| Oratore |
Trascrizione |
| Philip J. Ramsey |
Salve, sono Phil Ramsey dell'Università del New Hampshire e di Predictum. Insieme ai miei co-relatori Wayne Levin di Predictum e Marie Gaudard, |
| |
Professore emerito presso l'Università del New Hampshire e Predictum, terremo una conferenza sulla progettazione di miscele moderne. |
| |
E l'ordine del giorno della conferenza è che parleremo di apprendimento automatico e progettazione di esperimenti, introdurremo brevemente cosa sono i progetti di miscela, |
| |
parliamo di un nuovo metodo di apprendimento automatico per DOE denominato auto-validazione, che viene combinato con la modellazione di ensemble per creare qualcosa che chiamiamo metodologia di modellazione di ensemble auto-validante. |
| |
E poi parleremo di SVEM, che è un modello di ensemble auto-validante, e faremo una dimostrazione usando un esperimento di miscela e poi parleremo di |
| |
Il metodo SVEM e i progetti di riempimento dello spazio. Wayne Levin parlerà di un componente aggiuntivo sviluppato da Predictum per eseguire il metodo SVEM e farà anche la dimostrazione dell'esperimento sull'urea. |
| |
E voglio sottolineare che di recente, anzi solo quest'anno, ne abbiamo già avuti tre e presto saranno articoli pubblicati su riviste sull'argomento di |
| |
DOE e apprendimento automatico, quindi le persone hanno scoperto che i metodi di apprendimento automatico sono tradizionalmente applicati ai big data |
| |
Possono avere una grande applicabilità al DOE, e siamo certamente d'accordo. E mostreremo come possono essere utilizzati efficacemente con esperimenti di miscela. Ma uno dei limiti tradizionali nell'applicazione del cosiddetto apprendimento automatico |
| |
Per set di dati più piccoli come il DOE, si ritiene che fossero necessari set di dati molto grandi. In realtà, questo non è del tutto vero. |
| |
E come vedrete, il metodo SVEM è stato sviluppato da diverse persone, tra cui me e il dottor Chris Gotwalt di JMP, |
| |
in realtà rendiamo abbastanza fattibile l'applicazione di questi metodi tradizionali basati sui big data a dati molto più piccoli, come avviene con la progettazione degli esperimenti. |
| |
Inoltre, l'apprendimento automatico è in realtà tutto incentrato sulla previsione, quindi dividiamo la modellazione statistica in due approcci, uno è chiamato esplicativo, che è classico, e si concentra sui test delle ipotesi e sui valori P e sui parametri. |
| |
E questo di solito non porta a buoni modelli predittivi, mentre l'apprendimento automatico si concentra interamente sulla previsione. |
| |
Questo è il nostro punto di vista, ed è quello che useremo oggi e lo applicheremo agli esperimenti sulle miscele. Useremo l'apprendimento automatico. |
| |
Per la previsione. Il nostro obiettivo non è la spiegazione e, come vedrete, saremo in grado di applicare questi metodi di apprendimento automatico predittivo alla progettazione di esperimenti su piccola scala. |
| |
Insiemi di dati. Beh, tradizionalmente valutiamo i modelli predittivi utilizzando una porzione dei dati per l'addestramento, quindi la chiamiamo "set di addestramento", un metodo molto comune. |
| |
E poi abbiamo un altro set che in qualche modo abbiamo trattenuto. Ci sono diverse strategie. Parleremo solo di una, chiamata "trattenere". |
| |
Lo mettiamo da parte, adattiamo il modello al training set e poi il set di hold back, o set di validazione, ci permette di valutare la capacità predittiva. In altre parole, stiamo prevedendo dati che non vengono utilizzati per adattare il modello. |
| |
Tuttavia, questa strategia non funziona con la progettazione degli esperimenti. Sono molto efficienti e incentrati sulle informazioni, |
| |
e in genere non ci sono risorse o budget sufficienti per sviluppare set di convalida. Raramente è possibile effettuare ulteriori esecuzioni che potrebbero essere utilizzate per la convalida. |
| |
Quindi, questo potrebbe sembrare un ostacolo all'utilizzo dell'apprendimento automatico per la modellazione predittiva ma, come mostreremo, questo metodo SVEM ci consente di aggirare questo vincolo. |
| |
E prima di entrare nel dettaglio di SVEM, vorrei brevemente parlarvi dei mixed design. So che alcuni di voi li conoscono, altri no. |
| |
Si tratta di un tipo speciale di progettazione sperimentale. Non sono così comuni come dovrebbero, perché la gente non li conosce, ma si riferiscono alla sperimentazione con una formulazione o una ricetta, e i componenti di queste formulazioni possono essere letteralmente liquidi, gas o solidi. |
| |
Uno dei concetti importanti è che l'impatto sulle risposte dipende solo dalle proporzioni relative dei componenti. |
| |
Quindi siamo molto attenti alle proporzioni dei nostri componenti, come si farebbe, ad esempio, in una ricetta. Non ci concentriamo sulle quantità. Se la quantità totale presente fosse importante, si aprirebbe un altro tipo di esperimento chiamato "quantità di miscela", che esula dall'ambito odierno. |
| |
Ma poiché si tratta di componenti di una formulazione, esistono dei vincoli su questi fattori. In altre parole, l'importo totale deve essere vincolato; a volte ciò avviene naturalmente. |
| |
Ma anche le proporzioni devono essere vincolate. Quindi in un esperimento misto, a differenza di un esperimento fattoriale, non è possibile modificare in modo indipendente i fattori. |
| |
Quindi, nel DOE tradizionale, che molti conoscono, non ci sono vincoli sulle impostazioni congiunte dei fattori. In alcuni casi ci sono, ma in genere no. |
| |
D'altra parte, in un esperimento di miscela, poiché si tratta di ingredienti di una formulazione, la quantità totale deve essere pari a 1 o al 100%. Quindi, se avessi fattori Q, le impostazioni di quei fattori sperimentali Q per ogni prova devono essere pari a 1. Inoltre, |
| |
l'impostazione per ogni singolo componente deve essere compresa tra 0 e 1. Vorrei anche sottolineare, e non avremo tempo di discuterne oggi, |
| |
Una variante importante della progettazione delle miscele è quella degli esperimenti sui processi di miscelazione, in cui combiniamo i fattori della miscela con i fattori del processo. |
| |
Lo facciamo perché il comportamento delle miscele. Ad esempio, se pensiamo a un adesivo tricomponente, il suo comportamento cambia radicalmente a seconda delle condizioni di lavorazione. Quindi, potremmo considerare fattori come la pressione e la temperatura per la polimerizzazione di un adesivo e la temperatura ottimale. |
| |
La ricetta in genere cambia in funzione di questi fattori di processo. Questo argomento esula dall'argomento di oggi, ma è un aspetto importante delle miscele. |
| |
Quindi, storicamente, quando le persone analizzano le miscele e persino le creano...le creano, l'attenzione è rivolta agli obiettivi esplicativi, cioè, |
| |
test di ipotesi su parametri, valori P e intervalli di confidenza. Tuttavia, per le miscele in generale, questo è sempre stato problematico perché le miscele hanno intrinsecamente molti |
| |
multicolinearità o correlazione tra fattori ed effetti. Devono esserlo perché il totale... gli importi totali sono vincolati e la loro somma deve essere 1, quindi non possono essere indipendenti per impostazione predefinita. Tuttavia, |
| |
Non siamo d'accordo con questa visione tradizionale e, nonostante la nostra grande esperienza con gli esperimenti sulle miscele, l'obiettivo è invariabilmente, francamente, la previsione. |
| |
Non si tratta di una spiegazione. Stiamo cercando di prevedere le prestazioni di miscele o ricette, ed è questo che interessa a scienziati e ingegneri. |
| |
Quindi c'è stata una grande discrepanza tra ciò di cui hanno bisogno gli scienziati e il modo in cui abbiamo analizzato le miscele. Inoltre, molti dei progetti tradizionali sono quelli che chiameremmo progetti di punti di confine. |
| |
Se hai familiarità con il termine D ottimale, tendono ad essere molto D ottimale, cioè, |
| |
La maggior parte dei punti è assegnata ai confini, abbiamo poche informazioni interne. Ci sono pochissimi punti, a volte nessuno. |
| |
all'interno della zona di progettazione. Perché è importante? Beh, i sistemi di miscelazione, soprattutto nelle applicazioni chimiche e biologiche, |
| |
tendono ad essere molto complessi. Ci sono cinetiche molto complesse in atto e queste superfici di risposta hanno forme molto complesse. |
| |
E se non disponiamo di una buona quantità di informazioni sull'interno della regione di progettazione, allora molto probabilmente non riusciremo a elaborare modelli che rappresentino realmente il comportamento del sistema. |
| |
E questo è effettivamente accaduto piuttosto frequentemente nella storia dell'uso dei mixed design. Anche in questo caso, non avremo tempo di parlarne oggi, |
| |
un approccio classico all'analisi o alla modellazione in passato sono quelli che chiamo polinomi di Scheffe, |
| |
e questi sono un tipo di polinomio progettato per essere utilizzato con miscele. Ne esistono molte varianti, ma questi polinomi fittizi sono spesso, soprattutto nelle loro forme classiche, inadeguati a modellare queste superfici di risposta. |
| |
Quindi, come affrontiamo il problema? Beh, crediamo che l'approccio alla progettazione delle miscele debba essere basato sul concetto di riempimento dello spazio. |
| |
E perché progetti che riempiono lo spazio? Anche questo potrebbe essere un discorso a sé stante, ma si tratta di progetti creati per coprire al meglio uno spazio di progettazione, per un dato numero di punti di progettazione. |
| |
E il numero di punti di progettazione |
| |
sono un'opzione per l'utente. Questo può effettivamente consentirci di utilizzare design più piccoli, |
| |
progetti classici, che coprivano l'intera area di progettazione. Questo, di conseguenza, può fornirci modelli predittivi più accurati e utili. Disponiamo di informazioni migliori sull'intera area di progettazione. |
| |
Il nostro approccio alle miscele si basa interamente sull'uso di progetti di riprese spaziali, una tendenza che abbiamo notato nel settore negli ultimi anni. |
| |
Ora vorrei cambiare argomento e parlare di...beh, dato che abbiamo creato la miscela, l'abbiamo testata, come possiamo analizzarla? |
| |
E come ho detto prima, uno dei problemi dell'apprendimento automatico applicato al DOE è che non disponiamo di un vero e proprio set di convalida naturale. Beh, Gotwalt e Ramsey, ovvero io e il Dr. Chris Gotwalt, abbiamo proposto un metodo di convalida che abbiamo definito auto-validazione. |
| |
Il primo intervento su questo argomento è stato effettivamente tenuto in occasione di una conferenza della Discovery Europe qualche anno fa. |
| |
E questo non sembrerà intuitivo, ma ascoltatemi. Possiamo usare i dati originali, l'esperimento originale per l'addestramento e la convalida. In altre parole, prendiamo i dati originali e ne creiamo una copia o un clone, |
| |
e lo chiamiamo set di auto-validazione. Quindi ogni osservazione nel set di addestramento ha una gemella nel set di auto-validazione stesso. |
| |
Di per sé, questo sembrerebbe assurdo. Dato che il set di autovalidazione ha le stesse osservazioni del set di addestramento, come può questo fornire una valutazione indipendente della capacità predittiva? Beh, da solo non può. |
| |
La chiave dell'idea di auto-validazione è che applichiamo uno schema di ponderazione alle osservazioni e lo schema si basa sulla generazione di pesi da una distribuzione gamma. |
| |
A proposito, la distribuzione gamma è comunemente usata per la ponderazione nelle applicazioni statistiche. I pesi gamma hanno diverse... altre interessanti proprietà che non approfondiremo oggi. |
| |
Quello che facciamo è generare un insieme di pesi, ma lo facciamo in un modo speciale. Se un'osservazione nel training set ottiene un valore elevato, un peso elevato, |
| |
L'osservazione nel set di auto-validazione, il gemello, ha un peso basso. Perché lo facciamo? Questo porta ad una correlazione negativa tra i due set di dati. |
| |
In altre parole, stiamo cercando di decorrelare gli insiemi utilizzando uno schema di ponderazione, e negli ultimi anni sono state condotte numerose ricerche su questo argomento. Ciò indica che questo approccio è molto efficace. |
| |
E a breve uscirà un articolo in cui saranno resi disponibili tutti questi risultati. Quindi l'idea è di utilizzare questo schema di ponderazione, quindi prendiamo |
| |
set di addestramento, assegniamo i pesi gamma, abbiamo il set di auto-validazione e assegniamo i pesi corrispondenti a ciascuno dei gemelli, quindi se il set di addestramento ha un peso elevato, |
| |
Il gemello nel set di auto-validazione ottiene un peso basso, e questo determina questo comportamento anti-correlazione. Quindi ripetiamo semplicemente questa strategia per un numero di volte specificato dall'utente. Nella prossima diapositiva, mostro un esempio di un semplice esperimento. Abbiamo tre fattori. Nota: |
| |
Le serie 1-7 sono il training set, l'originale. Le serie 8-14 sono il clone o la copia. Si noti che le osservazioni hanno esattamente gli stessi valori per i due set e quindi si noti la colonna chiamata |
| |
Pesi FWB accoppiati. Spiegherò il concetto di FWB tra un attimo. |
| |
E notate che se un'osservazione, come l'osservazione 1, ha un peso elevato, la sua gemella, l'osservazione 8, ha un peso basso. Quindi l'osservazione 8 fa parte del set di convalida. |
| |
Quindi, questa idea di ponderazione frazionaria è importante, quindi l'analisi viene eseguita applicando i pesi frazionari alla risposta. Ripetiamo quindi questa strategia. |
| |
un certo numero di volte (il numero di volte dipenderà dall'utente e dallo scenario) e ogni volta adattiamo il modello. In altre parole, stiamo sostanzialmente adottando quello che chiamiamo bootstrapping a peso frazionario. |
| |
E cos'è il bootstrapping frazionario? È fondamentalmente una forma di bootstrapping, noto anche come bootstrapping generalizzato, |
| |
In cui non applichiamo il bootstrap alle osservazioni. Applichiamo il bootstrap ai pesi applicati alle osservazioni. Questa è una metodologia ben nota e la stiamo applicando. |
| |
La differenza è che noi lo applichiamo ripetutamente, come ho detto, centinaia di volte, migliaia di volte, dipende davvero dall'utente. |
| |
Ogni volta che adattiamo un modello, alla fine, quello che facciamo è calcolare una media o un insieme. E questi si chiamano... ed è da qui che deriva il termine |
| |
L'autovalidazione, o autovalidazione, è la modellazione d'insieme dell'autovalidazione. Stiamo prendendo delle medie. |
| |
e la modellazione d'insieme, tra l'altro, è molto comune nell'apprendimento automatico e nell'apprendimento profondo perché tende a portare a una modellazione predittiva più stabile e migliore. |
| |
Quindi, SVEM esegue il bootstrapping frazionario ponderato per generare una famiglia di modelli e poi utilizza la media del modello per arrivare al modello predittivo finale. |
| |
Quindi, come funziona il metodo? Beh, si sceglie un algoritmo per la modellazione predittiva. Nel nostro caso, ci concentreremo sulle reti neurali per |
| |
Progetti di miscele, ma è possibile scegliere altri metodi. SVEM è piuttosto agnostico riguardo all'algoritmo con cui viene utilizzato, ed è molto adattabile a molti algoritmi. Quindi creiamo il set di addestramento e di auto-validazione. Assegniamo i nostri pesi frazionari. |
| |
Quindi adattiamo il modello, lo eseguiamo un certo numero di volte, come definito dall'utente, e infine ne calcoliamo la media. Bene, a questo punto passo la parola al mio collega Wayne Levin, che ci darà una dimostrazione di SVEM e parlerà di un componente aggiuntivo per farlo. |
| Wayne |
Sto solo facendo il cambio qui |
| |
e condividere lo schermo. |
| |
Ora passo alla presentazione PowerPoint. |
| |
Grazie mille, Phil. Useremo questo esempio qui, questi dati sull'urea, quindi lo scopo dell'esperimento è ottimizzare una soluzione per un detergente. |
| |
E i tre componenti di questa miscela sono acqua, alcol e urea. E quindi queste sono queste tre colonne qui. E ci concentreremo solo su una risposta, che è la viscosità. L'obiettivo che stiamo cercando di raggiungere è 100, ma, come possiamo vedere qui sotto, |
| |
Vogliamo una viscosità compresa tra 95 e 105. Quindi, con questo, passerò a JMP. |
| |
Ok, ecco i nostri dati sull'urea. Li ho appena aperti qui e nota che ci sono solo 15 prove, quindi sto solo passando al passaggio successivo. E il passaggio successivo nel |
| |
Il processo consiste nel creare la tabella di convalida automatica, quindi quando clicco su di essa vedrete accadere un paio di cose. Innanzitutto, abbiamo una nuova tabella e abbiamo le prime 15 esecuzioni, che sono esattamente le stesse che avevamo qui. E poi, per ciascuna delle esecuzioni... quindi se mi concentro, ad esempio, su questa prima riga (52, 29, 19), |
| |
potete vedere che è ripetuto qui sotto, quindi 52, 29, 19. |
| |
E allo stesso modo la seconda riga sarà 57, 23, 19. Ovviamente non ripeterò tutto, ma credo che abbiate capito. Si tratta semplicemente di ripetere le combinazioni in questo... |
| |
nel secondo set qui sotto, e il primo set è quello di allenamento... quello che viene usato per l'allenamento e poi il secondo, come indicato qui, è quello che otteniamo per la convalida. Ora, nel mezzo c'è la colonna di ponderazione frazionaria accoppiata di cui parlava Phil. Quindi |
| |
tendiamo a vedere... quando tendiamo a vedere numeri alti quassù, otterremo numeri corrispondenti più bassi più in basso e questo segue molto da vicino... |
| |
Beh, la distribuzione gamma di cui parlava Phil. Quindi perché non la mostro? Traccio i pesi qui, giusto per... |
| |
posizionarlo sullo schermo. Quindi ogni volta che eseguiamo le iterazioni, otteniamo... aggiorniamo i pesi. Quindi date un'occhiata ai pesi qui e osservate |
| |
colonna qui, questa colonna qui. Quindi la eseguirò così potrete vedere. Quindi, ad ogni iterazione, otteniamo un nuovo set di |
| |
coppie frazionarie... con peso frazionario sia nel set di addestramento che in quello di convalida. Okay. Quindi ora andrò a |
| |
fare un modello di adattamento. Quindi farò, se vuoi, un'iterazione, potresti dire. |
| |
Quindi la viscosità è la risposta. Notate qui sotto che il ruolo della frequenza ha questo peso di bootstrapping frazionario... ponderato in modo frazionario, quindi è così che viene considerato nella modellazione. Ecco qua, se volete, un'iterazione. |
| |
ok, in base a questi pesi particolari. Bene, |
| |
Se vogliamo avere un modello d'insieme, dobbiamo farlo ripetutamente. Quindi quello che farò ora è eseguirlo con nuovi pesi e, se volete, |
| |
Tieni d'occhio... devi tenere d'occhio tre punti diversi contemporaneamente, il che potrebbe essere un po' impegnativo. Cercherò di posizionare queste cose, ok? |
| |
Quindi quello che succederà è che, quando clicco qui su Esegui con nuovi pesi, vedrai i pesi qui cambiare, verrà creato un modello e il modello predittivo verrà salvato |
| |
quassù. Ne farò uno qui. Proviamo. Bang, quindi ha cambiato il modo in cui è stato prodotto il modello. |
| |
Salva il modello qui. Questa colonna è stata aggiunta; questo è l'insieme di cui parlava Phil, questa è la media. Ovviamente ho fatto solo un'iterazione, quindi la media è solo |
| |
lo stesso. Quindi farò un'altra iterazione qui e otteniamo un nuovo set di pesi, un nuovo modello, e un nuovo modello è stato salvato, e ora il modello d'insieme qui è la media di questi due |
| |
qui. Quindi lo farò, oh, non so, ancora un paio di volte. Non è difficile, e possiamo vedere queste cose. |
| |
cambiano man mano che andiamo avanti. Quindi ne ho sei ora, quindi perché non diamo un'occhiata veloce a questi sei |
| |
modelli... modelli individuali, così come il modello medio, l'insieme, e questo è mostrato qui nel profiler. E questo mostra piuttosto l'instabilità che |
| |
Phil alludeva prima, perché se, se lo facessi solo una volta...ora so che c'è la ponderazione frazionaria che avviene qui, ma come ha detto Phil, sai, un movimento di qualsiasi punto che posso davvero |
| |
se vuoi, altera il modello e ti ritroverai con delle caratteristiche che in realtà non... |
| |
Forse non appartengono a quel posto. Sono solo artefatti di particolari punti di progettazione. Ma basta dare un'occhiata qui, per vedere come |
| |
ciascuno di questi singoli modelli sembra...beh, hanno alcune caratteristiche diverse. ma qui sotto, il modello medio è in un certo senso...beh, è la media di tutti i modelli sopra. |
| |
E potete più o meno vedere che quella grossa storta qui viene in qualche modo appianata. Ne vedete un pezzettino qui sotto. |
| |
Ora, questo avviene solo con sei iterazioni e con il componente aggiuntivo, consigliamo di farne effettivamente 50. |
| |
Ma quello che farò anch'io è guardare i risultati effettivi rispetto a quelli previsti. Questo è venuto fuori piuttosto... |
| |
abbastanza coerente. Le linee hanno tutte una pendenza di uno comunque. Spesso quando lo facciamo, vediamo più variazioni, ma quello che noterete nel |
| |
modello medio, è un po' difficile da vedere qui in questo particolare esempio, ma è una linea continua, che sostanzialmente attraversa la massa delle altre linee lì. Quindi le sposterò da parte e quello che farò dopo è |
| |
Farò un po' di prove qui. Credo che in questa dimostrazione faremo 25 iterazioni. Potete vedere il modello cambiare, potete vedere i pesi. |
| |
Cambiamo qui. Non c'è niente di nuovo da aggiungere. Quindi stiamo solo dando un'occhiata. Bang, è fatto e ora diamo un'occhiata al report. Quindi lo aprirò. |
| |
Inizialmente ci ritroviamo con un grafico effettivo rispetto a quello previsto qui e un grafico residuo. Potrebbe essere utile dare un'occhiata qui |
| |
profiler. |
| |
E adoro il profiler. È |
| |
molto adatto per le miscele, perché puoi vedere, man mano che cambiavo l'acqua, man mano che la aumentavo, gli altri due diminuivano. Questo è il |
| |
natura intrinseca delle miscele, ovviamente, devono tutte contenere o sommare a 1. Bene, quindi questo è, se vogliamo, il modello medio. |
| |
Il modello d'insieme dei 25 attacchi che hanno avuto luogo qui, va bene. Quindi, se posso, vorrei... |
| |
ora diamo un'occhiata veloce al profilo della miscela. |
| |
Abbiamo quest'aspetto quassù. |
| |
In realtà, se posso permettermi, quello che si può vedere da questo è... |
| |
Notate i punti. Vedete come si incastrano perfettamente? Questa è la natura del design che riempie lo spazio, e noterete anche che questo design presenta effettivamente dei vincoli. |
| |
Quindi non stiamo in alcun modo coprendo l'intero spazio di acqua 0-1 o urea 0-1, e così via, quindi abbiamo queste limitazioni qui. |
| |
E quello che farò ora è semplicemente inserire i limiti, così posso visualizzare... visualizzare quel 95-105. Quindi questo mi mostra nello spazio bianco proprio dove posso... |
| |
quali combinazioni, se vuoi, soddisfano quelle quelle quelle condizioni...i limiti delle specifiche qui sopra. |
| |
Ok, quindi questa è la dimostrazione di |
| |
del metodo SVEM, la metodologia, se vogliamo, e |
| |
Potrei... Lo farò e basta. |
| |
Quindi SVEM e progettazione del riempimento dello spazio. Quindi, ancora una volta, una delle principali motivazioni è che sono intrinsecamente instabili. |
| |
Quindi piccole variazioni nei dati possono portare a grandi cambiamenti nelle previsioni e un singolo modello predittivo, ovviamente, può risultare instabile. Sai, finisci per avere quei problemi e questo, sai, |
| |
di solito è piuttosto inquietante anche solo da guardare, perché spesso la cinetica non avviene in questo modo. |
| |
Abbiamo quindi bisogno di stabilità e l'insieme di più modelli, basati sul bootstrapping frazionario ponderato, ci fornisce ciò. |
| |
L'altra... l'altra cosa importante è la multicolinearità intrinsecamente presente in queste... in queste situazioni. Le miscele sono sistemi complessi. |
| |
Non sono la somma del comportamento dei componenti. Sono in realtà il prodotto delle interazioni, ed è per questo che, ancora una volta, adoro il profiler perché descrive |
| |
Queste interazioni sono splendide. Queste dinamiche risultano davvero piacevoli. Quindi, grazie a tutta questa multicolinearità, in un certo senso la mitiga e fornisce modelli predittivi stabili e più accurati. Lo stiamo eseguendo ora... |
| |
in realtà risale a qualche anno fa ma |
| |
Da quando abbiamo creato il componente aggiuntivo SVEM, di cui parlerò tra un attimo, lo abbiamo eseguito numerose volte, dall'inizio di quest'anno, e ha fatto davvero un ottimo lavoro. |
| |
I nostri clienti ne sono molto soddisfatti. Quindi, come ho detto, la media del modello con SVEM non è automatizzata né con JMP Standard né con JMP Pro, ma abbiamo un componente aggiuntivo e visitando il nostro sito web Predictum.com potete saperne di più e scoprire come ottenerlo. |
| |
Quindi sì, c'è una pagina specifica su SVEM. Abbiamo anche un corso di progettazione di miscele moderne e, come puoi vedere, è con Marie, Phil e me. |
| |
Potete trovarlo nella pagina dedicata alla formazione sul sito di Predictum. Trattiamo una sezione sui classici progetti di miscele, ma da due terzi a tre quarti del corso è dedicato a SVEM. |
| |
E questo è disponibile, il componente aggiuntivo SVEM è incluso nel corso. Quindi, in questa presentazione abbiamo visto come costruire un modello predittivo a partire dai dati sia... |
| |
I dati sono limitati dalla fattibilità di condurre prove di convalida per controllare il sovraadattamento. Sai, in un esperimento con disegno classico, semplicemente non abbiamo le prove necessarie |
| |
sia per l'addestramento che per la convalida, quindi suggeriamo di utilizzare progetti di riempimento dello spazio, soprattutto per i DOE misti, ma in realtà anche per altre situazioni DOE. Abbiamo descritto il metodo SVEM, basato sull'auto-validazione e sul bootstrapping con peso frazionario. |
| |
E abbiamo discusso di come SVEM consenta la modellazione predittiva dei dati DOE senza, ancora una volta, un set separato di esecuzioni di convalida. |
| |
Abbiamo dimostrato l'SVEM utilizzando i dati dell'esperimento sull'urea. |
| |
E voglio che tu sappia che se scarichi le slide, troverai un sacco di riferimenti. Quindi eccone alcuni qui e altri ancora, e una delle cose che adoro è che |
| |
in realtà risale addirittura al 1996. Si tratta quindi di qualcosa che stava fermentando da un po' di tempo e vi invito a dare un'occhiata a questi riferimenti. |
| |
E con questo risponderemo alle domande. |
