예측 스크리너 대 DOE?예측 스크리너를 사용하여 스크리닝 DOE와 같은 방식으로 중요한 변수를 식별할 수 있는지 궁금합니다. 기본적으로 최적화를 바로 시작할 수 있습니까? 사람들이 예측자 스크리너와 DOE를 결합하는지/어떻게 결합하는지, 또는 사람들이 어떤 권장 사항/모범 사례를 가지고 있는지 궁금합니다.
실험 설계답: 예측 스크리너와 DOE?귀하의 질문을 완전히 이해했는지는 모르겠지만 제 생각은 다음과 같습니다.
답변할 수 있는 질문, 데이터를 통해 밝혀진 정보, 도출된 결론, 분석에 사용하는 도구, 결과 추정에 대한 신뢰도, 데이터에 대한 적절한 반응은 전적으로 데이터 획득 방법, 대표성, 데이터의 포괄적 정도에 따라 달라집니다. 데이터 세트는.
즉, 예측자 선별을 수행하기 위해 데이터를 어디서 가져오는지 표시하지 않았습니다. 과거 데이터인 경우 데이터에 대한 적절한 컨텍스트가 없을 수 있습니다. 이것을 데이터 마이닝이라고 부를 수 있습니다. 잘못된 것은 아니지만 이는 실험에서 테스트할 가설을 개발하기 위해 수행됩니다(과학적 방법: 유도/연역의 연속적인 주기입니다). 예를 들어, 과거 데이터에는 기록되지 않았지만 데이터 수집 중에 변경된 영향력 있는 변수가 있을 수 있습니다. 추정되지 않은 측정 오류가 있을 수 있습니다. 알 수 없는 항목이 너무 많습니다.
DOE가 잘 계획되기를 바랍니다. 조작할 요인(및 조작하려는 이유)과 조작하지 않을 요인(잡음)을 식별해야 합니다. 실험을 통해 평가할 모델을 염두에 두고 있을 가능성이 높습니다. 측정 시스템을 연구했거나 이를 치료 내에 중첩할 계획을 세웠습니다.
답: 예측 스크리너와 DOE?안녕하세요 @mjz5448 님,
@statman 이 언급했듯이 예측자 선별은 과거 데이터를 기반으로 가능한 중요한 요소를 탐색할 수 있는 훌륭한 데이터 마이닝 도구이지만 DoE 및 명확한 목표로 수행된 적절한 연구를 대체하지는 않습니다.
예측자 선별은 기록 데이터의 반응에 대한 중요한 변수(특성 중요도 계산으로 식별됨)를 식별하는 데 도움이 되는 Random Forest 알고리즘을 기반으로 하는 방법입니다. 데이터의 대표성, 실험 공간의 적용 범위, 누락된 값, 이상값의 존재, 상호 작용, 요인 간의 상관 관계 또는 다중 공선성에 따라 이 플랫폼에는 몇 가지 지름길과 많은 알려지지 않은 사항이 있을 수 있으므로 맹목적으로 신뢰해서는 안 됩니다.
- 예를 들어, 예측자 선별 플랫폼은 모델을 제공하지 않고(JMP Pro에서 사용할 수 있는 Bootstrap Forest와 달리) 특성/요인 중요도만 제공하므로 개별 트리와 가지에 액세스할 수 없습니다. 요인.
- 또한 (R², RMSE 또는 목표에 따른 기타 관련 측정항목을 통해) 뒤에 있는 모델의 품질을 모르기 때문에 이를 통해 얼마나 많은 변동성이 설명되는지(또는 모델이 얼마나 정확한지) 알 수 없습니다. 기능 중요도 계산이 주제와 관련이 있거나 적절합니다.
- 모든 요소의 순위가 지정되므로 중요한 요소와 중요하지 않은 요소 사이의 임계값/한계는 사소하지 않습니다. 도움이 되도록 무작위 요인(임의 값 포함)을 추가할 수 있습니다. 이 기술의 예는 가격을 응답으로 사용하고 무작위 요인을 추가하고 가능한 입력으로 캐럿 중량을 생략한 JMP의 다이아몬드 데이터세트와 함께 여기에 나와 있습니다(매우 중요한 예측 변수이기 때문에 어려운 예를 보여드리고 싶었습니다). 다른 예측변수를 분류하기 위해):
- 이 플랫폼은 요인 간의 가능한 상관 관계 또는 다중 공선성에 대한 정보를 제공하지 않습니다. 다변량 플랫폼을 사용하여 입력, 출력 및 입력-출력 간의 상관 관계를 탐색할 수 있습니다. 다중 공선성을 파악하기 위해 더미 회귀 모델을 만들어 요인 간의 VIF 점수를 계산할 수도 있습니다.
- 카디널리티가 높은 범주형 요인은 특성 중요도 계산에 편향을 줄 수도 있습니다. 카디널리티(클래스 수)가 많을수록 데이터가 모델이 학습하려고 시도하는 많은 수의 소그룹/클래스를 형성하므로 편향이 높아집니다. 따라서 일반화 또는 "논리 이해"에 실패하고 결과적으로 과적합 가능성이 높아져 이 기능의 중요성이 높아집니다. 여기에는 동일한 데이터 세트, 동일한 조건이 있지만 11개 수준(A에서 K까지)이 있는 무작위 범주형 요인을 추가하는 예가 있습니다. 카디널리티가 높은 이 범주형 무작위 특성은 이전에 본 무작위 수치 변수 앞에 있습니다.
DoE는 탐색적 데이터 분석/데이터 마이닝 기술보다 훨씬 규모가 크며 가장 유익한 데이터 세트를 생성하기 위해 목표, 응답 및 요인을 정의하는 것에서부터 엔드투엔드 접근 방식/방법론에 가깝습니다. 실험 예산), 결과 분석 및 모델 개선에 이르기까지 다음 단계를 진행하거나 목표를 달성하는 방법을 더 잘 알 수 있습니다. DoE에 대한 요소 선택을 안내하려면 항상 도메인 전문 지식(기록 데이터가 있는 경우 다른 도구 및 시각화와 함께)을 사용하십시오.
(요인 측면에서) 연구와 관련된 과거 데이터가 있는 경우 Augment Design 플랫폼을 사용하는 것이 좋습니다. 필요한 경우 언제든지 요인 범위를 확장/축소할 수 있고 다양한 유연성을 가질 수 있기 때문입니다. 초기 기록 데이터 세트를 더 큰 디자인으로 확대하는 방법. 좋은 방법(특히 기록 데이터를 DoE로 확장할 때 관련)으로 이 플랫폼에서 "새 실행을 별도의 블록으로 그룹화" 옵션을 확인하십시오. 이 옵션은 초기 스크리닝 부분에서 일부 실험 예산을 절약하여 최적화 부분에서 저장된 실행을 할당하는 데 도움이 될 수 있습니다(더 좁은 실험 공간에서 Space-Filling 방법으로 DoE를 두 번째로 늘리거나 더 높은 차수로 보다 정확한 모델을 정의함으로써). 관련 요소에 대해서만 용어).
이 보완적인 답변이 차이점을 이해하는 데 도움이 되기를 바랍니다.
답: 예측 스크리너와 DOE?안녕하세요 @mjz5448 님 ,
실험에서 시간 처리와 관련하여 선호되는 옵션은 없습니다. 이는 실험에서 중요한 노이즈 요인이 될 시간을 평가하는 방법과 "범위"/민감도에 따라 결정됩니다. 예를 들어 매일 시간 변동이 예상되고 하루에 여러 번의 실험을 수행할 수 있는 경우 차단 요소로 충분할 수 있습니다. 하루 동안 시간 추세(온도, 습도 조건, 광도 등의 변화로 인해)가 있을 수 있는 경우 시간을 공변량으로 사용하면 견고한 설계를 만드는 데 도움이 될 수 있습니다.
강력한 시간 추세 설계를 생성하기 위해 시간을 공변량으로 사용하는 상황은 Peter GOOS와 Bradley JONES의 책 "Optimal Designs of Experiments: A Case Study Approach"(9장: 공변량이 있는 실험 설계)에 설명되어 있습니다.
여기에 시간 공변량을 다루는 주제가 이미 있습니다: https://community.jmp.com/t5/Discussions/Covariates-in-definition-order-in-custom-design/mp/596777/highlight/true#M80044
Bradley Jones는 또한 시간/순서를 공변량으로 사용하는 방법에 대한 블로그 게시물을 작성합니다. " 반응의 선형 시간 추세에 견고한 실험 설계를 만드는 방법 "
JMP 도움말: https://www.jmp.com/support/help/en/17.2/index.shtml#page/jmp/design-with-a-linear-time-trend.shtml
이 답변이 도움이 되길 바라며,
추신: 귀하가 시작한 토론 중 어느 것도 "승인된 솔루션"을 받지 못했습니다. 게시물의 일부 답변으로 질문/문제가 해결된 경우 "해결책으로 수락"으로 표시하세요. 이는 시간을 내어 답변을 제공하고 다른 JMP 사용자가 유사한 문제에 대한 해결책을 더 쉽게 찾을 수 있도록 도와준 사람들에 대한 감사의 좋은 표시입니다.
답: 예측 스크리너와 DOE?두 분 모두 댓글을 남겨주셔서 감사합니다.
statman - 내가 과거 데이터를 보고 어떤 변수가 내 1개의 응답 변수에 영향을 미치는지 확인하려는 것이 맞습니다.
Victor_G - 무작위 변수에 대한 조언에 감사드립니다. 실제로 중요한 요소와 중요하지 않은 요소에 대해 구분점을 결정하기 위해 무작위 변수를 포함시켰습니다.
문서를 찾을 수 없는 또 다른 질문은 예측자 선별에 "날짜"를 변수로 포함해도 괜찮은지 여부입니다. 아니면 대신 예측 변수 선별과 별도로 "날짜"가 포함된 시계열 분석을 보아야 합니까? 아니면 예측 변수 선별에 날짜를 포함하는 데 사용됩니까?
다시 한 번 감사드립니다!
답: 예측 스크리너와 DOE?기술적으로는 Predictor 스크리닝 플랫폼에 Date와 같은 시간 변수를 포함시키는 것이 가능하며, 시계열 분석에는 Random Forests를 사용할 수 있습니다.
하지만 귀하가 제공한 콘텐츠를 기반으로 시간 변수를 사용하거나 사용하지 않고 이 플랫폼의 결과를 비교하는 것을 고려해 보겠습니다.
실험 변수가 시간에 민감할 수 있고 가능한 예측 변수로 시간을 포함하면 다른 흥미로운 예측 변수가 숨겨질 수 있다는 점이 두렵습니다.
날짜에 사용되는 형식 및 데이터 유형(연속, 이산?)에 따라 높은 카디널리티 예측자를 도입하여 플랫폼의 결과를 편향시킬 수도 있습니다.
마지막으로, 실험적 맥락에서 시간은 다른 요인과 달리 DoE에서 완전하고 독립적으로 달라질 수 있는 요인이 아닙니다. 시간을 공변량(주 효과 및 2차 효과를 통해 모형에 포함) 또는 차단 요인으로 추가하여 시간에 대한 견고한 설계를 생성할 수 있지만 다른 요인처럼 원하는 대로 변경할 수는 없습니다.
따라서 Predictor Screening 플랫폼을 통해 반응과 요인 간의 관계를 분석한 다음 (시각화, 시계열 분석 및/또는 기능적 데이터 탐색기를 통해) 시간과 관련된 요인 종속성을 분석하지만 아마도 시간을 동일한 방식으로 직접 포함하지는 않을 것입니다. 탐색적 분석의 다른 요소로 사용됩니다.
답: 예측 스크리너와 DOE?Victor_G님, 감사합니다.
DOE에 시계열을 포함하는 방법에 대한 선호 사항이 있습니까? 공변량을 포함하는 것과 시간별 실행을 차단하는 것을 선호합니까? 플랜트 엔지니어인 제 실험에서는 날짜/시간이 항상 중요한 역할을 하는 것 같습니다. 하지만 생산 일정을 통제할 수 없기 때문에 시간 요소를 차단하는 것이 부담스럽기도 했습니다. 이전에도 해봤지만 나는 그것을 공변량으로 사용하는 것을 선호하지만 이전에 DOE에서 공변량을 사용한 적이 없습니다. 경험이 있는지 궁금하시죠? 다시 감사합니다.
답: 예측 스크리너와 DOE?데이터에 시계열이 있을 가능성이 있으므로 데이터를 함수로 처리하는 것을 고려할 수도 있습니다. 설명과 답변만으로는 그러한 접근 방식이 도움이 될지 알 수 없지만 여기에서 자세한 내용을 알아볼 수 있습니다. 기능(기능적 PCA로 축소됨)은 다른 X 또는 Y 분석 역할 변수처럼 사용될 수 있습니다.
