Ciao,
Una domanda generale riguardante un'applicazione del DOE. Ho un set di dati con 30 funzionalità indipendenti. La risposta è rendimento. Ovviamente i dati sono piuttosto rumorosi e quando eseguo Random Forest (RF), ottengo al massimo un R^2 del 70% sui dati di validazione. Condurre un vero DOE non è affatto possibile a causa della sua logistica. Tuttavia, diciamo che prendo il modello RF come processo di generazione dei dati. Quindi progetto un esperimento utilizzando il minimo/massimo delle funzionalità. Ciò fornirà una matrice enorme, ma nessun problema poiché la potenza di calcolo non è un problema. Quindi inserisco la matrice DOE nella RF e genero la resa. Quindi utilizzo OLS per modellare la resa utilizzando la matrice di progettazione come caratteristiche. Ottengo un R^2 di 0,92!
Questo può sembrare imbroglioso e non valido, quindi mi piace ottenere l'opinione degli esperti su questo approccio.
L'obiettivo qui è trovare impostazioni di funzionalità che massimizzino la resa.
Grazie,
I miei due centesimi: perché preoccuparsi del DOE? Hai un modello dalla foresta casuale che puoi utilizzare con Prediction Profiler per trovare le impostazioni ottimali per le tue "funzionalità" che interpreto come fattori nel linguaggio DOE. Inoltre penso che sia un po' imbrogliante perché se non altro non c'è rumore nel sistema rispetto alle risposte poiché sono semplicemente deterministiche dal modello RF per ciascuna delle combinazioni di trattamento.
