맞춤형 DoE 플랫폼을 사용하여 반복적인 DoE 방법을 수행하는 방법안녕,
나는 과거에 DoE에 접근하는 방법과 모델 개선 방법에 관한 일부 게시물을 읽었습니다. 내가 본 한 가지 방법은 증강 설계 옵션을 사용하여 모델을 구축하는 것이었고 이는 반복 프로세스로 설명되었습니다.
이러한 방식으로 초기 단계에서 더 많은 스크리닝 유형 사용자 정의 DoE를 수행하고, 모델을 평가하고, 모델을 줄인 다음, 추가 최적화 및 분산 감소를 위해 설계를 강화합니다.
1. 이 프로세스가 모델 개선에 접근하는 방법으로 타당해 보입니까?
2. 이 방법을 사용하여 모델을 개선하려면 어떤 단계를 수행하시겠습니까?
- 선별에서는 주효과와 상호작용 효과를 동시에 평가해야 합니까, 아니면 주효과부터 시작한 다음 2차 상호작용을 추적해야 합니까?
- 주효과가 "미미하다"고 밝혀지면 상호작용 효과의 가능성도 없다는 뜻인가요?
- 스크리닝 단계에서 곡률을 감지하기 위해 중앙점을 추가해야 합니까?
- 이 단계에서 반복실험을 추가해야 합니까? (낮은 분산보다는 큰 영향을 평가할 때 이것이 불필요할 수도 있다고 들었습니다)
- 언제 반복실험을 추가하거나 분산 감소에 초점을 맞춰야 합니까?
미리 감사드립니다!
실험 설계예측 모델링 및 기계 학습윈도우Re: 맞춤형 DoE 플랫폼을 사용하여 반복적인 DoE 방법을 수행하는 방법한번 시도해 보겠습니다. 제 "강의"를 양해해 주세요.
모델을 구축하는 데 "한 가지 방법"은 없습니다. 상황에 따라 일부 방법이 더 효과적이고 효율적일 수 있지만 모두 상황에 따라 다릅니다. 또한 모델이 유용해야 한다고 제안하겠습니다.
좋은 모델은 연구된 현상의 필수 특징을 포착하고 가정과의 편차에 견고한 절차를 생성하는 근사치이며 사용하기 쉬운 것이 좋습니다.
GEP 박스
나는 과학적 방법(예: 귀납-연역의 반복 프로세스, Deming의 PDSA 또는 Box의 반복 학습 프로세스 등)을 모든 조사의 기초로 사용합니다.
원동력이나 동기(예: 비용 절감, 성과 개선, 고객 불만 대응, 기능 추가 등)를 기술해야 하지만 이는 단순한 증상일 수 있으므로 주의가 필요합니다. 이미 일어나고 있는 일을 설명하기 위한 연구인지, 인과구조를 이해하기 위한 연구인지(나는 인과관계를 이해하는 편향적이다)를 결정해야 한다. 또한 제약 사항(예: 자원, 긴박감)이 무엇인지도 이해해야 합니다. 상황 진단부터 시작하십시오(예: 질문하기, 관찰, 데이터 마이닝(여기에는 다양한 회귀 유형 절차가 포함될 수 있음), 협업, 잠재적 솔루션, 측정 시스템 등). 적절한 대응은 무엇입니까? 중심 경향, 변동 또는 둘 다를 이해하는 데 관심이 있습니까? 반응 변수가 현상을 적절하게 수량화합니까? 문제가 변형인 경우를 셀 수 없이 많이 보았지만 응답은 평균이었습니다. 그것은 결코 작동하지 않을 것입니다.
가설을 개발합니다. 일련의 가설이 있으면 해당 가설에 대한 통찰력을 제공하는 데이터를 얻으십시오. 적절한 데이터 수집 전략은 상황에 따라 다릅니다. 가설이나 요인이 많은 경우(예: >15) 가장 효율적인 접근 방식은 직접 샘플링(예: 변동 구성 요소, MSE) 연구를 사용하는 것입니다. 데이터는 어떤 구성 요소가 가장 큰 영향력을 발휘하는지 지시하는 데 도움이 됩니다. "용의자" 목록이 작아짐에 따라 아마도 실험을 통해 학습이 가속화될 수 있습니다. 이는 일련의 반복을 따를 가능성이 높지만 실제 "최상의" 시퀀스는 시작되지 않을 가능성이 높습니다. 큰 설계 공간(예: 많은 요소 및 굵은 수준)으로 시작하는 측면에서 오류가 발생합니다. 이는 해당 디자인 공간에 대한 일종의 부분적인 실험일 가능성이 높습니다. 고차 효과(예: 상호 작용 및 비선형)가 여전히 존재하며 혼란스러울 수 있다는 점을 인식하십시오. 데이터와 데이터가 제공하는 통찰력에 대한 해석을 지침으로 삼으십시오.
소음 (예: 들어오는 재료, 주변 조건, 측정 오류, 작업자 기술, 고객 사용 등)과 관련하여 이것이 가장 자주 놓칠 수 있는 기회라고 생각합니다. 직관적으로 우리의 편견은 실험하는 동안 테스트되지 않은 요소를 일정하게 유지하는 것이라고 생각합니다. 이것은 완전히 잘못된 것입니다. 이로 인해 추론 공간이 좁아지고 결과가 미래에도 그대로 유지될 가능성이 줄어듭니다. 소음을 이해하는 것은 1차 모델을 이해하는 것의 두 번째입니다. 지금까지 당신이 설계한 가장 큰 실험에 대해 생각해 보십시오. 연구에 얼마나 많은 요인이 포함되었는지 생각해 보세요. 실험은 모든 요인의 몇 퍼센트입니까? 불행하게도 소프트웨어는 소음을 적절하게 연구하는 방법에 대한 지침을 실제로 제공할 수 없습니다.
"할 수 있는 것은 차단하고, 할 수 없는 것은 무작위로 지정", GEP Box
설계 요소(예: 맞춤형, 최적성, DSD)를 연구하는 가장 효율적인 방법에 많은 비용이 소요되지만 노이즈를 연구에 통합하는 데는 거의 비용이 들지 않습니다. 당신이 잘못된 위치에 있다면 복잡한 모델이 당신에게 어떤 역할을 하는지 잘 모르겠습니다. 소프트웨어 프로그램에서 "자동화"될 수 있는지 확실하지 않습니까? 비판적 사고가 필요합니다.
귀하의 특정 질문과 관련하여:
- 선별에서는 주효과와 상호작용 효과를 동시에 평가해야 합니까, 아니면 주효과부터 시작한 다음 2차 상호작용을 추적해야 합니까?
모델을 계층적으로 개발하라는 조언이 있습니다. 귀하의 질문은 "평가"가 아니라 추정 또는 분리일 수 있습니까? 모든 것은 당신이 아는 것과 모르는 것에 달려 있습니다. 가정 오류: 당신은 아는 것이 별로 없습니다!
- 주효과가 "미미하다"고 밝혀지면 상호작용 효과의 가능성도 없다는 뜻인가요?
절대적으로하지. 나는 F=ma라고 가정합니다. (주효과, m이나 a 둘 다 중요하지 않습니다)
- 스크리닝 단계에서 곡률을 감지하기 위해 중앙점을 추가해야 합니까?
상황에 따라 다릅니다. 비선형 효과가 의심됩니까? 왜? 비선형 효과가 유용한 디자인 공간에 있습니까?
- 이 단계에서 반복실험을 추가해야 합니까? (낮은 분산보다는 큰 영향을 평가할 때 이것이 불필요할 수도 있다고 들었습니다)
- 언제 반복실험을 추가하거나 분산 감소에 초점을 맞춰야 합니까?
소음 전략이 필요합니다. 복제는 많은 것 중 하나입니다. 다시 한 번 질문은 디자인 공간의 소음이 원하는 곳 근처의 소음과 유사한가 하는 것입니다. 그렇다면 지금 공부해보세요.
종종 만병통치약으로 무분별하게 옹호되는 실험 조건의 정확한 표준화에는 고도로 표준화된 실험이 표준화에 의해 달성된 좁은 범위의 조건에 대해서만 직접적인 정보를 제공한다는 실제 단점이 항상 수반됩니다. 따라서 표준화는 실제 상황에서 항상 그렇듯이 이러한 조건이 어느 정도 다양할 때 유사한 결과를 추론할 수 있는 기반을 강화하기는커녕 약화시킵니다.
- RA Fisher(1935), 실험 설계(p.99-100)
Re: 사용자 정의 DoE 플랫폼을 사용하여 반복적 DoE 방법을 수행하는 방법정말 사려 깊은 답변을 주셔서 감사합니다. 제가 디자인에 접근하는 방식을 발전시키는 데 많은 고려 사항이 생겼습니다.
몇 가지 후속 질문이 있습니다. 9개의 연속 요인 모델을 정제하는 데 필요한 실행 횟수를 최소화하는 효율적인 방법을 찾고 싶습니다. 비통계적 방법을 사용하여 만든 프로세스가 있으므로 이제 JMP로 평가하여 놀라운 일이 없는지 확인하고 있습니다. 목표는 중요하지 않은 구성 요소를 평가하여 제거한 다음 설계 공간 내에서 효과적이고 예측 가능한 모델을 구축하는 것입니다. 저는 정화 작업을 하며 유한한 반응(회수/순도)이 있습니다. 이 때문에 각 요인이 광범위한 테스트 범위에서 최적(2차 요소)을 가져야 한다는 것이 합리적입니다.
제 생각에 일반적인 사고 과정은 스크린을 수행하고, 중요하지 않은 요소(주효과와 상호 작용)를 제거한 다음, 설계를 보강하여 이차 함수와 분산 감소에 집중하는 것입니다.
- 어떤 상호작용이 중요한지 어떻게 알 수 있나요?
- 저는 버퍼 정제 작업을 진행 중이며 상호 작용이 불확실한 구성 요소가 많이 있습니다.
- 사용자 정의 애플리케이션을 사용하는 경우 모든 상호 작용을 평가해야 한다고 가정하면 "화면"이 매우 커집니다(48회 실행).
- 사용자 정의가 아닌 스크리닝 옵션을 사용할 때, 어떤 상호작용이 평가되는지 어떻게 알 수 있나요?
- 디피니티브 스크린이나 클래식 스크린 등의 어플리케이션을 사용한다면 30런에 가깝습니다.
- 나는 어떤 상호작용이 평가되고 어떤 상호작용이 평가되지 않는지 확신할 수 없기 때문에 이 옵션을 사용하는 것이 더 불편합니다.
실제로 상호작용 효과를 정렬하는 것이 실행의 대부분인 것 같습니다. 저는 이것을 효율적으로 하고 있는지 확인하고 싶습니다.
감사해요!
Re: 사용자 정의 DoE 플랫폼을 사용하여 반복적 DoE 방법을 수행하는 방법제 생각은 이렇습니다. 안타깝게도 저는 귀하의 프로세스를 철저히 이해하지 못하므로, 이 점을 명심하세요.
"9개의 연속 요인 모델을 정제하는 데 필요한 실행 횟수를 최소화하는 효율적인 방법을 찾고 싶습니다."
1회 실험으로 최소화? 반복할 계획이 있나요? 전체 실험 예산(예: 시간 및 리소스)은 얼마인가요 ? 실행 횟수가 적을수록 효과를 분리하고 할당할 수 있는 자유도가 줄어듭니다.
"우리는 비통계적 방법을 사용하여 만들어진 프로세스가 있으므로 이제 JMP로 평가하여 놀라운 일이 없는지 확인하고 있습니다."
궁극적으로 유용하고 견고한 예측 모델을 원합니다. 모델에 도달하는 방법은 리소스에 영향을 미칠 수 있지만 통계에는 마법이 없습니다. 저에게 "놀라움 없음"은 노이즈에 견고한 안정적이고 일관된 프로세스를 의미합니다. 견고성을 평가하는 유일한 방법은 연구에서 노이즈를 다양하게 하는 것입니다. 이는 또한 시계열을 의미합니다. 이것은 모델 이해를 가속화하기 위해 시계열을 의도적으로 손상시키는 실험에서 강조하는 것이 아닙니다.
"목표는 중요하지 않은 구성 요소를 평가하고 제거한 다음, 설계 공간 내에서 효과적이고 예측 가능한 모델을 구축하는 것입니다."
약간의 단어 스미싱... 목표는 효과적이고(작동하고), 효율적이며(비용 효율적이며), 유용하고(관리 가능하고), 예측 가능하고(일관되고 안정적이며) 견고한(노이즈에 강한) 모델을 만드는 것입니다. 물론, 지속적인 개선이라는 개념을 고려하고 싶을 수도 있습니다. 기술이 발전함에 따라 무슨 일이 일어날까요? 새로운 재료가 개발되거나 적응됨에 따라? 측정 및 측정 시스템이 개선됨에 따라? 고객 요구 사항이 변경됨에 따라?
"각 요인은 넓은 검정 범위에 걸쳐 최적(이차 요소)을 가져야 한다는 것이 합리적입니다."
왜 이차방정식인가? 선형에서 벗어난 것이 유의미할 때만 신경 쓰면 됩니다. 선형 모델을 관리하는 것이 훨씬 쉽습니다. 목표는 정확히 예측하는 모델을 얻는 것이 아닙니다. 이러한 모델은 종종 지나치게 복잡하고 좁은 공간에서만 작동합니다.
"어떤 상호작용이 중요한지 어떻게 알 수 있나요?"
SME부터 시작하겠습니다. 어떤 상호작용이 의미가 있습니까? 어떤 상호작용이 예측됩니까? 그 이유는 무엇입니까? (가설). 모델 효과를 2차까지 순위를 매기겠습니다 . 목록에서 2차 효과가 증가함에 따라 해상도를 높여야 할 필요성이 커집니다. 고전적인 직교 설계는 앨리어싱 구조가 알려져 있고 부분적이지 않기 때문에 순차적 작업에서 매우 유용합니다. 시작하기 위해 더 많은 실행에 리소스를 사용할 수 있지만 후속 실험에서 앨리어싱을 해제하는 것이 더 쉬울 것입니다. 어떤 경우든 9가지 요인에 대해 여러 옵션을 설계합니다(JMP에서 쉽게 수행). 각 설계 옵션이 잠재적으로 얻을 수 있는 지식의 측면에서 무엇을 할 것인지 평가합니다(예: 어떤 효과가 분리되고, 어떤 효과가 혼동되고, 어떤 효과가 연구에 포함되지 않음). 이러한 옵션을 완료하는 데 필요한 리소스와 대조합니다. 각 설계에서 가능한 모든 결과를 예측합니다. 각 가능한 결과가 어떤 조치를 초래할지 예측합니다. 지식과 리소스 사이에서 최상의 절충안이 될 것으로 예측되는 설계를 선택합니다. 실행합니다. 반복할 준비를 하세요(반복은 예측이 가능해야 합니다).
" 비맞춤형 스크리닝 옵션을 사용할 때 어떤 상호작용이 평가되는지 어떻게 알 수 있나요? "
JMP는 제안된 각 디자인에 대한 앨리어싱 구조를 제공합니다.
저는 동의합니다. 일반적으로 디자인이 "맞춤형"일수록 앨리어싱이 더 복잡해집니다. 이것이 부분 앨리어싱의 위험입니다. 보상은 현재 디자인에서 실행 횟수가 줄어드는 것입니다. 연속적인 실험 과정에서 더 줄어드는 것일까요? 누가 알겠습니까.
