| Conférencier |
Transcription |
| Philip J. Ramsey |
Bonjour, ici Phil Ramsey de l'Université du New Hampshire et de Predictum. Mes co-présentateurs, Wayne Levin de Predictum et Marie Gaudard, sont également présents. |
| |
Professeur émérite de l'Université du New Hampshire et de Predictum, nous allons présenter une conférence sur les conceptions de mélanges modernes. |
| |
Et l'ordre du jour de la conférence est que nous allons parler de l'apprentissage automatique et de la conception d'expériences, présenter brièvement ce que sont les conceptions de mélange, |
| |
parlons d'une nouvelle méthode d'apprentissage automatique pour le DOE appelée auto-validation, qui est combinée à la modélisation d'ensemble pour créer ce que nous appelons une méthodologie de modélisation d'ensemble auto-validante. |
| |
Et nous parlerons ensuite de SVEM, qui est une modélisation d'ensemble auto-validante, et nous ferons une démonstration en utilisant une expérience de mélange, puis nous parlerons de |
| |
La méthode SVEM et les conceptions de remplissage d'espace. Wayne Levin présentera un module complémentaire développé par Predictum pour la SVEM et fera également la démonstration de l'expérience sur l'urée. |
| |
Et je tiens à souligner que récemment, en fait cette année seulement, nous en avons déjà eu trois et ce sera bientôt pour des articles publiés dans des revues sur le sujet de |
| |
DOE et apprentissage automatique, les gens ont donc découvert que les méthodes d'apprentissage automatique s'appliquaient traditionnellement au big data |
| |
Ces méthodes pourraient s'appliquer largement aux plans d'expériences, et nous sommes tout à fait d'accord. Nous allons montrer comment les utiliser efficacement dans des expériences de mélange. Cependant, l'une des limites traditionnelles de l'application de ce qu'on appelle l'apprentissage automatique est |
| |
Pour des ensembles de données plus petits comme le DOE, on croit qu'il faut disposer d'ensembles de données très volumineux. Or, ce n'est pas tout à fait vrai. |
| |
Et comme vous allez le voir, la méthode SVEM qui a été développée par un certain nombre de personnes, dont moi-même et le Dr Chris Gotwalt de JMP, |
| |
En fait, nous rendons tout à fait possible l’application de ces méthodes traditionnelles de big data à des données beaucoup plus petites, comme celles que nous trouvons avec la conception d’expériences. |
| |
De plus, l'apprentissage automatique est en réalité une question de prédiction. Nous divisons donc la modélisation statistique en deux approches, l'une est appelée explicative, qui est classique, elle se concentre sur les tests d'hypothèses, les valeurs P et les paramètres. |
| |
Et cela ne conduit généralement pas à de bons modèles prédictifs, mais l’apprentissage automatique se concentre entièrement sur la prédiction. |
| |
Voilà donc notre point de vue, et c'est ce que nous allons utiliser aujourd'hui pour l'appliquer à des expériences de mélange. Nous allons utiliser l'apprentissage automatique. |
| |
Pour la prédiction. Notre objectif n'est pas l'explication et, comme vous le verrez, nous allons pouvoir appliquer ces méthodes d'apprentissage automatique prédictif à des plans d'expériences de petite envergure. |
| |
Ensembles de données. Traditionnellement, nous évaluons les modèles prédictifs en utilisant une partie des données pour l'entraînement. C'est ce que nous appelons l'ensemble d'entraînement, une méthode très courante. |
| |
Et puis il y a un autre ensemble de stratégies que nous avons retenues. Il existe plusieurs stratégies. Nous n'en aborderons qu'une : la retenue. |
| |
Nous le mettons de côté, ajustons le modèle à l'ensemble d'entraînement, puis l'ensemble de validation nous permet d'évaluer la capacité de prédiction. Autrement dit, nous prédisons des données qui ne sont pas utilisées pour ajuster le modèle. |
| |
Cependant, cette stratégie ne fonctionnera pas avec les plans d'expériences. Ceux-ci sont très efficaces et centrés sur l'information. |
| |
et les ressources ou le budget nécessaires au développement d'ensembles de validation sont généralement insuffisants. Il est rare que des analyses supplémentaires puissent être utilisées à des fins de validation. |
| |
Cela semble donc être un obstacle à l’utilisation de l’apprentissage automatique pour la modélisation prédictive, mais comme nous le montrerons, cette méthode SVEM nous permet de contourner cette contrainte. |
| |
Avant d'aborder le sujet SVEM, j'aimerais aborder brièvement les conceptions de mélanges. Je sais que certains d'entre vous les connaissent, d'autres non. |
| |
Il s'agit d'un type particulier de plan expérimental. Moins répandu qu'il ne devrait l'être, car peu connu, il s'agit d'expérimentations sur une formulation ou une recette, dont les composants peuvent être liquides, gazeux ou solides. |
| |
Et l’un des concepts importants est que l’impact sur les réponses ne dépend que des proportions relatives des composants. |
| |
Nous sommes donc très attentifs aux proportions de nos composants, comme dans une recette. Nous ne nous concentrons pas sur les quantités. Si la quantité totale était importante, cela conduirait à un autre type d'expérience, appelée quantité de mélange, qui dépasse le cadre de notre étude. |
| |
Mais comme il s'agit de composants d'une formulation, ces facteurs sont soumis à des contraintes. Autrement dit, la quantité totale doit être limitée ; cela se produit parfois naturellement. |
| |
Mais les proportions doivent également être limitées. Ainsi, dans une expérience de mélange, contrairement à une expérience factorielle, il est impossible de modifier les facteurs indépendamment. |
| |
Ainsi, dans les plans d'expérience traditionnels que beaucoup connaissent, il n'existe aucune contrainte sur les paramètres conjoints des facteurs. Dans certains cas, il y en a, mais généralement, ce n'est pas le cas. |
| |
En revanche, dans le cas d'expériences sur les mélanges, comme il s'agit d'ingrédients d'une formulation, la somme des quantités doit être égale à 1, soit 100 %. Ainsi, si j'avais des facteurs Q, la somme de ces facteurs expérimentaux Q pour chaque essai devrait être égale à 1. De plus, |
| |
le paramètre pour chaque composant individuel doit être compris entre 0 et 1. Je soulignerai également, et nous n'aurons pas le temps d'en discuter aujourd'hui, |
| |
une variante importante des conceptions de mélanges est appelée expériences de processus de mélange, dans lesquelles nous combinons des facteurs de mélange avec des facteurs de processus. |
| |
Nous procédons ainsi en raison du comportement des mélanges. Prenons l'exemple d'un adhésif en trois parties : son comportement change radicalement avec les conditions de mise en œuvre. Nous pouvons donc examiner des paramètres tels que la pression et la température pour le durcissement d'un adhésif, ainsi que la température optimale. |
| |
La recette change généralement en fonction de ces facteurs de processus. Ce sujet dépasse le sujet de notre exposé d'aujourd'hui, mais il s'agit d'un aspect important des mélanges. |
| |
Donc, historiquement, lorsque les gens analysent des mélanges et même les créent... les créent, l'accent est mis sur des objectifs explicatifs, c'est-à-dire, |
| |
Tests d'hypothèses sur les paramètres, les valeurs de p et les intervalles de confiance. Cependant, pour les mélanges en général, cela a toujours été problématique, car ils présentent intrinsèquement de nombreux |
| |
Il existe une multicolinéarité ou corrélation entre les facteurs et les effets. Ils doivent l'être, car le total est limité, et leur somme doit être égale à 1 ; ils ne peuvent donc pas être indépendants par nature. Cependant, |
| |
nous ne sommes pas d’accord avec cette approche traditionnelle et, malgré notre grande expérience des expériences de mélange, l’objectif est invariablement, franchement, la prédiction. |
| |
Il ne s'agit pas d'explication. Nous essayons de prédire les performances de mélanges ou de recettes, et c'est ce qui intéresse les scientifiques ou les ingénieurs. |
| |
Il existe donc un décalage important entre les besoins des scientifiques et la manière dont nous analysons les mélanges. De plus, de nombreuses conceptions traditionnelles sont ce que l'on appelle des conceptions à point limite. |
| |
Si vous connaissez le terme D optimal, ils ont tendance à être très D optimaux, c'est-à-dire, |
| |
La plupart des points sont attribués autour des limites ; nous disposons de peu d'informations sur l'intérieur. Il y a très peu de points, parfois aucun. |
| |
À l'intérieur de la zone de conception. Pourquoi est-ce important ? Les systèmes de mélange, notamment dans les applications chimiques et biologiques, |
| |
ont tendance à être très complexes. La cinétique est très complexe et ces surfaces de réponse ont des formes très complexes. |
| |
Et si nous ne disposons pas de suffisamment d’informations sur l’intérieur de la région de conception, il est très probable que nous ne parviendrons pas à élaborer des modèles qui représentent réellement le comportement du système. |
| |
Et cela s'est produit assez fréquemment dans l'histoire de l'utilisation des plans mixtes. Là encore, nous n'aurons pas le temps d'en parler aujourd'hui. |
| |
une approche classique de l'analyse ou de la modélisation dans le passé est ce que j'appelle les polynômes de Scheffe, |
| |
Il s'agit d'un type de polynôme conçu pour être utilisé avec des mélanges. Il en existe de nombreuses variantes, mais ces polynômes fictifs sont souvent, surtout dans leurs formes classiques, inadaptés à la modélisation de ces surfaces de réponse. |
| |
Alors, comment aborder le problème ? Nous pensons que la meilleure façon d'aborder la conception des mélanges est d'envisager la conception de l'espace. |
| |
Et pourquoi des designs qui remplissent l'espace ? Là encore, cela pourrait faire l'objet d'un exposé à part entière, mais ces designs sont conçus pour couvrir au mieux un espace de conception pour un nombre donné de points de conception. |
| |
Et le nombre de points de conception |
| |
sont une option pour l'utilisateur. Cela peut nous permettre d'utiliser des designs plus petits, |
| |
Les conceptions classiques couvrent la zone de conception. Cela nous permet d'obtenir des modèles prédictifs plus précis et plus utiles. Nous disposons de meilleures informations sur l'ensemble de la zone de conception. |
| |
Et dans notre approche des mélanges, tout est basé sur l'utilisation de conceptions de tournage spatial, et c'est une tendance que nous avons remarquée dans l'industrie ces dernières années. |
| |
Je veux maintenant changer de vitesse et parler de... eh bien, étant donné que nous avons créé le mélange, nous l'avons fait fonctionner, eh bien, comment l'analysons-nous ? |
| |
Comme je l'ai mentionné plus tôt, l'un des problèmes de l'apprentissage automatique appliqué aux données d'expérience est que nous ne disposons pas réellement d'un ensemble de validation naturel. Gotwalt et Ramsey, c'est-à-dire moi-même et le Dr Chris Gotwalt, ont proposé une méthode de validation que nous avons appelée auto-validation. |
| |
la première conférence sur ce sujet a été donnée lors d'une conférence de Discovery Europe il y a quelques années. |
| |
Cela peut paraître complexe, mais écoutez-moi bien. Nous pouvons utiliser les données originales, l'expérience originale, pour l'entraînement et la validation. Autrement dit, nous prenons les données originales et en créons une copie, ou un clone. |
| |
et nous appelons cela l'ensemble d'auto-validation. Ainsi, chaque observation de l'ensemble d'apprentissage possède un jumeau dans l'ensemble d'auto-validation lui-même. |
| |
En soi, cela paraît absurde. Puisque l'ensemble d'autovalidation contient les mêmes observations que l'ensemble d'entraînement, comment peut-il fournir une évaluation indépendante de la capacité de prédiction ? En fait, c'est impossible. |
| |
La clé de l’idée d’auto-validation est que nous appliquons un schéma de pondération aux observations, et le schéma est basé sur la génération de poids à partir d’une distribution gamma. |
| |
Au fait, la distribution gamma est couramment utilisée pour la pondération dans les applications statistiques. Les pondérations gamma présentent un certain nombre de propriétés intéressantes que nous n'aborderons pas aujourd'hui. |
| |
Nous générons un ensemble de pondérations, mais d'une manière particulière. Si une observation de l'ensemble d'apprentissage obtient une valeur élevée, une pondération élevée, |
| |
L'observation du jumeau dans l'ensemble d'autovalidation a un faible poids. Pourquoi procédons-nous ainsi ? Cela entraîne une anticorrélation entre les deux ensembles de données. |
| |
En d'autres termes, nous essayons de décorréler les ensembles à l'aide d'un système de pondération, et de nombreuses recherches ont été menées à ce sujet ces dernières années, ce qui indique que cette approche est très efficace. |
| |
Un article sera bientôt publié, présentant tous ces résultats. L'idée est d'utiliser ce système de pondération, et de prendre en compte |
| |
ensemble d'entraînement, nous attribuons les poids gamma, nous avons l'ensemble d'auto-validation, et nous attribuons les poids correspondants à chacun des jumeaux, donc si l'ensemble d'entraînement a un poids élevé, |
| |
Le jumeau de l'ensemble d'autovalidation reçoit un faible poids, ce qui entraîne ce comportement d'anticorrélation. Ensuite, nous répétons simplement cette stratégie un certain nombre de fois, spécifié par l'utilisateur. Dans la diapositive suivante, je montre un exemple d'expérience simple. Nous avons trois facteurs. Remarquez |
| |
Les séries 1 à 7 constituent l'ensemble d'apprentissage, l'original. Les séries 8 à 14 constituent le clone ou la copie. Notez que les observations ont exactement les mêmes valeurs pour les deux ensembles, ainsi que la colonne intitulée |
| |
Poids FWB appariés. Je vous expliquerai le FWB dans un instant. |
| |
Notez que si une observation, comme l'observation 1, obtient un poids élevé, sa jumelle, l'observation 8, obtient un poids faible. L'observation 8 est donc dans l'ensemble de validation. |
| |
Cette notion de pondération fractionnaire est donc importante ; l'analyse est donc effectuée en appliquant les pondérations fractionnaires à la réponse. Nous répétons ensuite cette stratégie. |
| |
Un certain nombre de fois (ce nombre dépend de l'utilisateur et du scénario) et nous ajustons le modèle à chaque fois. Autrement dit, nous utilisons ce que l'on appelle le bootstrapping à pondération fractionnaire. |
| |
Qu'est-ce que le bootstrapping fractionnaire pondéré ? Il s'agit d'une forme de bootstrapping, également appelée bootstrapping généralisé. |
| |
Dans lequel nous n'effectuons pas de bootstrap sur les observations. Nous effectuons un bootstrap sur les pondérations appliquées aux observations. Il s'agit d'une méthodologie bien connue, et nous l'appliquons. |
| |
Ce qui est différent, c'est que nous appliquons cela de manière répétitive, comme je l'ai dit, cela peut être des centaines de fois, des milliers de fois, c'est vraiment à l'utilisateur de décider. |
| |
À chaque fois, nous ajustons un modèle, puis, à la fin, nous prenons une moyenne ou un ensemble. C'est ce qu'on appelle… et c'est de là que vient le terme. |
| |
L'auto-validation, ou auto-validation, est une modélisation d'ensemble auto-validante. Nous prenons des moyennes. |
| |
et la modélisation d’ensemble, soit dit en passant, est très courante dans l’apprentissage automatique et l’apprentissage profond, car elle tend à conduire à une modélisation plus stable et plus prédictive. |
| |
Ainsi, SVEM effectue un bootstrapping pondéré fractionnaire pour générer une famille de modèles, puis utilise la moyenne du modèle pour obtenir un modèle prédictif final. |
| |
Alors, comment fonctionne la méthode ? Il suffit de choisir un algorithme pour sa modélisation prédictive. Dans notre cas, nous allons nous concentrer sur les réseaux neuronaux. |
| |
Conceptions mixtes, mais vous pouvez choisir d'autres méthodes. SVEM est assez indépendant de l'algorithme utilisé et s'adapte à de nombreux algorithmes. Nous créons donc l'ensemble d'entraînement et d'autovalidation. Nous attribuons nos pondérations fractionnaires. |
| |
Ensuite, nous ajustons le modèle, puis nous l'amorçons un certain nombre de fois, selon les besoins de l'utilisateur, puis nous calculons une moyenne. Je vais maintenant céder la parole à mon collègue, Wayne Levin, qui va faire une démonstration de SVEM et présenter un module complémentaire pour le réaliser. |
| Wayne |
Je fais juste le changement ici |
| |
et partager l'écran. |
| |
Et je vais juste passer au PowerPoint. |
| |
Merci beaucoup, Phil. Nous allons utiliser cet exemple, ces données sur l'urée. Le but de l'expérience est d'optimiser une solution pour un agent nettoyant. |
| |
Les trois composants de ce mélange sont l'eau, l'alcool et l'urée. Ce sont donc ces trois colonnes. Nous allons nous concentrer sur une seule réponse : la viscosité. L'objectif que nous essayons d'atteindre est de 100, mais, comme on peut le voir ci-dessous, |
| |
Nous souhaitons une viscosité comprise entre 95 et 105. Je vais donc passer à JMP. |
| |
OK, voici nos données sur l'urée. Je viens de les ouvrir, et je remarque qu'il n'y a que 15 analyses. Je passe donc à l'étape suivante. |
| |
Le processus consiste à créer la table de validation automatique. Lorsque je clique dessus, plusieurs opérations se produisent. D'abord, nous avons une nouvelle table, avec les 15 premières exécutions, exactement les mêmes qu'ici. Ensuite, pour chacune des exécutions… si je me concentre, par exemple, sur la première ligne (52, 29, 19), |
| |
vous pouvez voir que c'est répété ci-dessous, donc 52, 29, 19. |
| |
Et de même, la deuxième rangée sera 57, 23, 19. Je ne vais évidemment pas tout répéter, mais je pense que vous avez compris l'idée. Il s'agit simplement de répéter les combinaisons de… |
| |
Dans le deuxième ensemble, en bas, le premier est l'entraînement… ce qui est utilisé pour l'entraînement, et le second, comme indiqué ici, ce que nous obtenons pour la validation. Entre les deux, il y a la colonne de pondération fractionnaire appariée dont Phil parlait. |
| |
nous avons tendance à voir... quand nous avons tendance à voir des nombres élevés ici, nous obtiendrons des nombres inférieurs correspondants en bas et cela suit en grande partie le... |
| |
Eh bien, la distribution gamma dont parlait Phil. Alors, pourquoi ne pas la montrer ? Je vais simplement tracer les pondérations ici, pour ainsi dire. |
| |
Positionnez-les sur l'écran. Ainsi, à chaque itération, nous obtenons… nous actualisons les pondérations. Jetez donc un œil aux pondérations ici et observez |
| |
colonne ici, cette colonne ici. Je vais donc l'exécuter pour que vous puissiez voir. À chaque itération, nous obtenons un nouvel ensemble de |
| |
Fractionnaires… paires pondérées fractionnellement dans les ensembles d'entraînement et de validation. OK. Je vais maintenant |
| |
Je vais faire un modèle d'ajustement. Je vais donc faire, si vous voulez, une itération, si vous voulez. |
| |
La viscosité est donc la réponse. Notez ici que le rôle de fréquence a un poids d'amorçage fractionnaire apparié… pondéré fractionnellement, c'est ainsi qu'il est pris en compte dans la modélisation. Voilà, et voici, si vous voulez, une itération. |
| |
OK, en fonction de ces poids particuliers. Eh bien, |
| |
Si nous voulons obtenir un modèle d'ensemble, il faut répéter l'opération. Je vais donc l'exécuter avec de nouvelles pondérations et, si vous le voulez bien, |
| |
Gardez un œil… Il faut surveiller trois endroits différents à la fois, ce qui peut être un peu compliqué. Je vais juste essayer de positionner ces choses. |
| |
Donc, ce qui va se passer, c'est que lorsque je clique ici pour exécuter avec de nouveaux poids, vous allez voir les poids ici changer, un modèle sera créé et le modèle prédictif sera enregistré |
| |
Là-haut. Je vais en faire un ici. On essaie. Boum, ça a changé la façon de produire le modèle. |
| |
Enregistrez le modèle ici. Cette colonne est également ajoutée ; il s'agit de l'ensemble dont Phil parlait, et voici la moyenne. Bien sûr, je n'ai effectué qu'une seule itération, donc la moyenne est juste |
| |
C'est pareil. Je vais donc faire une autre itération ici, et nous obtenons un nouvel ensemble de pondérations, un nouveau modèle, et un nouveau modèle a été enregistré, et maintenant le modèle d'ensemble ici est la moyenne de ces deux |
| |
Par ici. Je vais le faire encore quelques fois. Ce n'est pas difficile, et on peut voir ces choses. |
| |
Les changements se produisent au fur et à mesure. J'en ai maintenant six, alors pourquoi ne pas jeter un coup d'œil rapide à ces six-là ? |
| |
modèles… des modèles individuels, ainsi que le modèle moyen, l'ensemble, et tout cela est affiché ici dans le profileur. Et cela illustre plutôt l'instabilité |
| |
Phil y faisait allusion plus tôt, parce que si, si vous ne faisiez cela qu'une seule fois... maintenant je sais qu'il y a la pondération fractionnaire qui se produit ici, mais comme Phil l'a mentionné, vous savez, un mouvement de n'importe quel point, je peux vraiment |
| |
perturbez le modèle, si vous voulez, et vous vous retrouverez avec des fonctionnalités qui ne sont pas vraiment... |
| |
n'y ont peut-être pas vraiment leur place. Ce ne sont que des artefacts de conception particulière. Mais jetez un œil ici, vous comprendrez comment |
| |
chacun de ces modèles individuels semble... eh bien, ils ont quelques caractéristiques différentes ici. mais ci-dessous, le modèle moyen est en quelque sorte... eh bien, c'est la moyenne de tous les modèles ci-dessus. |
| |
Et on voit plus ou moins que ce gros pli ici s'estompe. On en voit un peu plus bas. |
| |
Maintenant, cela ne concerne que six itérations et avec le module complémentaire, nous recommandons de faire en fait 50 itérations. |
| |
Mais ce que je vais faire aussi, c'est comparer les résultats réels et les résultats prévus. Celui-ci est plutôt… |
| |
Assez cohérent. Les lignes ont toutes une pente de 1 de toute façon. Souvent, lorsque nous faisons cela, nous observons plus de variations, mais ce que vous remarquerez dans le |
| |
Modèle moyen. C'est un peu difficile à voir dans cet exemple particulier, mais c'est une ligne continue qui traverse la masse des autres lignes. Je vais donc les mettre de côté et faire ensuite : |
| |
Je vais effectuer plusieurs exécutions. Je pense que nous allons faire cette démonstration avec 25 itérations. Vous pouvez voir l'évolution du modèle et les pondérations. |
| |
On change ici. Ça n'ajoute rien de nouveau. On passe simplement en revue. C'est fait, on va maintenant jeter un œil au rapport. Je vais donc l'ouvrir. |
| |
Au départ, nous obtenons un graphique comparant les valeurs réelles et les valeurs prévues, ainsi qu'un graphique résiduel. Il serait intéressant de regarder ici |
| |
profileur. |
| |
Et j'adore le profileur. C'est |
| |
Très approprié pour les mélanges, car vous pouvez voir, quand je change l'eau, quand je l'augmente, les deux autres baissent. C'est le |
| |
La nature inhérente des mélanges, bien sûr, doit tous contenir ou totaliser 1. Bon, donc c'est, si vous voulez, le modèle moyen. |
| |
Le modèle d'ensemble des 25 costumes qui ont eu lieu ici, d'accord. Alors, si vous me le permettez, je vais |
| |
Jetons maintenant un coup d'œil rapide au profileur de mélange. |
| |
Nous avons ce look ici. |
| |
En fait, si vous me le permettez, ce que vous pouvez voir à partir de cela est... |
| |
Remarquez les points. Voyez-vous comme ils s'intègrent parfaitement ? C'est la nature même du design qui remplit l'espace, et vous remarquerez également qu'il comporte des contraintes. |
| |
Nous ne couvrons donc en aucun cas l'intégralité de l'espace eau 0-1 ou urée 0-1, etc., nous avons donc ces contraintes ici. |
| |
Et ce que je vais faire maintenant, c'est simplement ajouter les limites, juste pour que je puisse visualiser... visualiser ces 95 à 105. Donc, cela me montre dans l'espace blanc ici juste où je peux... |
| |
quelles combinaisons, si vous voulez, satisfont ces ces ces conditions... les limites de spécification ici. |
| |
Ok, donc c'est la démonstration de |
| |
de la méthode SVEM, la méthodologie, si vous voulez, et |
| |
Je peux... Je vais juste. |
| |
Donc, la conception SVEM et le remplissage d'espace. Là encore, l'une des principales motivations est leur instabilité intrinsèque. |
| |
De petites variations dans les données peuvent donc entraîner de grandes modifications des prévisions, et un modèle prédictif unique peut, bien sûr, devenir instable. On finit par avoir des défauts, et… |
| |
généralement assez dérangeant à regarder, car ce n'est souvent pas ainsi que la cinétique se produit. |
| |
Nous avons donc besoin de stabilité et de l'assemblage de plusieurs modèles, basés sur le bootstrapping fractionné pondéré, pour nous donner cela. |
| |
L'autre aspect important de tout cela est la multicolinéarité inhérente à ces situations. Les mélanges sont des systèmes complexes. |
| |
Ils ne sont pas la somme du comportement des composants. Ils sont en réalité le produit des interactions, et c'est pourquoi, encore une fois, j'apprécie le profileur, car il décrit |
| |
Ces interactions sont magnifiquement mises en valeur. Cette dynamique est vraiment bien rendue. Grâce à cette multicolinéarité, cela atténue ce phénomène et produit des modèles prédictifs stables et plus précis. Nous l'utilisons actuellement… |
| |
en fait, cela remonte à quelques années, mais |
| |
depuis que nous avons créé le module complémentaire SVEM, dont je parlerai dans un instant, nous l'avons exécuté de nombreuses fois maintenant, depuis le début de cette année et il a fait un très bon travail. |
| |
Nos clients en sont très satisfaits. Comme je l'ai dit, le calcul de moyennes de modèles avec SVEM n'est pas automatisé et ne repose pas sur JMP standard ou JMP Pro, mais nous proposons un module complémentaire. Consultez notre site web Predictum.com pour en savoir plus et savoir comment l'obtenir. |
| |
Donc oui, il y a une page dédiée à SVEM. Nous avons aussi un cours de conception de mélanges modernes, et vous pouvez voir qu'il est dispensé par Marie, Phil et moi-même. |
| |
Vous pouvez le constater sur la page de formation du site Predictum. Nous abordons une section sur les conceptions de mélanges classiques, mais les deux tiers à trois quarts du cours sont consacrés à la SVEM. |
| |
Le module complémentaire SVEM est disponible dans le cadre du cours. Dans cette présentation, nous avons vu comment créer un modèle prédictif à partir de données… |
| |
Les données sont limitées par la faisabilité des essais de validation pour contrôler le surapprentissage. Dans une expérience de conception classique, nous n'avons tout simplement pas les essais nécessaires. |
| |
Il s'agit à la fois d'entraînement et de validation. Nous suggérons donc d'utiliser des plans de remplissage d'espace, notamment pour les DOE mixtes, mais aussi, plus généralement, pour d'autres situations de DOE. Nous avons également décrit SVEM, qui repose sur l'autovalidation et le bootstrap à pondération fractionnaire. |
| |
Nous avons également discuté de la manière dont SVEM permet la modélisation prédictive des données DOE sans, encore une fois, un ensemble distinct d'exécutions de validation. |
| |
Et nous avons démontré SVEM en utilisant les données de l’expérience sur l’urée. |
| |
Et sachez que si vous téléchargez les diapositives, vous trouverez de nombreuses références. En voici quelques-unes, et d'autres encore. Ce que j'apprécie particulièrement, c'est que |
| |
En fait, cela remonte à 1996. C'est donc quelque chose qui couvait depuis un certain temps, et je vous encourage à jeter un œil à ces références. |
| |
Et avec cela, nous répondrons à vos questions. |
