Modelli di insieme autovalidantiScienziato capo dei dati di JMP@chris_gotwalt1con il docente principale dell'Università del New Hampshire@philramseyha introdotto la tecnica Self Validating Ensemble Models (SVEM) per l'analisi dei DoE. Penso che Chris lo dica meglio: "Puoi ottenere modelli più accurati con meno osservazioni usando SVEM". Questo è un ponte tra Machine Learning e DoE. Spero che vi piaccia.
Ri: Modelli di ensemble autoconvalidanti@Kira_Alhorn , sì. Ciò che sta dicendo è che con ogni modello nello SVEM stai rivalutando la colonna del peso Bootstrap ponderato frazionariamente accoppiata, quindi avrai un modello con un nuovo peso su ciascun membro del set di addestramento. Se si utilizza la piattaforma Stima modello, questa colonna verrà utilizzata come variabile del peso. Per la piattaforma di regressione generalizzata, questa verrà utilizzata come variabile freq.
Spero che questo ti aiuti. Fammi sapere se ho bisogno di ulteriori chiarimenti.
Ri: Modelli di ensemble autoconvalidantiMolto interessante: grazie per la condivisione! In realtà stavo per porre molte domande su come progettare DoE per questo tipo di analisi, tuttavia Chris le ha sollevate tutte lui stesso nella discussione finale. Non vedo davvero l'ora di vedere l'evoluzione degli SVEM e sono entusiasta di conoscere i progetti ottimali per loro. Se disponibili, sono assolutamente disposto a provarli!
Ho una domanda per la mia comprensione dell'esempio. Nella spiegazione Chris ha detto "Adatta un modello statistico ai dati ponderati". Nell'esempio concreto ciò significa che quando si parla di SVEM RSM utilizziamo i pesi di allenamento calcolati in ogni iterazione come "Peso" nella piattaforma "Fit Model" quando si adatta un RSM?
