Selbstvalidierende Ensemble-ModelleChefdatenwissenschaftler bei JMP@chris_gotwalt1mit Hauptdozent der University of New Hampshire@philramseyführte die Self Validating Ensemble Models (SVEM)-Technik zur Analyse von DoEs ein. Ich denke, Chris bringt es am besten auf den Punkt: „Mit SVEM können Sie genauere Modelle mit weniger Beobachtungen erhalten.“ Dies ist eine Brücke zwischen maschinellem Lernen und DoE. Ich hoffe du genießt es.
Betreff: Selbstvalidierende Ensemble-Modelle@Kira_Alhorn , Ja. Er sagt damit, dass Sie mit jedem Modell im SVEM die gepaarte, fraktionell gewichtete Bootstrap-Gewichtsspalte neu bewerten, sodass Sie ein Modell mit einer neuen Gewichtung für jedes Mitglied des Trainingssatzes haben. Wenn Sie die Fit Model-Plattform verwenden, wird diese Spalte als Gewichtsvariable verwendet. Für die generalisierte Regressionsplattform wird dies als Häufigkeitsvariable verwendet.
Hoffe das hilft. Lassen Sie mich wissen, wenn ich weitere Erläuterungen benötige.
Betreff: Selbstvalidierende Ensemble-ModelleSehr interessant – danke fürs Teilen! Eigentlich wollte ich viele Fragen dazu stellen, wie man DoEs für diese Art von Analyse entwirft, aber Chris hat sie in der Abschlussdiskussion alle selbst gestellt. Ich freue mich sehr auf die Weiterentwicklung der SVEMs und bin gespannt, von optimalen Designs für sie zu hören. Wenn verfügbar, bin ich auf jeden Fall bereit, sie auszuprobieren!
Ich habe eine Frage zum Verständnis des Beispiels. In der Erklärung sagte Chris: „Sie passen ein statistisches Modell an die gewichteten Daten an.“ Bedeutet das im konkreten Beispiel, dass wir, wenn wir über SVEM RSM sprechen, die in jeder Iteration berechneten Trainingsgewichte als „Gewicht“ in der „Fit Model“-Plattform verwenden, wenn wir einen RSM anpassen?
