschen Prozessmodells in JMP durchführen.

Die Bayes'sche Optimierung ist eine Technik, die bei der wiederholten Durchführung aufeinanderfolgender Experimente und der Suche nach einer optimalen Lösung verwendet wird.

Bevor Sie ein echtes Experiment durchführen, wird dringend empfohlen, zu prüfen, ob es mit einigen Pseudodaten gut funktioniert. Es gibt Fälle, in denen es unmöglich ist, mit wenigen Experimenten den optimalen Punkt zu finden.

1. Öffnen Sie die JMP-Datentabelle, in die Sie die bereits erstellten experimentellen Daten eingegeben haben.
2. Wählen Sie Add-Ins > Bayesianische Optimierung.
3. Legen Sie Spalten und Optionen fest.
4. Wenn die Analyse abgeschlossen ist, wird ein Fenster angezeigt. Wenn Sie potenzielle experimentelle Punkte zur Tabelle hinzufügen möchten, klicken Sie auf die Schaltfläche „Zeile zur Tabelle hinzufügen“.
5. Wenn Sie die Bayes'sche Optimierung wiederholen möchten, klicken Sie im Tabellenskript auf „Run Bayesian Optimization Add-in“.

Weitere Informationen finden Sie in der beigefügten PDF-Datei.

Geschichte verändern

29. September 2023 Version 1.3: Dem Startfenster wurde ein Kontrollkästchen hinzugefügt, um Nugget-Effekte hinzuzufügen. Die Varianzberechnungsformel wurde korrigiert, damit sie korrekt ist, wenn die Tertiärstruktur angegeben wird.

07. Oktober 2023 Version 1.3.1: Problem behoben, wenn der Dezimalpunkt ein Komma ist

08. Dezember 2023 Version 1.3.2: Es wurde ein Problem behoben, bei dem ein Fehler angezeigt wurde, wenn ein Kombinationsfaktor vorhanden war.

VersuchsplanungBetreff: Bayesianisches Optimierungs-Add-In

Hallo,

Ich würde gerne das Bayesian-Optimierungs-Add-in für das Mischdesign verwenden, aber gibt es eine Möglichkeit, das zu tun?

Betreff: Bayesianische Optimierung Add-In

@yuichi_katsumur

Vielen Dank für Ihre Antwort! Ich konnte Ihren Vorschlag nachvollziehen, indem ich das Bayes-Add-In tatsächlich mit einem Beispieldatensatz ausgeführt habe. Das Problem wurde behoben.

Betreff: Bayesianische Optimierung Add-In

Hallo @KOKI , vielen Dank für Ihre Frage. Bitte versuchen Sie, die Eigenschaften der Mischungsspalte festzulegen, bevor Sie die Bayes-Optimierung ausführen. Wenn Sie weitere Fragen haben, lassen Sie es mich bitte wissen.

Betreff: Bayesianische Optimierung Add-In

Wie erkenne ich das R-Quadrat, nachdem ich mit dem Add-In „Bayesianische Optimierung“ mögliche Versuchspunkte gefunden habe?

Betreff: Bayesianische Optimierung Add-In

Hallo @ThomasBaah ,

Vielen Dank für Ihre Frage. Dieses Add-In verwendet den Gauß-Prozess in JMP. Ein Maß für die Güte der Anpassung ist, wie gut die Punkte entlang der 45-Grad-Diagonalen im tatsächlichen vs. vorhergesagten Diagramm liegen. JMP meldet die R2-Statistik für den Gauß-Prozess nicht. Informationen zum tatsächlichen vs. vorhergesagten Diagramm finden Sie auf der nächsten Seite.

https://www.jmp.com/support/help/en/18.0/#page/jmp/actual-by-predicted-plot-2.shtml#

Betreff: Bayesianische Optimierung Add-In

@yuichi_katsumur Danke!

Gibt es eine bessere Möglichkeit, Diagramme im Add-In zur Bayes-Optimierung zu extrahieren? Ich bin ein bisschen neu bei JMP

Betreff: Bayesianische Optimierung Add-In

@ThomasBaah Sie können eine der folgenden Methoden verwenden.

https://www.jmp.com/support/help/en/18.0/#page/jmp/copy-and-paste-reports.shtml#

https://www.jmp.com/support/help/en/18.0/#page/jmp/save-reports-as-powerpoint-presentations.shtml#