Comparación de ANN y FDOEHola a todos,
Necesito ayuda para comprender cuál es el mejor enfoque para aplicar a mis datos.
Construí un conjunto de datos con 84 lotes de varios diseños experimentales (DoE) en el desarrollo de un producto farmacéutico. Después de eso, construí un modelo ANN para predecir la liberación de fármacos. Ahora, me gustaría predecir la liberación del fármaco (respuesta funcional) utilizando JMP Pro Functional DOE (FDOE) y compararlo con los hallazgos del modelo ANN.
- ¿Tiene sentido esta comparación? ¿Cuál es el mejor método estadístico para comparar estos dos procedimientos (ANN y FDOE)?
- ¿Cómo puedo elegir el número de nudos en la plataforma FDOE?
- En el FDOE Profiler (ver imagen), varios parámetros de formulación dieron como resultado una liberación negativa del fármaco. ¿Qué quiere decir esto? para algunos parámetros de la formulación obtuve un valor negativo de liberación del fármaco. ¿Esto implica que este enfoque del FDOE puede no predecir los primeros momentos en mi perfil de disolución?
Ya vi la presentación de Discovery Summit ( https://community.jmp.com/t5/Discovery-Summit-Americas-2021/A-New-Resolve-to-Dissolve-Model-Drug-Dissolution-with-Functional/ta -p/398755 ), pero ¿hay algún recurso o literatura adicional que pueda leer?
Lo siento si no soy claro.
¡Muchas gracias por tu ayuda!
Modelado estadístico avanzadoModelado predictivo y aprendizaje automáticoRe: Comparación de ANN y FDOEConfirme que los datos de su respuesta son funciones, tal vez una curva que muestra el progreso a lo largo del tiempo en la liberación del medicamento para un lote.
Sí, tiene sentido comparar innumerables modelos candidatos. Puede utilizar Analizar > Modelado predictivo > Comparación de modelos para este propósito.
¿Has estudiado la selección de modelos en general o la información del FDE sobre el número de nudos ?
El enfoque FDOE se basa en la regresión lineal. La regresión supone que la respuesta varía entre infinito negativo e infinito positivo. Su modelo podría presentar una falta de ajuste o un sesgo cerca de los límites de la respuesta. Puede utilizar los FPCA como respuesta con modelos no lineales o cualquier otro modelo en JMP.
Re: Comparación de ANN y FDOEHola @sofiasousa24 ,
Haré todo lo posible para responder sus diferentes preguntas según el contexto limitado y los datos disponibles. Ignore cualquier información o respuesta que pueda ser irrelevante para su tema.
- Sí y no, no hay una opinión firme sobre esta cuestión.
No: desde el punto de vista de los datos, sus datos no son independientes, por lo que el uso de un modelo de aprendizaje automático para predecir todas las respuestas de liberación de fármacos en diferentes momentos de forma independiente entre sí no tiene en cuenta la dependencia temporal de la respuesta (y la redundancia de la información) y la correlación de la respuesta medida en diferentes momentos.
Sí: el aprendizaje automático tiene menos suposiciones en la construcción de modelos que el modelado estadístico "clásico". Además, las redes neuronales se pueden utilizar para análisis y pronóstico de series temporales, ya que pueden aproximarse a funciones no lineales y pueden ser más robustas a la multicolinealidad que los métodos de modelado tradicionales.
Para comparar estos dos procedimientos, debe establecer condiciones similares para el entrenamiento, la validación y las pruebas: asegúrese de utilizar las mismas muestras para el entrenamiento, la validación y las pruebas, ya sea con un enfoque de validación cruzada y el uso de una columna de validación, o divida su conjunto de datos y separe su conjunto de prueba del resto de los datos para evitar la fuga de datos y utilice una validación cruzada K-fold con la misma semilla. Si los algoritmos han sido entrenados y validados con los mismos datos, será mucho más fácil compararlos con los mismos datos de prueba.
Puede comenzar de manera simple con la comparación de los métodos, trazando predicciones versus valores medidos, para ver si puede predecir la misma tendencia que en sus datos originales. Visualizar la distribución de los residuos también puede ayudar, para ver cuáles son los errores máximos y cómo se distribuyen para cada método. También puede trazar residuos versus predichos, para ver si los errores permanecen estables con respecto a los valores crecientes, o si encuentra heterocedasticidad (la varianza de la predicción aumenta con los valores de X/tiempo). Finalmente, también puede calcular una métrica agregada de rendimiento para ambos métodos, como RMSE/MSE o cualquier otra métrica relacionada con los residuos (diferencia entre el valor predicho y el valor medido). Los valores agregados ayudan a simplificar la comparación, pero pueden "ocultar" algunos detalles que haya visto a través de las visualizaciones, como se explicó anteriormente.
- En la plataforma FDOE, el número de nudos se recomienda por defecto al realizar el análisis:
Al lanzar un tipo de modelo (B-Splines, P-Splines, Wavelets, ...) JMP probará varios tamaños de nudos diferentes (que se pueden ver en el panel "Controles del modelo"). Por defecto, JMP elegirá una cantidad de nudos (y el grado de funciones para Splines) que minimicen el BIC (Criterio de información bayesiano), que es un criterio de información que equilibra el rendimiento predictivo del modelo con su complejidad: cuanto menor, mejor. Muy a menudo, el rango utilizado por JMP será suficiente para encontrar un mínimo local, pero puede intentar ampliar el rango de número de nudos en los controles del modelo para ver si puede lograr un BIC más bajo:
Sin embargo, si está aumentando la cantidad de nudos de manera cercana a la cantidad de mediciones (de tiempo) para cada lote de su tabla de datos (como en el ejemplo anterior), asegúrese de usar un conjunto de validación para evitar crear un modelo sobreajustado que funcione perfectamente. en este conjunto de entrenamiento pero tiene un rendimiento deficiente en otros datos externos.
- Puede que haya muchas cosas que comprobar en la plataforma FDOE antes de comentar los resultados del modelo:
- ¿Qué modelo utilizaste y por qué (B,P-Splines, Wavelets,...?)? ¿Ha utilizado algún paso de preprocesamiento para sus datos?
- ¿Cuántos nudos y qué grado de funciones usaste?
- ¿Usaste un conjunto de validación?
- ¿Cuál es la variabilidad y reproducibilidad de su proceso de medición? ¿Son los errores del FDOE demasiado grandes en comparación con la variabilidad de las mediciones?
+ Preguntas sobre la NN: cómo se ha construido, con cuántas capas, qué funciones de activación, qué validación, etc... El Neural Network Tuning puede ser útil para diseñar una estructura de red neuronal eficiente y adecuada para un problema específico. Sin embargo, Neural Nteworks suele ser el último modelo que probé si otros modelos (más simples) han fallado, debido a su complejidad y falta de interpretabilidad.
También tenga en cuenta que FDOE le permite ajustar directamente un modelo de regresión a los principales coeficientes funcionales en las plataformas, pero también puede extraer los coeficientes de las curvas y hacer el modelado manualmente con todas las demás plataformas de modelado de JMP, para acceder de manera más flexible. Algoritmos de Machine Learning que requieren menos suposiciones.
Espero que estos primeros puntos les proporcionen una visión general y un nuevo comienzo en el debate.
