實驗設計 (DOE) 是一種統計方法，用於指導實驗的執行、分析實驗以檢測相關變數並優化所研究的過程或現象。在產品開發中使用 DOE 可以使產品製造起來更容易、更便宜，具有更高的性能和可靠性，並且需要更短的產品設計和開發時間。
如今，由於大型且複雜的資料集的可用性不斷增加，機器學習 (ML) 作為資料分析工具被廣泛採用。然而，並非所有應用程式都能承受大數據。例如，在製藥和化學行業，由於成本限制和產生有價值數據所需的時間，實驗數據集通常很小。然而，事實證明，將機器學習融入實驗設計是在小數據集中優化配方的有效方法，這些數據集可以更便宜、更快地收集。
本次演講分為三個部分。首先，對機器學習輔助實驗設計相關文獻進行簡要總結。接下來，展示了一個黏合案例，以說明將實驗設計和機器學習相結合的效率，以減少透過優化的催化劑包來確定設計空間所需的實驗數量。在涉及工業密封劑應用的第三部分中，我們使用響應面數據，透過驗證數據運行，將 RSM 模型的預測誤差與各種機器學習演算法（RF、SVR、Lasso、SVEM 和 XGBoost）的模型進行比較設計空間之內和之外。
