預測篩選器與 DOE？只是好奇預測篩選器是否可以像 DOE 篩選那樣用於識別重要變數 - 那麼基本上可以讓您直接進入最佳化？只是好奇人們是否/如何結合預測篩選器和 DOE - 如果有的話，或者人們有什麼建議/最佳實踐。
實驗設計回覆：預測篩選器與 DOE？我不確定我完全理解你的問題，但這是我的想法：
您可以回答哪些問題、數據揭示的資訊、得出的結論、用於分析的工具、推斷結果的信心、對數據的適當反應完全取決於數據的獲取方式、代表性和全面性。數據集是.
話雖這麼說，您沒有指出您從哪裡獲取數據來進行預測因子篩選。如果是歷史數據，您可能沒有數據的正確上下文。你可以稱之為資料探勘。這沒有錯，但這樣做是為了提出假設，然後在實驗中進行測試（科學方法：是歸納/演繹的連續循環）。例如，您的歷史資料可能具有未記錄但在資料收集過程中發生變化的有影響的變數。您可能存在未估計的測量誤差。太多的未知數。
希望能源部有好的計畫。您應該已經確定了要操縱的因素（以及為什麼要操縱它們）以及您不會操縱的因素（噪音）。您可能已經想到了一些模型來透過您的實驗進行評估。您已經研究了測量系統或計劃將其嵌入治療中。
回覆：預測篩選器與 DOE？嗨@mjz5448 ，
正如@statman所說，預測器篩選是一個很好的資料探勘工具，可以根據歷史資料探索可能的重要因素，但它不會取代使用能源部和明確目標進行的適當研究。
預測因子篩選是一種基於隨機森林演算法的方法，可協助您識別歷史資料中回應的重要變數（透過計算特徵重要性來識別）。根據資料的代表性、實驗空間的涵蓋範圍、缺失值、異常值的存在、因素之間的交互作用、相關性或多重共線性，該平台可能有一些捷徑、許多未知因素，不應盲目信任。
- 例如，預測器篩選平台不會為您提供模型（與JMP Pro 中提供的Bootstrap Forest 不同），僅提供特徵/因子重要性，因此您無法存取單個樹木和樹枝，這可以幫助識別樹和樹枝之間的相互作用因素。
- 此外，由於您不知道背後模型的品質（透過 R²、RMSE 或根據您的目標的其他相關指標），您不知道透過它解釋了多少變異性（或模型的準確度），並且如果特徵重要性的計算與您的主題相關/足夠。
- 由於所有因素均已排序，因此重要因素和非重要因素之間的閾值/限制並非微不足道。為了幫助您，您可以新增一個隨機因子（具有隨機值）。這裡顯示了該技術的一個示例，其中使用來自JMP 的鑽石數據集，以價格作為響應，添加隨機因子並省略克拉重量作為可能的輸入（因為它是一個非常重要的預測變量，所以我想向您展示一個很難實現的範例）整理其他預測變數）：
- 該平台不會向您提供有關因素之間可能存在的相關性或多重共線性的指示。您可以使用多元平台來探索輸入、輸出和輸入輸出之間的相關性。您也可以建立虛擬迴歸模型來計算因子之間的 VIF 分數，以便發現多重共線性。
- 高基數分類因素也可能使特徵重要性計算產生偏差。基數（類的數量）越多，偏差就越高，因為數據將形成模型將嘗試學習的大量小組/類。因此它將無法概括或“理解邏輯”，從而增加過度擬合的機會，從而使該功能變得非常重要。這裡的範例具有相同的資料集、相同的條件，但添加了 11 個層級（從 A 到 K）的隨機分類因子。這種具有高基數的分類隨機特徵位於先前看到的隨機數值變數之前：
DoE 比探索性資料分析/資料探勘技術大得多，而且更像是一種端到端的方法/方法：從定義您的目標、回應和因素到創建資訊最豐富的資料集（但也適應您的情況）實驗預算），分析結果和完善模型，以便更好地了解下一步如何進行或實現您的目標。始終使用領域專業知識（如果您有歷史數據，請使用其他工具和視覺化）來指導能源部選擇因素。
如果您有與您的研究相關的歷史數據（就因素而言），我會鼓勵您使用增強設計平台，因為您可以根據需要隨時擴大/縮小因素的範圍，並且您有很大的靈活性如何將最初的歷史資料集擴充到更大的設計中。作為一種良好的做法（在將歷史資料新增至 DoE 時特別相關），請確保選取此平台中的「將新運行分組到單獨的區塊中」選項。此選項可以幫助您在初始篩選部分節省一些實驗預算，以便在優化部分分配保存的運行（透過在較窄的實驗空間中使用空間填充方法第二次增強DoE 或定義具有更高階的更精確模型）僅針對相關因素的條款）。
我希望這個補充性答案能幫助您理解差異，
回覆：預測篩選器與 DOE？嗨@mjz5448 ，
關於實驗中時間的處理沒有首選選項，它基於您如何評估時間作為實驗中的關鍵噪音因素以及「範圍」/靈敏度；例如，如果您預計每天的時間變化並且每天可以進行多次實驗，那麼分塊因子可能就足夠了。如果白天可能存在某種時間趨勢（由於溫度、濕度條件、亮度等變化），那麼使用時間作為協變量可能有助於創建穩健的設計。
Peter GOOS 和Bradley JONES 所著的《Optimal Designs of Experiments: A Case Study Approach》一書中解釋了使用時間作為協變量來創建穩健的時間趨勢設計的情況（第9 章：存在協變量的實驗設計） 。
這裡已經有一個處理時間協變數的主題： https://community.jmp.com/t5/Discussions/Covariates-in-define-order-in-custom-design/mp/596777/highlight/true#M80044
Bradley Jones 還撰寫了一篇關於使用時間/順序作為協變量的部落格文章：“ 如何創建對響應中的線性時間趨勢穩健的實驗設計”
在 JMP 說明： https://www.jmp.com/support/help/en/17.2/index.shtml#page/jmp/design-with-a-linear-time-trend.shtml
希望這個回答對你有幫助
PS：您開始的討論都沒有收到「已接受的解決方案」。如果您貼文中的某些答案確實解決了您的疑問/問題，請將其標記為「接受為解決方案」。這是對那些花時間回答您的人的良好認可，並幫助其他 JMP 用戶更輕鬆地找到類似問題的解決方案。
回覆：預測篩選器與 DOE？謝謝兩位的評論。
statman - 你是對的，我正在查看歷史數據並嘗試查看是否有任何變數影響我的 1 個回應變數。
Victor_G - 感謝有關隨機變數的建議，實際上我確實包含了一個隨機變數來確定分界點，可以說重要與不重要的因素。
我找不到文件的另一個問題是是否可以在預測因子篩選中包含“日期”作為變數？或者我應該從我的預測因子篩選中單獨查看帶有“日期”的時間序列分析，或者在預測因子篩選中包含日期是否有用？
再次感謝！
回覆：預測篩選器與 DOE？從技術上講，可以在 Predictor 篩選平台中包含像日期這樣的時間變量，並且可以使用隨機森林進行時間序列分析。
但是，根據您提供的內容，我會考慮比較該平台使用和不使用時間變數的結果。
我擔心您的實驗變數可能對時間敏感，並且將時間作為可能的預測變數可能會隱藏其他有趣的預測變數。
也取決於日期使用的格式和資料類型（連續、離散？），您也可能透過引入高基數預測器來使平台的結果產生偏差。
最後，在實驗環境中，時間不是您可以在 DoE 中完全且獨立改變的因素（與其他因素不同）。您可以透過添加時間作為協變量（並透過主效應和二次效應在模型中）或作為分塊因子來創建時間魯棒設計，但不能像其他因子一樣隨意更改它。
因此，我寧願透過Predictor Screening 平台分析反應與因素之間的關係，然後分析與時間相關的因素依賴性（透過視覺化、時間序列分析和/或功能資料瀏覽器），但可能不會以相同的方式直接包含時間以及探索性分析中的其他因素。
回覆：預測篩選器與 DOE？謝謝維克多_G。
您是否對如何在 DOE 中包含時間序列有偏好 - 那麼偏好包含協變量還是按時間阻止運行？作為一名工廠工程師，日期/時間似乎總是在我的實驗中發揮重要作用 - 但我發現嘗試並排除時間因素很麻煩，因為我無法控制我們的生產計劃，我以前做過，但是我的偏好是將其用作協變量- 但以前從未在我的DOE 中使用過協變量。好奇有什麼經驗嗎？再次感謝你。
回覆：預測篩選器與 DOE？由於資料中可能存在時間序列，您也可以考慮將資料視為函數。我無法從描述和答案中判斷這種方法是否有幫助，但您可以在此處了解更多資訊。請注意，函數（簡化為函數 PCA）可以像任何其他 X 或 Y 分析角色變數一樣使用。
