自验证集成模型JMP 首席数据科学家@chris_gotwalt1与新罕布什尔大学首席讲师@philramsey介绍了用于分析 DoE 的自验证集成模型 (SVEM) 技术。我认为 Chris 说得最好：“使用 SVEM，您可以通过更少的观察获得更准确的模型”。这是机器学习和 DoE 之间的桥梁。我希望你喜欢它。
回复：自我验证集成模型@Kira_Alhorn ，是的。他的意思是，对于 SVEM 中的每个模型，您都将重新评估配对的分数加权 Bootstrap 权重列，因此您将拥有一个对训练集的每个成员具有新权重的模型。如果您使用“拟合模型”平台，此列将用作权重变量。对于广义回归平台，这将用作频率变量。
希望这可以帮助。如果我需要进一步澄清，请告诉我。
回复：自我验证集成模型非常有趣 - 感谢分享！事实上，我本来想问很多关于如何为这种分析设计 DoE 的问题，但是 Chris 在最后的讨论中自己提出了所有这些问题。我真的很期待看到 SVEM 的发展，并且很高兴听到它们的最佳设计。如果可以的话，我绝对愿意尝试一下！
我对这个例子的理解确实有一个问题。克里斯在解释中说“你可以根据加权数据拟合一些统计模型”。在具体示例中，这是否意味着在谈论 SVEM RSM 时，我们在拟合 RSM 时使用每次迭代中计算的训练权重作为“拟合模型”平台中的“权重”？
