descente/montée la plus raideChers utilisateurs de la communauté JMP,
Je voudrais savoir comment effectuer la montée/descente la plus raide à l'aide de JMP. JMP a-t-il une option pour cela.
Modélisation statistique avancéeAnalyse et modélisation des données de baseConception d'expériencesRe : descente/montée la plus raideJe pense que tu devrais être plus précis. L'ascension/descente la plus raide appartient aux techniques d'optimisation mathématique, par exemple voir ce wiki Descente de gradient .
En fonction du problème que vous rencontrez, vous n'aurez peut-être pas besoin d'implémenter la méthode vous-même, car JMP peut déjà disposer de fonctionnalités pour votre problème. Si vous ne savez pas si de telles fonctionnalités existent dans JMP, vous pouvez essayer d'élaborer la description de votre problème. Si effectivement il n'existe aucune fonctionnalité prête à l'emploi, JMP dispose d'outils puissants pour résoudre votre problème personnalisé si vous êtes en mesure de spécifier le problème et d'en informer JMP. L'un de ces outils est la plate-forme non linéaire, à l'aide de laquelle vous n'avez pas besoin d'implémenter votre propre méthode. En fin de compte, JMP dispose d'un langage de programmation, JSL, à l'aide duquel vous pourrez peut-être écrire un programme effectuant l'optimisation mathématique. Ce dont vous avez besoin est la capacité de traduire une méthode d’optimisation mathématique en un programme.
Re : descente/montée la plus raideLa montée/descente s'entend-elle d'un pas de temps à l'autre ?
Vous pouvez calculer la pente via :delta= :col - lag(:col) . Il vous suffit ensuite de rechercher le col maximum (:delta) ou minimum (:delta).
Peut-être que les données brutes sont affectées par du bruit - alors le col maximum pourrait être simplement des pics bruyants.
Dans ce cas, il sera utile d'utiliser un lisseur et de sauvegarder la formule. Ensuite, vous pourriez trouver les grandes pentes analytiquement...
Re : descente/montée la plus raideMon intérêt pour ces méthodes est de découvrir des résultats précieux du DOE que nous avons effectué, comme disons que nous avons effectué deux DOE (tous les facteurs significatifs montrent des effets linéaires), maintenant j'aimerais savoir où mes facteurs significatifs ont un effet quadratique sur mes sentiers. de telle sorte que je puisse aller dans cette direction avec d'autres sentiers ou DOE.
C'est ce que je comprends de ces méthodes.
Re : descente/montée la plus raideJe ne suis pas un spécialiste du DOE, mais vous m'avez décrit votre objectif assez clairement et j'espère que d'autres experts dans le domaine pourront vous aider.
D'après ma tentative personnelle, je pense que cette page de la documentation pourrait être pertinente, même si elle ne suggère pas spécifiquement d'examiner uniquement les termes quadratiques.
Exemple de conception de surface de réponse
Re : descente/montée la plus raideL'ascension la plus raide est une méthode pour déplacer l'espace de conception. Je pense que vous souhaitez augmenter l'espace de conception dans lequel vous vous trouvez. Il existe plusieurs façons de procéder. Peng montre un domaine que vous regardez. En voici un autre.
https://www.jmp.com/support/help/en/17.2/?os=mac&source=application#page/jmp/augment-designs.shtml
Re : descente/montée la plus raidePour un exemple numérique, vous pouvez vous référer à l'article suivant :
George EP Box et Patrick YT Liu (1999) Les statistiques comme catalyseur de l'apprentissage par la méthode scientifique, partie I — Un exemple, Journal of Quality Technology
Vous trouverez également un autre bon exemple dans le livre de Montgomery , Design and Analysis of Experiments.
S'il vous plaît laissez-moi savoir si vous avez besoin de plus d'informations,
Re: descente/montée la plus raideMa compréhension de la pente la plus raide vient de Box. Sa pensée consiste à utiliser les informations recueillies lors d'une expérience initiale pour développer un modèle (théoriquement perpendiculaire aux contours de la variable de réponse). Utilisez ce modèle de régression pour exécuter des « tests ». Utilisez à peu près le même espacement de réglage de niveau que celui utilisé dans l'expérience initiale. Exécutez ces tests dans une séquence qui modifie les niveaux des facteurs qui sont dans le modèle. Continuez à les exécuter à mesure que la réponse augmente, jusqu'à ce qu'il y ait un point d'inflexion (la réponse diminue). Déplacez l'expérience suivante avant le point d'inflexion.
JMP pourra vous fournir le modèle. Vous devrez faire les expériences initiales et les tests ultérieurs.
Cela peut être utile tant que vous n'êtes pas trop loin de l'optimum (par exemple, les facteurs doivent être continus plutôt que catégoriels).
