Modèles d'ensemble auto-validésScientifique en chef des données chez JMP@chris_gotwalt1avec le maître de conférences de l'Université du New Hampshire@philramseya introduit la technique des modèles d'ensemble auto-validants (SVEM) pour analyser les DoE. Je pense que Chris le dit mieux : "Vous pouvez obtenir des modèles plus précis avec moins d'observations en utilisant SVEM". Il s'agit d'un pont entre le Machine Learning et le DoE. J'espère que ça vous plait.
Re : Modèles d'ensemble auto-validés@Kira_Alhorn , oui. Ce qu'il dit, c'est qu'avec chaque modèle du SVEM, vous réévaluez la colonne de poids bootstrap pondéré fractionnellement appariée, vous aurez donc un modèle avec un nouveau poids sur chaque membre de l'ensemble d'entraînement. Si vous utilisez la plateforme Fit Model, cette colonne sera utilisée comme variable de pondération. Pour la plateforme de régression généralisée, celle-ci sera utilisée comme variable de fréquence.
J'espère que cela t'aides. Faites-moi savoir si j'ai besoin de clarifier davantage.
Re : Modèles d'ensemble auto-validésTrès intéressant - merci pour le partage ! En fait, j'étais sur le point de poser beaucoup de questions sur la manière de concevoir des DoE pour ce type d'analyse, mais Chris les a toutes soulevées lui-même lors de la discussion finale. J'ai vraiment hâte de voir les SVEM évoluer et j'ai hâte d'entendre parler des conceptions optimales pour eux. Si disponibles, je suis tout à fait prêt à les essayer !
J'ai une question pour ma compréhension de l'exemple. Dans l'explication, Chris a déclaré "Vous adaptez un modèle statistique aux données pondérées". Dans l'exemple concret, cela signifie-t-il que lorsque nous parlons de SVEM RSM, nous utilisons les poids d'entraînement calculés à chaque itération comme « Poids » dans la plateforme « Fit Model » lors de l'ajustement d'un RSM ?
