ANN과 FDOE 비교여러분, 안녕하세요,
내 데이터에 적용할 수 있는 최선의 접근 방식을 이해하는 데 도움이 필요합니다.
저는 의약품 개발 과정에서 다양한 실험 설계(DoE)의 84개 배치로 데이터세트를 구성했습니다. 그 후 약물 방출을 예측하기 위해 ANN 모델을 구축했습니다. 이제 JMP Pro Functional DOE(FDOE)를 사용하여 약물 방출(기능적 반응)을 예측하고 그 결과를 ANN 모델과 비교하고 싶습니다.
- 이 비교가 의미가 있나요? 이 두 절차(ANN 및 FDOE)를 비교하는 가장 좋은 통계 방법은 무엇입니까?
- FDOE 플랫폼에서 매듭 수를 어떻게 선택할 수 있나요?
- FDOE 프로파일러(그림 참조)에서 여러 제제 매개변수로 인해 약물 방출이 음성으로 나타났습니다. 이것은 무엇을 의미 하는가? 일부 제제 매개변수의 경우 음의 약물 방출 값을 얻었습니다. 이는 이 FDOE 접근 방식이 용출 프로필의 첫 번째 시점을 예측하지 못할 수도 있음을 의미합니까?
이미 Discovery Summit 프레젠테이션을 보았습니다( https://community.jmp.com/t5/Discovery-Summit-Americas-2021/A-New-Resolve-to-Dissolve-Model-Drug-Dissolution-with-Functional/ta ). -p/398755 ), 하지만 제가 읽을 수 있는 추가 리소스나 문헌이 있습니까?
내 자신을 명확하게 밝히지 못해 죄송합니다.
도와 주셔서 정말 감사합니다!
고급 통계 모델링예측 모델링 및 기계 학습답변: ANN과 FDOE 비교귀하의 반응 데이터가 함수, 즉 배치에 대한 약물 방출의 시간 경과에 따른 진행 상황을 보여주는 곡선인지 확인하십시오.
예, 수많은 후보 모델을 비교하는 것이 합리적입니다. 이 목적으로 분석 > 예측 모델링 > 모델 비교를 사용할 수 있습니다.
일반적인 모델 선택이나 매듭 수에 관한 FDE 정보를 연구해 보셨나요?
FDOE 접근법은 선형 회귀를 기반으로 합니다. 회귀에서는 반응이 음의 무한대와 양의 무한대 사이에서 다양하다고 가정합니다. 모델이 반응 한계 근처에서 적합성 부족이나 편향을 나타낼 수 있습니다. 비선형 모형이나 JMP의 다른 모형에 대한 반응으로 FPCA를 사용할 수 있습니다.
답변: ANN과 FDOE 비교안녕하세요 @sofiasousa24 님 ,
제한된 상황과 이용 가능한 데이터를 바탕으로 다양한 질문에 답변하기 위해 최선을 다하겠습니다. 귀하의 주제와 관련이 없는 정보나 답변은 무시하시기 바랍니다.
- 예, 아니오. 이 질문에 대해서는 강한 의견이 없습니다.
아니요: 데이터 관점에서 볼 때 데이터는 독립적이지 않습니다. 따라서 기계 학습 모델을 사용하여 서로 독립적으로 서로 다른 시점의 모든 약물 방출 반응을 예측하는 것은 반응의 시간 종속성(및 중복성)을 고려하지 않습니다. 정보), 그리고 서로 다른 시점에서 측정된 반응의 상관관계.
예: 기계 학습은 "전통적인" 통계 모델링보다 모델 구축 시 가정이 더 적습니다. 또한 신경망은 비선형 함수에 근접할 수 있고 기존 모델링 방법보다 다중 공선성에 더 강력할 수 있으므로 시계열 분석 및 예측에 사용할 수 있습니다.
이 두 절차를 비교하려면 훈련, 검증 및 테스트에 대해 유사한 조건을 설정해야 합니다. 교차 검증 접근 방식과 검증 열을 사용하여 훈련, 검증 및 테스트에 동일한 샘플을 사용해야 합니다. 데이터 세트를 분할하고 테스트 세트를 나머지 데이터와 분리하여 데이터 유출을 방지하고 동일한 시드를 사용하여 K-겹 교차 검증을 사용하세요. 알고리즘이 동일한 데이터에 대해 훈련되고 검증된 경우 동일한 테스트 데이터에 대해 비교하는 것이 훨씬 쉬울 것입니다.
예측과 측정된 값을 플로팅하여 원본 데이터와 동일한 추세를 예측할 수 있는지 확인하여 방법을 간단하게 비교할 수 있습니다. 잔차 분포를 시각화하면 최대 오류가 무엇인지, 각 방법에 대해 오류가 어떻게 분포되는지 확인하는 데 도움이 될 수 있습니다. 잔차 대 예측을 플롯하여 값 증가와 관련하여 오류가 안정적으로 유지되는지 또는 이분산성(예측 분산이 X/시간 값에 따라 증가함)이 발생하는지 확인할 수도 있습니다. 마지막으로 RMSE/MSE 또는 잔차(예측 값과 측정 값 간의 차이)와 관련된 기타 메트릭과 같이 두 가지 방법에 대해 집계된 성능 메트릭을 계산할 수도 있습니다. 집계된 값은 비교를 단순화하는 데 도움이 되지만 이전에 설명한 대로 시각화를 통해 볼 수 있는 일부 세부 정보를 "숨길" 수 있습니다.
- FDOE 플랫폼에서는 분석을 수행할 때 기본적으로 매듭 수가 권장됩니다.
모델 유형(B-Splines, P-Splines, Wavelets 등)을 시작할 때 JMP는 다양한 매듭 크기를 시도합니다("모델 컨트롤" 패널에서 볼 수 있음). 기본적으로 JMP는 모델의 예측 성능과 복잡성의 균형을 맞추는 정보 기준인 BIC(베이지안 정보 기준)를 최소화하는 매듭 수(및 스플라인의 기능 정도)를 선택합니다. 낮을수록 좋습니다. JMP에서 사용하는 범위는 로컬 최소값을 찾는 데 충분한 경우가 많지만 모델 제어에서 매듭 수 범위를 확장하여 더 낮은 BIC를 달성할 수 있는지 확인할 수 있습니다.
그러나 위의 예와 같이 데이터 테이블의 각 배치에 대한 (시간) 측정 수에 가깝게 매듭 수를 늘리는 경우 완벽하게 작동하는 과적합 모델이 생성되지 않도록 검증 세트를 사용해야 합니다. 이 훈련 세트에는 있지만 다른 외부 데이터에서는 성능이 좋지 않습니다.
- 모델 결과에 대해 논평하기 전에 FDOE 플랫폼에서 확인해야 할 사항이 많이 있을 수 있습니다.
- 어떤 모델을 사용했으며 그 이유는 무엇입니까(B,P-Splines, Wavelets, ... ?)? 데이터에 대한 전처리 단계를 사용해 보셨나요?
- 얼마나 많은 매듭을 짓고 어느 정도의 기능을 사용했나요?
- 검증 세트를 사용하셨나요?
- 측정 프로세스의 가변성과 재현성은 무엇입니까? 측정 변동성에 비해 FDOE의 오차가 너무 큰가요?
+ NN에 대한 질문: 구축 방법, 레이어 수, 활성화 기능, 검증 등... 신경망 튜닝은 특정 문제에 대해 효율적이고 적절한 신경망 구조를 설계하는 데 도움이 될 수 있습니다. 그러나 Neural Nteworks는 일반적으로 복잡성과 해석 가능성 부족으로 인해 다른 (더 단순한) 모델이 실패한 경우 제가 시도한 마지막 모델입니다.
또한 FDOE를 사용하면 회귀 모델을 플랫폼의 주요 기능 계수에 직접 맞출 수 있지만 곡선의 계수를 추출하고 JMP의 다른 모든 모델링 플랫폼을 사용하여 수동으로 모델링을 수행할 수도 있으므로 더 유연하게 액세스할 수 있습니다. 가정이 덜 필요한 기계 학습 알고리즘.
이러한 첫 번째 요점이 여러분에게 개요를 제공하고 토론의 새로운 시작을 제공할 수 있기를 바랍니다.
