ANN 和 FDOE 比较大家好，
我需要帮助了解应用于我的数据的最佳方法。
我构建了一个包含 84 个批次的数据集，这些批次来自药品开发过程中的各种实验设计 (DoE)。之后，我建立了一个 ANN 模型来预测药物释放。现在，我想使用 JMP Pro 功能 DOE (FDOE) 预测药物释放（功能反应），并与 ANN 模型的结果进行比较。
- 这种比较有意义吗？比较这两种程序（ANN 和 FDOE）的最佳统计方法是什么？
- FDOE平台如何选择节数？
- 在 FDOE Profiler（见图）中，多个配方参数导致药物释放呈负值。这是什么意思？对于某些配方参数，我获得了药物释放的负值。这是否意味着这种 FDOE 方法可能无法预测我的溶出曲线中的第一个时间点？
我已经看过发现峰会演示文稿（ https://community.jmp.com/t5/Discovery-Summit-Americas-2021/A-New-Resolve-to-Dissolve-Model-Drug-Dissolution-with-Functional/ta -p/398755 ），但是我可以阅读其他资源或文献吗？
如果我没有说清楚的话，我很抱歉。
非常感谢你的帮助！
高级统计建模预测建模和机器学习回复：ANN 和 FDOE 比较请确认您的响应数据是函数，可能是显示批次药物释放随时间变化的进度的曲线。
是的，比较无数候选模型是有意义的。为此，您可以使用“分析”>“预测建模”> “模型比较” 。
您是否研究过一般模型选择或有关结数的FDE 信息？
FDOE 方法基于线性回归。回归假设响应在负无穷大和正无穷大之间变化。您的模型可能会在响应极限附近表现出不拟合或偏差。您可以使用 FPCA 作为非线性模型或 JMP 中任何其他模型的响应。
回复：ANN 与 FDOE 比较嗨@sofiasousa24 ，
我会尽力根据有限的背景和数据回答您的不同问题。请忽略与您的主题无关的任何信息或答案。
- 是也不是，对这个问题没有强烈的意见。
否：从数据的角度来看，您的数据并不独立，因此使用机器学习模型来独立预测不同时间点的所有药物释放响应不会考虑响应的时间依赖性（和信息的冗余性）以及在不同时间点测量的响应的相关性。
是的：与“传统”统计建模相比，机器学习在模型构建方面的假设更少。此外，神经网络可用于时间序列分析和预测，因为它们可以近似非线性函数，并且可能比传统建模方法对多重共线性更具鲁棒性。
为了比较这两个程序，您必须为训练、验证和测试设置类似的条件：确保使用相同的样本进行训练、验证和测试，要么使用交叉验证方法并使用验证列，要么拆分数据集并将测试集与其余数据分开以避免数据泄漏，并使用具有相同种子的 K 折交叉验证。如果算法已经在相同的数据上进行了训练和验证，那么在相同的测试数据上进行比较将容易得多。
您可以从简单的方法比较开始，通过绘制预测值与测量值的关系图，看看您是否能够预测与原始数据相同的趋势。可视化残差的分布也可能有帮助，可以查看每种方法的最大误差是多少以及它们的分布情况。您还可以绘制残差与预测值的关系图，看看误差是否随着值的增加而保持稳定，或者是否遇到异方差（预测的方差随着 X/时间的值而增加）。最后，您还可以计算两种方法的聚合性能指标，例如 RMSE/MSE 或与残差相关的任何其他指标（预测值与测量值之间的差异）。聚合值有助于简化比较，但它们可能会“隐藏”您可能已通过可视化看到的一些细节，如前所述。
- 在FDOE平台中，进行分析时默认推荐的节点数为：
当启动某种类型的模型（B 样条线、P 样条线、小波等）时，JMP 将尝试多种不同的节点大小（可在“模型控制”面板中看到）。默认情况下，JMP 将选择最小化 BIC（贝叶斯信息准则）的节点数（以及样条线的函数度），BIC 是一种平衡模型预测性能和复杂性的信息准则：越低越好。通常，JMP 使用的范围足以找到局部最小值，但您可以尝试扩展模型控制中的节点数范围，看看是否能够实现较低的 BIC：
但是，如果您将结点数增加到与数据表每批的（时间）测量数接近的程度（如上例所示），请确保使用验证集，以避免创建过度拟合的模型，该模型在该训练集上完美运行，但在其他外部数据上表现不佳。
- 在评论模型结果之前，可能需要在 FDOE 平台上检查很多事情：
- 您使用了哪种模型？为什么（B、P-Splines、Wavelets……？）？您是否对数据使用了任何预处理步骤？
- 您使用了多少个节点以及哪些程度的功能？
- 您使用了验证集吗？
- 您的测量过程的变异性和可重复性如何？与测量变异性相比，FDOE 的误差是否太大？
+ 关于 NN 的问题：它是如何构建的，有多少层，哪些激活函数，哪些验证等... 神经网络调整可能有助于为特定问题设计高效且合适的神经网络结构。但是，如果其他（更简单的）模型失败，神经网络通常是我尝试的最后一个模型，因为它们的复杂性和缺乏可解释性。
还请考虑到 FDOE 使您能够直接将回归模型拟合到平台中的主要功能系数，但您也可以提取曲线的系数并使用 JMP 的所有其他建模平台手动进行建模，以访问需要更少假设的更灵活的机器学习算法。
我希望这些要点能为你们提供一个概述，并为讨论提供一个全新的开始。
