实验设计 (DOE) 是一种统计方法，用于指导实验的执行、分析实验以检测相关变量以及优化所研究的过程或现象。在产品开发中使用 DOE 可以使产品制造起来更容易、更便宜，性能和可靠性更高，并且缩短产品设计和开发时间。
如今，由于大量复杂数据集的可用性不断提高，机器学习 (ML) 被广泛用作数据分析工具。然而，并非所有应用都能承受大数据。例如，在制药和化学工业中，由于成本限制和生成有价值数据所需的时间，实验数据集通常较小。尽管如此，将机器学习融入实验设计已被证明是一种在可以更便宜、更快地收集的小数据集中优化配方的有效方法。
本演讲分为三个部分。首先，简要总结了与机器学习辅助实验设计相关的文献。接下来，通过一个粘合剂案例来说明将实验设计和机器学习结合起来以减少使用优化的催化剂包确定设计空间所需的实验次数的效率。在第三部分中，涉及工业密封剂应用，我们使用响应面数据，使用设计空间内外的验证数据运行，比较 RSM 模型与各种机器学习算法（RF、SVR、Lasso、SVEM 和 XGBoost）模型的预测误差。
