Confronto ANN e FDOECiao a tutti,
Ho bisogno di aiuto per comprendere l'approccio migliore da applicare ai miei dati.
Ho costruito un set di dati con 84 lotti provenienti da vari disegni sperimentali (DoE) nello sviluppo di un prodotto farmaceutico. Successivamente, ho creato un modello ANN per prevedere il rilascio del farmaco. Ora, vorrei prevedere il rilascio del farmaco (risposta funzionale) utilizzando JMP Pro Functional DOE (FDOE) e confrontarli con i risultati del modello ANN.
- Ha senso questo paragone? Qual è il miglior metodo statistico per confrontare queste due procedure (ANN e FDOE)?
- Come posso scegliere il numero di nodi nella piattaforma FDOE?
- Nel profilatore FDOE (vedi immagine) diversi parametri di formulazione hanno prodotto un rilascio negativo del farmaco. Cosa significa questo? per alcuni parametri formulativi ho ottenuto un valore negativo di rilascio del farmaco. Ciò implica che questo approccio FDOE potrebbe non essere predittivo dei primi punti temporali nel mio profilo di scioglimento?
Ho già visto la presentazione del Discovery Summit ( https://community.jmp.com/t5/Discovery-Summit-Americas-2021/A-New-Resolve-to-Dissolve-Model-Drug-Dissolution-with-Functional/ta -p/398755 ), ma ci sono risorse o pubblicazioni aggiuntive che potrei leggere?
Mi scuso se non sono stato chiaro.
Grazie mille per il vostro aiuto!
Modellazione statistica avanzataModellazione predittiva e machine learningRi: Confronto ANN e FDOEConferma che i dati di risposta siano funzioni, forse una curva che mostra l'avanzamento nel tempo del rilascio del farmaco per un lotto.
Sì, ha senso confrontare una miriade di modelli candidati. A questo scopo è possibile utilizzare Analizza > Modellazione predittiva > Confronto modelli .
Hai studiato la selezione del modello in generale o le informazioni FDE relative al numero di nodi ?
L'approccio FDOE si basa sulla regressione lineare. La regressione presuppone che la risposta vari tra infinito negativo e infinito positivo. Il tuo modello potrebbe mostrare una mancanza di adattamento o un bias vicino ai limiti della risposta. È possibile utilizzare gli FPCA come risposta con modelli non lineari o qualsiasi altro modello in JMP.
Ri: Confronto ANN e FDOECiao @sofiasousa24 ,
Farò del mio meglio per rispondere alle vostre diverse domande in base al contesto limitato e ai dati disponibili. Per favore ignora qualsiasi informazione o risposta che potrebbe essere irrilevante per il tuo argomento.
- Sì e no, nessuna opinione forte su questa domanda.
No: dal punto di vista dei dati, i tuoi dati non sono indipendenti, quindi l'utilizzo di un modello di Machine Learning per prevedere tutte le risposte ai rilasci di farmaci in momenti diversi indipendentemente l'uno dall'altro non tiene conto della dipendenza temporale della risposta (e della ridondanza di le informazioni) e la correlazione della risposta misurata in diversi momenti.
Sì: il machine learning prevede meno presupposti nella costruzione dei modelli rispetto alla modellazione statistica "classica". Inoltre, le reti neurali possono essere utilizzate per l’analisi e la previsione di serie temporali, poiché possono approssimare funzioni non lineari e possono essere più robuste alla multicollinearità rispetto ai metodi di modellazione tradizionali.
Per confrontare queste due procedure, è necessario impostare condizioni simili per l'addestramento, la validazione e il test: assicurarsi di utilizzare gli stessi campioni per l'addestramento, per la validazione e il test, con un approccio di convalida incrociata e l'uso di una colonna di convalida, oppure dividi il tuo set di dati e separa il set di test dal resto dei dati per evitare perdite di dati e utilizzare la convalida incrociata K-fold con lo stesso seed. Se gli algoritmi sono stati addestrati e validati sugli stessi dati, confrontarli sugli stessi dati di test sarà molto più semplice.
Puoi iniziare in modo semplice per il confronto dei metodi, tracciando previsioni rispetto ai valori misurati, per vedere se sei in grado di prevedere la stessa tendenza dei dati originali. Può anche essere utile visualizzare la distribuzione dei residui, per vedere quali sono gli errori massimi e come sono distribuiti per ciascun metodo. È inoltre possibile tracciare i residui rispetto alla previsione, per vedere se gli errori rimangono stabili rispetto ai valori crescenti o se si riscontra eteroschedasticità (la varianza della previsione aumenta con i valori di X/tempo). Infine, puoi anche calcolare una metrica aggregata delle prestazioni per entrambi i metodi, come RMSE/MSE o qualsiasi altra metrica relativa ai residui (differenza tra valore previsto e valore misurato). I valori aggregati aiutano a semplificare il confronto, ma potrebbero "nascondere" alcuni dettagli che potresti aver visto attraverso le visualizzazioni come spiegato in precedenza.
- Nella piattaforma FDOE, il numero di nodi è consigliato per impostazione predefinita quando si esegue l'analisi:
Quando si lancia un tipo di modello (B-Spline, P-Spline, Wavelet, ...) JMP proverà una serie di diverse dimensioni di nodi (che possono essere visualizzati nel pannello "Controlli modello"). Per impostazione predefinita, JMP sceglierà un numero di nodi (e il grado di funzioni per le spline) che minimizzano il BIC (Bayesian Information Criterion), che è un criterio informativo che bilancia le prestazioni predittive del modello con la sua complessità: più basso è, meglio è. Molto spesso l'intervallo utilizzato da JMP sarà sufficiente per trovare un minimo locale, ma puoi provare ad estendere l'intervallo del numero di nodi nei controlli del modello per vedere se riesci a ottenere un BIC inferiore:
Tuttavia, se stai aumentando il numero di nodi in modo vicino al numero di misurazioni (temporali) per ogni batch del tuo datatable (come nell'esempio sopra), assicurati di utilizzare un set di convalida per evitare di creare un modello sovradimensionato che funzioni perfettamente su questo set di training ma ha prestazioni scarse su altri dati esterni.
- Potrebbero esserci molte cose da verificare nella piattaforma FDOE prima di commentare i risultati del modello:
- Quale modello hai utilizzato e perché (B,P-Splines, Wavelets, ...?)? Hai utilizzato qualche passaggio di preelaborazione per i tuoi dati?
- Quanti nodi e quale grado di funzioni hai utilizzato?
- Hai utilizzato un set di convalida?
- Qual è la variabilità e la riproducibilità del vostro processo di misurazione? Gli errori del FDOE sono troppo grandi rispetto alla variabilità della misurazione?
+ Domande sulla NN: come è stata costruita, con quanti strati, quali funzioni di attivazione, quale validazione, ecc... Il Neural Network Tuning può essere utile per progettare una struttura di rete neurale efficiente e adeguata ad un problema specifico. Tuttavia, Neural Nteworks è solitamente l'ultimo modello che ho provato se altri modelli (più semplici) hanno fallito, a causa della loro complessità e mancanza di interpretabilità.
Tieni inoltre presente che FDOE ti consente di adattare direttamente un modello di regressione ai principali coefficienti funzionali nelle piattaforme, ma puoi anche estrarre i coefficienti delle curve ed eseguire manualmente la modellazione con tutte le altre piattaforme di modellazione di JMP, per accedere a soluzioni più flessibili Algoritmi di machine learning che richiedono meno presupposti.
Spero che questi primi punti forniscano una panoramica e un nuovo inizio nella discussione,
