ANNとFDOEの比較こんにちは、みんな、
データに適用する最適なアプローチを理解するための助けが必要です。
医薬品開発におけるさまざまな実験計画 (DoE) からの 84 バッチを含むデータセットを構築しました。その後、薬物放出を予測するための ANN モデルを構築しました。ここで、JMP Pro Functional DOE (FDOE) を使用して薬物放出 (機能的応答) を予測し、その結果を ANN モデルの結果と比較したいと思います。
- この比較には意味がありますか?これら 2 つの手順 (ANN と FDOE) を比較するための最良の統計的方法は何ですか?
- FDOE プラットフォームのノット数はどのように選択できますか?
- FDOE Profiler (図を参照) では、いくつかの製剤パラメータにより薬物放出がマイナスになりました。これはどういう意味ですか？いくつかの製剤パラメータでは、薬物放出の負の値が得られました。これは、この FDOE アプローチでは溶解プロファイルの最初の時点を予測できない可能性があることを意味しているのでしょうか?
Discovery Summit のプレゼンテーションをすでに見ました ( https://community.jmp.com/t5/Discovery-Summit-Americas-2021/A-New-Resolve-to-Dissolve-Model-Drug-Dissolution-with-Functional/ta -p/398755 ) ですが、他に読むことができるリソースや文献はありますか?
自分のことを明確にしていなかったら申し訳ありません。
手伝ってくれてどうもありがとう！
高度な統計モデリング予測モデリングと機械学習Re: ANN と FDOE の比較応答データが関数であること、おそらくバッチの薬物放出の時間の経過に伴う進行を示す曲線であることを確認してください。
はい、無数の候補モデルを比較することは理にかなっています。この目的のために、[分析] > [予測モデリング] > [モデルの比較]を使用できます。
モデルの選択全般、またはノット数に関するFDE 情報を学習しましたか?
FDOE アプローチは線形回帰に基づいています。回帰では、応答が負の無限大と正の無限大の間で変化すると仮定します。モデルは、応答の限界近くで適合性の欠如または偏りを示す可能性があります。 FPCA は、JMP の非線形モデルまたはその他のモデルの応答として使用できます。
Re: ANN と FDOE の比較こんにちは@sofiasousa24 さん
限られた状況と利用可能なデータに基づいて、さまざまな質問にできる限りお答えします。トピックに関係のない情報や回答は無視してください。
- はい、いいえ、この質問については強い意見はありません。
いいえ: データの観点から見ると、データは独立していないため、機械学習モデルを使用して、異なる時点でのすべての薬物放出応答を互いに独立して予測すると、応答の時間依存性 (および情報の冗長性)、および異なる時点で測定された応答の相関関係が考慮されません。
はい。機械学習では、モデル構築における仮定が「従来の」統計モデリングよりも少なくなります。さらに、ニューラル ネットワークは非線形関数を近似でき、従来のモデリング方法よりも多重共線性に対して堅牢である可能性があるため、時系列分析や予測に使用できます。
これら 2 つの手順を比較するには、トレーニング、検証、テストに同様の条件を設定する必要があります。トレーニング、検証、テストに同じサンプルを使用するようにしてください。クロス検証アプローチと検証列を使用するか、データセットを分割してテスト セットを残りのデータから分離し、データ漏洩を回避して同じシードで K 分割クロス検証を使用します。アルゴリズムが同じデータでトレーニングおよび検証されている場合は、同じテスト データで比較するのがはるかに簡単になります。
方法の比較は、予測値と測定値をプロットして、元のデータと同じ傾向を予測できるかどうかを確認することで簡単に始めることができます。残差の分布を視覚化して、各方法の最大誤差とその分布を確認することも役立ちます。残差と予測値をプロットして、値の増加に関して誤差が安定しているかどうか、または異分散性 (予測の分散が X/時間の値とともに増加する) が発生しているかどうかを確認することもできます。最後に、RMSE/MSE や残差に関連するその他のメトリック (予測値と測定値の差) など、両方の方法のパフォーマンスの集計メトリックを計算することもできます。集計値は比較を簡素化するのに役立ちますが、前に説明したように、視覚化を通じて確認できた詳細の一部が「隠れる」可能性があります。
- FDOE プラットフォームでは、解析を行う際にデフォルトでノット数が推奨されます。
モデルの種類 (B スプライン、P スプライン、ウェーブレットなど) を起動すると、JMP はさまざまなノット サイズを試します ([モデル コントロール] パネルで確認できます)。デフォルトでは、JMP は BIC (ベイジアン情報量基準) を最小化するノットの数 (およびスプラインの関数の次数) を選択します。BIC は、モデルの予測パフォーマンスとその複雑さのバランスをとる情報量基準で、低いほど良いとされています。JMP が使用する範囲は、多くの場合、局所的最小値を見つけるのに十分ですが、モデル コントロールでノット数の範囲を広げて、より低い BIC を実現できるかどうかを確認できます。
ただし、データテーブルの各バッチの (時間) 測定の数に近いノット数を増やす場合 (上記の例のように)、このトレーニング セットでは完璧に機能するが、他の外部データではパフォーマンスが低下する過剰適合モデルが作成されないように、必ず検証セットを使用してください。
- モデルの結果についてコメントする前に、FDOE プラットフォームで確認すべきことがたくさんあるかもしれません。
- どのモデルを使用しましたか、またその理由は何ですか (B、P スプライン、ウェーブレットなど)? データに対して何らかの前処理手順を使用しましたか?
- どのくらいのノットとどの程度の機能を使用しましたか?
- 検証セットを使用しましたか?
- 測定プロセスの変動性と再現性はどの程度ですか? FDOE の誤差は測定変動性に比べて大きすぎますか?
+ NN に関する質問: NN はどのように構築されているか、レイヤーの数はいくつで、どのアクティベーション関数、どの検証を使用しているかなど... ニューラル ネットワーク チューニングは、特定の問題に対して効率的で適切なニューラル ネットワーク構造を設計するのに役立つ場合があります。ただし、ニューラル ネットワークは、その複雑さと解釈可能性の欠如のため、他の (より単純な) モデルが失敗した場合に私が試す最後のモデルになることが多いです。
また、FDOE を使用すると、プラットフォーム内の主要な機能係数に回帰モデルを直接適合させることができますが、曲線の係数を抽出し、JMP の他のすべてのモデリング プラットフォームを使用して手動でモデリングを実行し、より少ない仮定を必要とするより柔軟な機械学習アルゴリズムにアクセスすることもできることを考慮してください。
これらの最初のポイントが、議論の概要と新たなスタートとなることを願っています。
