自驗證整合模型JMP 首席資料科學家@chris_gotwalt1與新罕布夏大學首席講師@philramsey介紹了用於分析 DoE 的自驗證整合模型 (SVEM) 技術。我認為 Chris 說得最好：「使用 SVEM，您可以透過更少的觀察獲得更準確的模型」。這是機器學習和 DoE 之間的橋樑。我希望你喜歡它。
回覆：自我驗證整合模型@Kira_Alhorn ，是的。他的意思是，對於 SVEM 中的每個模型，您都將重新評估配對的分數加權 Bootstrap 權重列，因此您將擁有一個對訓練集的每個成員具有新權重的模型。如果您使用「擬合模型」平台，此列將用作權重變數。對於廣義回歸平台，這將用作頻率變數。
希望這可以幫助。如果我需要進一步澄清，請告訴我。
回覆：自我驗證整合模型非常有趣 - 感謝分享！事實上，我本來想問很多關於如何為這種分析設計 DoE 的問題，但是 Chris 在最後的討論中自己提出了所有這些問題。我真的很期待看到 SVEM 的發展，並且很高興聽到它們的最佳設計。如果可以的話，我絕對願意嘗試！
我對這個例子的理解確實有一個問題。克里斯在解釋中說「你可以根據加權數據擬合一些統計模型」。在具體範例中，這是否意味著在談論 SVEM RSM 時，我們在擬合 RSM 時使用每次迭代中計算的訓練權重作為「擬合模型」平台中的「權重」？
