ANN 和 FDOE 比較大家好，
我需要幫助了解應用於我的數據的最佳方法。
我建立了一個包含 84 個批次的資料集，這些批次來自藥品開發過程中的各種實驗設計 (DoE)。之後，我建立了一個 ANN 模型來預測藥物釋放。現在，我想使用 JMP Pro 功能 DOE (FDOE) 預測藥物釋放（功能反應），並與 ANN 模型的結果進行比較。
- 這種比較有意義嗎？比較這兩種程序（ANN 和 FDOE）的最佳統計方法是什麼？
- FDOE平台如何選擇節數？
- 在 FDOE Profiler（見圖）中，多個配方參數導致藥物釋放呈現負值。這是什麼意思？對於某些配方參數，我獲得了藥物釋放的負值。這是否意味著這種 FDOE 方法可能無法預測我的溶離曲線中的第一個時間點？
我已經看過發現高峰會簡報（ https://community.jmp.com/t5/Discovery-Summit-Americas-2021/A-New-Resolve-to-Dissolve-Model-Drug-Dissolution-with-Functional/ta -p/398755 ），但是我可以閱讀其他資源或文獻嗎？
如果我沒有說清楚的話，我很抱歉。
非常感謝你的幫忙！
進階統計建模預測建模和機器學習回覆：ANN 和 FDOE 比較請確認您的反應資料是函數，可能是顯示批次藥物釋放隨時間變化的進度的曲線。
是的，比較無數候選模型是有意義的。為此，您可以使用“分析”>“預測建模”> “模型比較” 。
您是否研究過一般模型選擇或有關結數的FDE 資訊？
FDOE 方法是基於線性迴歸。迴歸假設反應在負無窮大和正無窮大之間變化。您的模型可能會在響應極限附近表現出不擬合或偏差。您可以使用 FPCA 作為非線性模型或 JMP 中任何其他模型的反應。
回覆：ANN 和 FDOE 比較嗨@sofiasousa24 ，
我將根據有限的背景和可用數據盡力回答您的不同問題。請忽略任何可能與您的主題無關的訊息或答案。
- 是和否，對這個問題沒有強烈的意見。
否：從數據的角度來看，您的數據不是獨立的，因此使用機器學習模型來相互獨立地預測不同時間點的所有藥物釋放反應並沒有考慮到反應的時間依賴性（以及反應的冗餘）資訊），以及在不同時間點測量的反應的相關性。
是的：機器學習在模型建構方面的假設比「經典」統計模型更少。此外，神經網路可用於時間序列分析和預測，因為它們可以逼近非線性函數，並且比傳統建模方法對多重共線性更穩健。
為了比較這兩個流程，您必須為訓練、驗證和測試設定類似的條件：確保使用相同的樣本進行訓練、驗證和測試，或使用交叉驗證方法並使用驗證列，或分割資料集並將測試集與其餘資料分開以避免資料外洩，並使用相同種子進行K 折交叉驗證。如果演算法已經在相同的數據上進行了訓練和驗證，那麼在相同的測試數據上進行比較就會容易得多。
您可以透過繪製預測與測量值來開始簡單地比較方法，看看您是否能夠預測與原始資料相同的趨勢。可視化殘差的分佈也可能有助於了解最大誤差是什麼以及它們在每種方法中的分佈。您也可以繪製殘差與預測的圖，以查看誤差在數值增加時是否保持穩定，或是否遇到異方差（預測的變異數隨著 X/時間的值而增加）。最後，您還可以計算這兩種方法的聚合效能指標，例如 RMSE/MSE 或與殘差相關的任何其他指標（預測值和測量值之間的差異）。聚合值有助於簡化比較，但它們可能會「隱藏」您可能透過視覺化看到的一些細節，如前所述。
- 在FDOE平台中，進行分析時預設建議的結數：
啟動某種類型的模型（B 樣條曲線、P 樣條曲線、小波等）時，JMP 將嘗試多種不同的結大小（可以在「模型控制」面板中看到）。預設情況下，JMP 將選擇最小化 BIC（貝葉斯資訊準則）的節點數（以及樣條函數的次數），這是平衡模型預測效能與其複雜性的資訊準則：越低越好。通常，JMP 使用的範圍足以找到局部最小值，但您可以嘗試擴展模型控制中的節數範圍，看看是否能夠實現較低的 BIC ：
但是，如果您增加的結數接近於資料表每批的（時間）測量數（如上例所示），請確保使用驗證集以避免創建完美運行的過度擬合模型在此訓練集上表現良好，但在其他外部數據上表現不佳。
- 在評論模型結果之前，可能需要在 FDOE 平台中檢查很多事情：
- 您使用哪種模型以及為什麼（B、P 樣條、小波…？）？您是否對資料使用過任何預處理步驟？
- 您使用了多少結以及何種程度的功能？
- 你使用驗證集了嗎？
- 您的測量過程的可變性和再現性如何？與測量變異性相比，FDOE 的誤差是否太大？
+ 關於神經網路的問題：它是如何建構的、有多少層、哪些激活函數、哪些驗證等...... 神經網路調優可能有助於為特定問題設計高效且合適的神經網路結構。然而，如果其他（更簡單的）模型由於其複雜性和缺乏可解釋性而失敗，Neural Nteworks 通常是我嘗試的最後一個模型。
另請注意，FDOE 使您能夠直接將迴歸模型擬合到平台中的主函數係數，但您也可以提取曲線係數並使用 JMP 中的所有其他建模平台手動進行建模，以更靈活地存取需要較少假設的機器學習演算法。
我希望這些第一點將為您提供一個概述並為討論提供一個新的開始，
