| Lautsprecher |
Transkript |
| Philip J. Ramsey |
Hallo, hier ist Phil Ramsey von der University of New Hampshire und Predictum. Zusammen mit meinen Co-Moderatoren Wayne Levin von Predictum und Marie Gaudard, |
| |
Als emeritierter Professor der University of New Hampshire und Predictum werden wir einen Vortrag über moderne Mischungsdesigns halten. |
| |
Auf der Tagesordnung des Vortrags stehen maschinelles Lernen und Versuchsplanung. Wir werden kurz vorstellen, was Mischungsdesigns sind. |
| |
Wir sprechen über eine neue Methode des maschinellen Lernens für DOE namens Autovalidierung, die mit Ensemble-Modellierung kombiniert wird, um etwas zu schaffen, das wir als selbstvalidierende Ensemble-Modellierungsmethode bezeichnen. |
| |
Und dann sprechen wir über SVEM, die selbstvalidierende Ensemble-Modellierung, und wir führen eine Demonstration anhand eines Mischungsexperiments durch und dann sprechen wir über |
| |
die SVEM-Methode und raumfüllende Designs. Wayne Levin wird über ein von Predictum entwickeltes Add-In für SVEM sprechen und das Harnstoff-Experiment demonstrieren. |
| |
Und ich möchte darauf hinweisen, dass wir vor kurzem, eigentlich allein in diesem Jahr, bereits drei solcher Arbeiten hatten, und das wird bald der Fall sein für Artikel, die in Zeitschriften zum Thema veröffentlicht wurden: |
| |
DOE und maschinelles Lernen, so dass die Leute entdeckt haben, dass maschinelle Lernmethoden, die traditionell auf große Datenmengen angewendet werden |
| |
könnten in der Versuchsplanung (DOE) sehr anwendbar sein, und wir stimmen dem voll und ganz zu. Wir werden zeigen, wie sie effektiv in Mischungsexperimenten eingesetzt werden können. Eine der traditionellen Einschränkungen bei der Anwendung des sogenannten maschinellen Lernens |
| |
Für kleinere Datensätze wie DOE besteht die Annahme, dass sehr große Datensätze erforderlich seien. Dies ist tatsächlich nicht ganz richtig. |
| |
Und wie Sie sehen werden, wurde die SVEM-Methode von mehreren Leuten entwickelt, darunter auch von mir und Dr. Chris Gotwalt von JMP. |
| |
Wir machen es tatsächlich durchaus möglich, diese traditionellen Big-Data-Methoden auf viel kleinere Datenmengen anzuwenden, wie wir sie bei der Versuchsplanung finden. |
| |
Und auch beim maschinellen Lernen dreht sich alles um Vorhersagen, daher unterteilen wir die statistische Modellierung in zwei Ansätze. Der eine wird als erklärend bezeichnet und ist klassisch. Er konzentriert sich auf Hypothesentests sowie P-Werte und Parameter. |
| |
Und das führt normalerweise nicht zu guten Vorhersagemodellen, aber beim maschinellen Lernen liegt der Schwerpunkt ganz auf der Vorhersage. |
| |
Das ist unsere Sichtweise, und genau das werden wir heute nutzen und auf Mischungsexperimente anwenden. Wir werden maschinelles Lernen nutzen |
| |
zur Vorhersage. Unser Fokus liegt nicht auf der Erklärung, und wie Sie sehen werden, werden wir diese prädiktiven Methoden des maschinellen Lernens auf kleine Versuchsdesigns anwenden können. |
| |
Datensätze. Traditionell bewerten wir Vorhersagemodelle, indem wir einen Teil der Daten zum Trainieren verwenden. Wir nennen das den Trainingssatz, eine sehr gängige Methode. |
| |
Und dann haben wir noch ein weiteres Set, das wir irgendwie zurückgehalten haben. Es gibt verschiedene Strategien. Wir werden nur über eine sprechen: „Zurückhalten“. |
| |
Wir legen es beiseite, passen das Modell an den Trainingsdatensatz an und können dann mithilfe des Holdback-Datensatzes (Validierungsdatensatz) die Vorhersagefähigkeit bewerten. Mit anderen Worten: Wir prognostizieren Daten, die nicht zur Anpassung des Modells verwendet werden. |
| |
Diese Strategie funktioniert jedoch nicht mit der Versuchsplanung. Diese sind sehr effizient und informationszentriert, |
| |
und es sind in der Regel nicht genügend Ressourcen oder Budget vorhanden, um Validierungssätze zu entwickeln. Nur selten können zusätzliche Läufe durchgeführt werden, die zur Validierung verwendet werden könnten. |
| |
Dies scheint ein Hindernis für die Verwendung von maschinellem Lernen zur prädiktiven Modellierung zu sein, aber wie wir zeigen werden, können wir diese Einschränkung mit der SVEM-Methode umgehen. |
| |
Bevor wir uns mit SVEM befassen, möchte ich kurz auf Mischungsdesigns eingehen. Ich weiß, einige von Ihnen kennen sie, andere nicht. |
| |
Hierbei handelt es sich um eine spezielle Art von Versuchsaufbau. Sie sind nicht so verbreitet, wie sie sein sollten, da sie oft nicht bekannt sind. Dabei geht es um das Experimentieren mit einer Formulierung oder einem Rezept, und die Komponenten dieser Formulierungen können Flüssigkeiten, Gase oder Feststoffe sein. |
| |
Und eines der wichtigen Konzepte besteht darin, dass die Auswirkungen auf die Antworten nur von den relativen Anteilen der Komponenten abhängen. |
| |
Wir legen also großen Wert auf die Proportionen unserer Komponenten, wie man es beispielsweise bei einem Rezept tun würde. Mengen sind uns nicht wichtig. Wäre die Gesamtmenge wichtig, führt dies zu einem anderen Experiment, der sogenannten Mischungsmenge, die über den heutigen Rahmen hinausgeht. |
| |
Da es sich jedoch um Bestandteile einer Formulierung handelt, unterliegen diese Faktoren Einschränkungen. Mit anderen Worten: Die Gesamtmenge muss begrenzt werden; manchmal geschieht dies ganz natürlich. |
| |
Allerdings müssen auch die Proportionen eingeschränkt sein. Anders als bei einem faktoriellen Experiment können die Faktoren in einem Mischungsexperiment nicht unabhängig voneinander verändert werden. |
| |
Im traditionellen DOE, mit dem viele vertraut sind, gibt es keine Einschränkungen für die gemeinsamen Einstellungen der Faktoren. In manchen Fällen gibt es welche, in der Regel jedoch nicht. |
| |
Bei Mischungsexperimenten hingegen muss die Summe der Bestandteile einer Formulierung 1 oder 100 % ergeben, da sie Bestandteile einer Formulierung sind. Wenn ich also Q-Faktoren hätte, müssten die Einstellungen dieser Q-Experimentfaktoren für jeden Versuch 1 ergeben. Außerdem gilt: |
| |
Die Einstellung für jede einzelne Komponente muss irgendwo zwischen 0 und 1 liegen. Ich möchte auch darauf hinweisen, und wir werden heute keine Zeit haben, dies zu diskutieren, |
| |
Eine wichtige Variante von Mischungsdesigns sind sogenannte Mischungsprozessexperimente, bei denen wir Mischungsfaktoren mit Prozessfaktoren kombinieren. |
| |
Wir tun dies, weil das Verhalten von Mischungen. Denken Sie beispielsweise an einen Dreikomponentenklebstoff: Das Verhalten ändert sich dramatisch mit den Verarbeitungsbedingungen. Wir könnten uns also Dinge wie Druck und Temperatur für die Aushärtung eines Klebstoffs ansehen und die optimale |
| |
Die Rezeptur ändert sich typischerweise in Abhängigkeit von diesen Prozessfaktoren. Dies würde den Rahmen unseres heutigen Vortrags sprengen, ist aber ein wichtiger Aspekt von Mischungen. |
| |
Wenn Menschen also historisch gesehen Mischungen analysieren und sogar herstellen, liegt der Fokus auf Erklärungszielen, das heißt, |
| |
Hypothesentests auf Parameter, P-Werte und Konfidenzintervalle. Bei Mischungen im Allgemeinen ist dies jedoch immer problematisch, da Mischungen von Natur aus viele |
| |
Multikollinearität oder Korrelation zwischen den Faktoren und Effekten. Dies ist notwendig, da die Gesamtsumme beschränkt ist und sich zu 1 summieren muss. Daher können sie nicht von Natur aus unabhängig sein. Allerdings |
| |
Wir sind mit diesem traditionellen Schwerpunkt nicht einverstanden und können trotz unserer umfangreichen Erfahrung mit Mischungsexperimenten sagen, dass das Ziel offen gesagt immer die Vorhersage ist. |
| |
Es geht nicht um eine Erklärung. Wir versuchen, die Leistung von Mischungen oder Rezepturen vorherzusagen, und genau daran sind die Wissenschaftler und Ingenieure interessiert. |
| |
Es besteht also eine große Diskrepanz zwischen den Anforderungen der Wissenschaftler und der Art und Weise, wie wir Gemische analysiert haben. Viele der traditionellen Designs sind zudem sogenannte Randpunktdesigns. |
| |
Wenn Sie mit dem Begriff D-optimal vertraut sind, neigen sie dazu, sehr D-optimal zu sein, das heißt, |
| |
Die meisten Punkte werden um die Grenzen herum vergeben, wir haben nur wenige Informationen zum Inneren. Es gibt nur sehr wenige Punkte, manchmal gar keine |
| |
im Inneren des Designbereichs. Warum ist das wichtig? Nun, Mischsysteme, insbesondere in chemischen und biologischen Anwendungen, |
| |
sind in der Regel sehr komplex. Es laufen sehr komplexe kinetische Prozesse ab, und diese Reaktionsflächen haben sehr komplizierte Formen. |
| |
Und wenn wir nicht über ausreichend Informationen über das Innere des Entwurfsbereichs verfügen, werden wir höchstwahrscheinlich keine Modelle entwickeln, die das Verhalten des Systems wirklich darstellen. |
| |
Und das ist in der Geschichte der Verwendung von Mischungsdesigns tatsächlich recht häufig vorgekommen. Auch hier haben wir heute keine Zeit, darüber zu sprechen. |
| |
Ein klassischer Ansatz zur Analyse oder Modellierung in der Vergangenheit sind die sogenannten Scheffe-Polynome, |
| |
Dabei handelt es sich um einen Polynomtyp, der für die Verwendung mit Mischungen entwickelt wurde. Es gibt viele Varianten davon, aber diese Scheinpolynome sind häufig, insbesondere in ihrer klassischen Form, nicht ausreichend, um diese Antwortflächen zu modellieren. |
| |
Wie gehen wir also das Problem an? Wir glauben, dass wir Mischungsdesigns aus der Perspektive raumfüllender Designs angehen müssen. |
| |
Und warum raumfüllende Designs? Auch hierüber könnte man ein eigenes Thema diskutieren, aber es handelt sich um Designs, die erstellt werden, um einen Designraum für eine bestimmte Anzahl von Designpunkten so gut wie möglich abzudecken. |
| |
Und die Anzahl der Designpunkte |
| |
sind eine Option für den Benutzer. Dies kann uns tatsächlich ermöglichen, kleinere Designs zu verwenden, |
| |
klassische Designs, die den Designbereich abdecken. Dadurch erhalten wir genauere und nützlichere Vorhersagemodelle. Wir verfügen über bessere Informationen über den gesamten Designbereich. |
| |
Und unser Ansatz für Mischungen basiert vollständig auf der Verwendung von Weltraumfilmdesigns. Dies ist ein Trend, den wir in den letzten Jahren in der Branche bemerkt haben. |
| |
Ich möchte jetzt das Thema wechseln und darüber sprechen... also, nachdem wir die Mischung erstellt und ausgeführt haben, wie analysieren wir sie? |
| |
Wie ich bereits erwähnt habe, besteht eines der Probleme beim maschinellen Lernen im DOE darin, dass wir keinen natürlichen Validierungssatz haben. Gotwalt und Ramsey, also Dr. Chris Gotwalt und ich, haben eine Validierungsmethode vorgeschlagen, die wir als Autovalidierung bezeichnen. Und |
| |
Der erste Vortrag zu diesem Thema wurde tatsächlich vor einigen Jahren auf einer Discovery Europe-Konferenz gehalten. |
| |
Das mag zwar nicht intuitiv erscheinen, aber hören Sie mir zu. Wir können die Originaldaten, das ursprüngliche Experiment, für Training und Validierung verwenden. Mit anderen Worten: Wir nehmen die Originaldaten und erstellen eine Kopie oder einen Klon davon. |
| |
und wir bezeichnen dies als Autovalidierungssatz. Jede Beobachtung im Trainingssatz hat also einen Zwilling im Autovalidierungssatz selbst. |
| |
Für sich genommen erscheint dies unsinnig. Da der Autovalidierungssatz dieselben Beobachtungen wie der Trainingssatz enthält, wie kann daraus eine unabhängige Bewertung der Vorhersagefähigkeit abgeleitet werden? Nun, allein ist dies nicht möglich. |
| |
Der Schlüssel zur Idee der automatischen Validierung besteht darin, dass wir ein Gewichtungsschema auf die Beobachtungen anwenden. Das Schema basiert auf der Generierung von Gewichten aus einer Gammaverteilung. |
| |
Die Gammaverteilung wird übrigens häufig zur Gewichtung in statistischen Anwendungen verwendet. Die Gammagewichte haben eine Reihe von ... wiederum eine Reihe von interessanten Eigenschaften, auf die wir heute nicht näher eingehen werden. |
| |
Wir generieren einen Satz Gewichte, aber auf eine besondere Art und Weise. Wenn eine Beobachtung im Trainingssatz einen hohen Wert, ein hohes Gewicht erhält, |
| |
Die Beobachtung im Autovalidierungssatz, der Zwilling, erhält ein niedriges Gewicht. Warum tun wir das? Dies führt zu einer Antikorrelation zwischen den beiden Datensätzen. |
| |
Mit anderen Worten: Wir versuchen, die Korrelation zwischen den Gruppen mithilfe eines Gewichtungsschemas zu entkoppeln. Die in den letzten Jahren hierzu durchgeführten umfangreichen Forschungsarbeiten deuten darauf hin, dass dieser Ansatz sehr effektiv ist. |
| |
In Kürze wird ein Dokument erscheinen, in dem alle Ergebnisse veröffentlicht werden. Die Idee ist, dieses Gewichtungsschema zu verwenden. Wir nehmen also die |
| |
Trainingssatz, wir weisen die Gamma-Gewichte zu, wir haben den Auto-Validierungssatz und wir weisen jedem der Zwillinge entsprechende Gewichte zu, also wenn der Trainingssatz ein hohes Gewicht hat, |
| |
Der Zwilling im Autovalidierungssatz erhält ein niedriges Gewicht, was zu diesem Antikorrelationsverhalten führt. Anschließend wiederholen wir diese Strategie einfach eine vom Benutzer festzulegende Anzahl von Malen. Auf der nächsten Folie zeige ich ein Beispiel für ein einfaches Experiment. Wir haben drei Faktoren. Beachten Sie |
| |
Die Läufe 1-7 sind das Trainingsset, das Original. Die Läufe 8-14 sind der Klon bzw. die Kopie. Beachten Sie, dass die Beobachtungen für beide Sets exakt die gleichen Werte aufweisen. Beachten Sie dann die Spalte mit dem Namen |
| |
Gepaarte FWB-Gewichte. Ich werde FWB gleich erklären. |
| |
Beachten Sie, dass Beobachtung 1 eine hohe Gewichtung erhält, während Beobachtung 8, die gleiche Beobachtung, eine niedrige Gewichtung erhält. Beobachtung 8 befindet sich also im Validierungssatz. |
| |
Daher ist die Idee der fraktionalen Gewichtung wichtig. Die Analyse erfolgt durch Anwendung der fraktionalen Gewichte auf die Antwort. Anschließend wiederholen wir diese Strategie. |
| |
eine bestimmte Anzahl von Malen (und die Anzahl hängt vom Benutzer und dem Szenario ab) und wir passen das Modell jedes Mal an. Mit anderen Worten, wir betreiben im Grunde das, was wir als fraktional gewichtetes Bootstrapping bezeichnen. |
| |
Und was ist fraktional gewichtetes Bootstrapping? Es ist im Grunde eine Form des Bootstrappings, auch bekannt als generalisiertes Bootstrapping. |
| |
Dabei führen wir kein Bootstrapping der Beobachtungen durch. Wir gewichten die Beobachtungen. Dies ist eine bekannte Methode, die wir anwenden. |
| |
Der Unterschied besteht darin, dass wir dies, wie gesagt, wiederholt anwenden. Das kann Hunderte oder Tausende Male sein, es hängt ganz vom Benutzer ab. |
| |
Jedes Mal, wenn wir ein Modell anpassen, berechnen wir am Ende einen Durchschnitt oder ein Ensemble. Und diese heißen... und daher kommt der Begriff |
| |
Selbstvalidierung oder Autovalidierung ist Selbstvalidierungs-Ensemble-Modellierung. Wir nehmen Durchschnittswerte |
| |
und Ensemble-Modellierung ist übrigens im maschinellen Lernen und Deep Learning sehr verbreitet, da sie tendenziell zu stabileren und besser prädiktiven Modellen führt. |
| |
SVEM führt also ein fraktional gewichtetes Bootstrapping durch, um eine Modellfamilie zu generieren, und verwendet dann eine Modellmittelung, um ein endgültiges Vorhersagemodell zu erstellen. |
| |
Wie funktioniert die Methode? Sie wählen einen Algorithmus für Ihre prädiktive Modellierung. In unserem Fall konzentrieren wir uns auf neuronale Netze für |
| |
Mischungsdesigns, aber Sie können auch andere Methoden wählen. SVEM ist hinsichtlich des verwendeten Algorithmus relativ unabhängig und für viele Algorithmen geeignet. Wir erstellen also das Trainings- und Autovalidierungsset und weisen unsere Bruchgewichte zu. |
| |
Anschließend passen wir das Modell an, führen eine vom Benutzer festgelegte Anzahl von Bootstrapping-Vorgängen durch und ermitteln den Durchschnitt. Okay, an dieser Stelle übergebe ich an meinen Kollegen Wayne Levin, der SVEM demonstrieren und über ein entsprechendes Add-In sprechen wird. |
| Wayne |
Ich mache hier nur den Wechsel |
| |
und Bildschirm freigeben. |
| |
Und ich werde jetzt einfach auf PowerPoint umstellen. |
| |
Vielen Dank, Phil. Wir werden dieses Beispiel hier verwenden, diese Harnstoffdaten. Der Zweck des Experiments besteht also darin, eine Lösung für ein Reinigungsmittel zu optimieren. |
| |
Die drei Komponenten dieser Mischung sind Wasser, Alkohol und Harnstoff. Das sind also die drei Spalten hier. Wir konzentrieren uns auf eine Antwort, nämlich die Viskosität. Unser Zielwert liegt bei 100, aber wie wir hier unten sehen können, |
| |
wir wollen eine Viskosität zwischen 95 und 105 erreichen. Daher wechsele ich jetzt zu JMP. |
| |
Okay, hier sind unsere Harnstoffdaten. Ich habe sie gerade geöffnet und sehe, dass es nur 15 Durchläufe gibt. Ich gehe also gleich zum nächsten Schritt über. Und der nächste Schritt in der |
| |
Der Prozess besteht darin, die Autovalidierungstabelle zu erstellen. Wenn ich darauf klicke, sehen Sie, wie einige Dinge passieren. Zuerst haben wir eine neue Tabelle mit den ersten 15 Läufen, die genau denen hier entsprechen. Und dann für jeden Lauf ... wenn ich mich beispielsweise auf die erste Zeile (52, 29, 19) konzentriere, |
| |
Sie können sehen, dass es hier unten wiederholt wird, also 52, 29, 19. |
| |
Und die zweite Reihe lautet 57, 23, 19. Ich werde natürlich nicht alle wiederholen, aber ich denke, Sie verstehen, was ich meine. Es sind einfach die Kombinationen in diesem ... |
| |
Im zweiten Satz hier unten. Der erste Satz ist das Training, das für das Training verwendet wird, und der zweite, wie hier angegeben, das Ergebnis für die Validierung. Dazwischen befindet sich die Spalte mit der gepaarten fraktionalen Gewichtung, von der Phil gesprochen hat. Also |
| |
wir neigen dazu, zu sehen ... wenn wir hier oben hohe Zahlen sehen, erhalten wir weiter unten entsprechend niedrigere Zahlen und es folgt sehr stark dem ... |
| |
Nun, die Gammaverteilung, von der dieser Phil gesprochen hat. Warum zeige ich das nicht einfach? Ich werde die Gewichte hier eintragen, einfach so |
| |
Positionieren Sie das auf dem Bildschirm. Jedes Mal, wenn wir die Iterationen durchlaufen, aktualisieren wir die Gewichte. Schauen Sie sich die Gewichte hier an und beobachten Sie die |
| |
Spalte hier, diese Spalte hier. Ich werde es einfach ausführen, damit Sie es sehen können. Mit jeder Iteration erhalten wir einen neuen Satz von |
| |
Bruchteils gewichtete Paare sowohl im Trainings- als auch im Validierungsset. Okay. Als nächstes werde ich |
| |
ein passendes Modell erstellen. Ich werde also, wenn Sie so wollen, eine Iteration durchführen, könnte man sagen. |
| |
Die Viskosität ist also die Antwort. Beachten Sie hier unten, dass die Frequenzrolle ein gepaartes fraktional gewichtetes Bootstrapping-Gewicht hat. So wird es in die Modellierung einbezogen. So, und hier ist sozusagen eine Iteration. |
| |
okay, basierend auf diesen speziellen Gewichten. Nun, |
| |
Wenn wir ein Ensemble-Modell haben wollen, müssen wir das wiederholt tun. Ich werde das jetzt mit neuen Gewichten ausführen und, wenn Sie so wollen, |
| |
Behalte im Auge ... du musst drei verschiedene Stellen gleichzeitig im Auge behalten, was eine Herausforderung sein kann. Ich versuche einfach, diese Dinge zu positionieren, okay? |
| |
Wenn ich hier auf „Mit neuen Gewichten ausführen“ klicke, werden Sie sehen, wie sich die Gewichte hier ändern. Ein Modell wird erstellt und das Vorhersagemodell wird gespeichert. |
| |
Hier oben. Ich mache mal eins. Probieren wir es aus. Und plötzlich hat sich die Art und Weise, wie das Modell erstellt wurde, geändert. |
| |
Speichern Sie das Modell hier. Diese Spalte wird ebenfalls hinzugefügt; dies ist das Ensemble, von dem Phil gesprochen hat, dies ist der Durchschnitt. Natürlich habe ich nur eine Iteration durchgeführt, daher ist der Durchschnitt nur |
| |
das Gleiche. Ich mache hier einfach eine weitere Iteration und wir erhalten einen neuen Satz Gewichte, ein neues Modell und ein neues Modell wurde gespeichert. Das Ensemble-Modell hier ist nun der Durchschnitt dieser beiden |
| |
hier drüben. Also werde ich es einfach, oh, ich weiß nicht, noch ein paar Mal machen. Es ist nicht schwer, und wir können diese Dinge sehen |
| |
ändern, während wir weitermachen. Ich habe jetzt sechs davon, also warum schauen wir uns diese sechs nicht kurz an |
| |
Modelle...einzelne Modelle, sowie das Durchschnittsmodell, das Ensemble, und das wird hier im Profiler angezeigt. Und das zeigt eher die Instabilität, die |
| |
Phil hat vorhin darauf angespielt, denn wenn Sie das nur einmal machen würden... jetzt weiß ich, dass es hier um die fraktionale Gewichtung geht, aber wie Phil schon sagte, wissen Sie, eine Bewegung an jedem Punkt, den ich wirklich |
| |
Wenn Sie das Modell stören, erhalten Sie am Ende Funktionen, die nicht wirklich … |
| |
gehören vielleicht nicht wirklich dorthin. Sie sind nur Artefakte bestimmter Designpunkte. Aber schauen Sie einfach mal hier, Sie können sehen, wie |
| |
Jedes dieser einzelnen Modelle sieht aus... also, sie haben hier einige unterschiedliche Merkmale. Aber weiter unten ist das Durchschnittsmodell in gewisser Weise... also, es ist der Durchschnitt aller Modelle oben. |
| |
Und Sie können mehr oder weniger sehen, dass der große Knick hier geglättet wird. Sie sehen hier unten ein bisschen davon. |
| |
Dies ist derzeit nur bei sechs Iterationen der Fall und mit dem Add-In empfehlen wir, tatsächlich 50 Iterationen durchzuführen. |
| |
Aber ich werde auch einen Blick auf die tatsächlichen Werte und die Prognosen werfen. Das Ergebnis ist ziemlich gut... |
| |
ziemlich konsistent. Die Linien haben alle eine Steigung von eins. Oftmals sehen wir dabei mehr Variationen, aber was Sie in der |
| |
Das Durchschnittsmodell ist in diesem Beispiel etwas schwer zu erkennen, aber es ist eine durchgezogene Linie, die im Grunde durch die Masse der anderen Linien verläuft. Ich schiebe diese einfach beiseite und mache als Nächstes Folgendes: |
| |
Ich werde hier eine Reihe von Durchläufen durchführen. Ich denke, wir werden in dieser Demonstration 25 Iterationen durchführen. Sie können die Modelländerungen und die Gewichte sehen. |
| |
Hier wird gewechselt. Es wird hier nichts Neues hinzugefügt. Wir gehen also einfach alles durch. Zack, fertig, und jetzt schauen wir uns den Bericht an. Ich öffne ihn einfach. |
| |
Zunächst erhalten wir hier einen Ist-Wert im Vergleich zum Vorhergesagten und ein Residuendiagramm. Es wäre schön, hier die |
| |
Profiler. |
| |
Und ich liebe den Profiler. Es ist |
| |
Sehr gut geeignet für Mischungen, denn man sieht, wie ich das Wasser ändere, wie ich es erhöhe, die anderen beiden sinken. Das ist die |
| |
Natürlich liegt es in der Natur von Mischungen, dass sie alle 1 enthalten oder sich zu 1 addieren müssen. Okay, das ist also, wenn Sie so wollen, das Durchschnittsmodell. |
| |
Das Ensemble-Modell über die 25 Anpassungen, die hier stattgefunden haben, okay. Wenn ich darf, werde ich |
| |
Werfen Sie jetzt einfach einen kurzen Blick auf den Mixture Profiler. |
| |
Wir bekommen diesen Blick hier oben. |
| |
Wenn ich darf, können Sie hier eigentlich Folgendes erkennen: |
| |
Beachten Sie die Punkte. Sehen Sie, wie gut sich die Punkte einfügen? Das ist die raumfüllende Natur des Designs, und Sie werden auch feststellen, dass dieses Design tatsächlich Einschränkungen enthält. |
| |
Wir decken also keineswegs den gesamten Bereich von Wasser 0-1 oder Harnstoff 0-1 usw. ab, daher haben wir hier oben diese Einschränkungen. |
| |
Und was ich jetzt tun werde, ist, einfach die Grenzen einzutragen, damit ich mir das vorstellen kann … mir das von 95 bis 105 vorstellen kann. Das zeigt mir hier im weißen Bereich, wo ich … |
| |
welche Kombinationen, wenn Sie so wollen, erfüllen diese, diese, diese Bedingungen ... die Spezifikationsgrenzen hier oben. |
| |
Okay, das ist also die Demonstration von |
| |
der SVEM-Methode, der Methodik, wenn man so will, und |
| |
Ich kann... ich werde es einfach tun. |
| |
Also SVEM und raumfüllendes Design. Einer der Hauptgründe hierfür ist, dass sie von Natur aus instabil sind. |
| |
Kleine Änderungen in den Daten können zu großen Änderungen in den Vorhersagen führen, und ein einzelnes Vorhersagemodell kann dadurch natürlich instabil werden. Man hat dann diese Schwachstellen, und das ist einfach so, |
| |
Das bloße Anschauen ist normalerweise ziemlich verstörend, weil die Kinetik oft einfach nicht so abläuft. |
| |
Wir brauchen also Stabilität und die Zusammenstellung mehrerer Modelle auf der Grundlage des fraktional gewichteten Bootstrappings bietet uns diese. |
| |
Das andere... das andere große Problem dabei ist die Multikollinearität, die in diesen... in diesen Situationen von Natur aus vorhanden ist. Mischungen sind komplexe Systeme. |
| |
Sie sind nicht die Summe des Verhaltens der Komponenten. Sie sind vielmehr das Produkt der Interaktionen, und deshalb liebe ich den Profiler, weil er |
| |
Diese Interaktionen sind wunderbar. Diese Dynamik kommt einfach sehr gut rüber. Die Multikollinearität mildert das und führt zu stabileren, genaueren Vorhersagemodellen. Wir haben das jetzt ausgeführt... |
| |
eigentlich reicht es ein paar Jahre zurück, aber |
| |
Seit wir das SVEM-Add-In erstellt haben, auf das ich gleich eingehen werde, haben wir es seit Anfang des Jahres zahlreiche Male ausgeführt und es hat wirklich gute Arbeit geleistet. |
| |
Unsere Kunden sind sehr zufrieden damit. Wie bereits erwähnt, ist die Modellmittelung mit SVEM weder automatisiert noch JMP Standard oder JMP Pro. Wir bieten jedoch ein Add-In an. Auf unserer Website Predictum.com erfahren Sie mehr darüber und wie Sie es erhalten. |
| |
Ja, es gibt eine spezielle Seite zu SVEM. Wir bieten auch einen Kurs zum modernen Mischungsdesign an, und wie Sie sehen, ist dieser von Marie, Phil und mir organisiert. |
| |
Und das können Sie auf der Schulungsseite der Predictum-Site sehen. Wir behandeln zwar einen Abschnitt über die klassischen Mischungsdesigns, aber zwei Drittel bis drei Viertel des Kurses befassen sich mit SVEM. |
| |
Und das ist verfügbar. Das SVEM-Add-In ist Teil des Kurses. In diesem Vortrag haben wir gesehen, wie man aus Daten ein Vorhersagemodell erstellt... |
| |
Daten sind durch die Durchführbarkeit von Validierungsversuchen zur Kontrolle von Überanpassungen begrenzt. Wissen Sie, in einem klassischen Design-Experiment haben wir einfach nicht die Läufe, um |
| |
Sowohl Training als auch Validierung. Daher empfehlen wir die Verwendung von Space-Filling-Designs, insbesondere für gemischte DOEs, aber auch allgemeiner für andere DOE-Situationen. Außerdem haben wir SVEM beschrieben, das auf Autovalidierung und fraktional gewichtetem Bootstrapping basiert. |
| |
Und wir haben besprochen, wie SVEM prädiktive Modellierung für DOE-Daten ermöglicht, ohne dass wiederum ein separater Satz von Validierungsläufen erforderlich ist. |
| |
Und wir haben SVEM anhand der Daten des Harnstoffexperiments demonstriert. |
| |
Und ich möchte Sie darauf hinweisen, dass Sie beim Herunterladen der Folien eine ganze Reihe von Referenzen finden. Hier sind ein paar davon und noch ein paar mehr. Was ich daran besonders liebe, ist, dass |
| |
es reicht tatsächlich bis ins Jahr 1996 zurück. Das ist also etwas, das sich schon seit einiger Zeit zusammenbraut, und ich möchte Sie ermutigen, einen Blick auf diese Referenzen zu werfen. |
| |
Und damit beantworten wir Fragen. |
