你好， 每個人， 和 歡迎 到 跳轉 發現。
安德魯 卡爾 和 希斯 衝啊。
I 有 a 推介會 今天 那是 去 到 強調
一些 的 這 特徵 在 跳轉 17 贊成 將要 幫助 你 出去
在 這 世界 的 混合物 模型。
許多 的 你 是 涉及 在 配方，
和 到 是 誠實的， 那是 什麼 我們已經 到過 正在做 a 很多 最近。
是 a 很多 喜歡 救護車 追逐者， 在哪裡 出色地 只是 去 後
這 最新的 事物 顧客 是 有興趣的 在。
但 那是 什麼 是 看到 a 很多 最近， 是 鄉親們 那 是 正在做 混合物 模型
那 是 實際上 相當 複雜的 和 更多的 所以 比 我們會 曾經 知道。
我們 只是 決定 我們 會 做 一些 更深 調查
和 一些 的 這 新的 過時的技術，
和 那 跳轉 17 執行 為了 我們。
安德魯， 會 你 喜歡 到 得到 開始 和 或許 給 a 小的 位元 的 背景
在 這 所有的 主意 的 什麼 a 混合物 模型 是，
和 一些 的 這 其他 技術？
好的， 所以讓我們 開始 出去 和 a 好的， 簡單的 圖形。
讓我們 拿 a 看 超過 這裡 在 這 陰謀 在 這 左邊。
是 在 一個 實驗 環境，
所以現在 I 認為 我們已經 得到 二 因素，
成分 A 和 成分 B, 和 他們 範圍 從 0-1。
如果 有 不 混合物 約束， 然後 一切 在 這 黑色的 方塊
是 a 可行的 觀點 在 這 因素 空間，
所以 我們的 設計 常規 是 去 到 給 我們 點 某處 在 這 空間。
然而， 如果 有 a 混合物 約束
在哪裡 這些 有 到 添加 向上 到 一， 然後 僅有的 這 紅色的 線 是 可行的。
我們 想 到 得到 a 有條件的 最佳
給定 那 約束， 和 我們 想 到 結尾 向上
某處 在 那 線 為了 兩個都 我們的 設計 和 我們的 分析。
如果 我們 移動 向上 到 三 混合物 原料，
一個， B 和 C, 全部 有能力的 到 各不相同 從 0-1，
然後 我們 得到 a 立方體 為了 那 0-1 約束 為了 每個 的 他們。
但 和 這 混合物 約束， 那 需要 這 形式 的 a 飛機
相交 a 立方體， 和 那 給出 我們 這 三角形，
所以 僅有的 這 紅色的 三角形 是 相關的 出去 的 那 全部的 空間。
如果 我們 有 四 方面， 如果 我們 有 四 混合物 因素，
然後 那 允許 因素 空間 是 實際上 a 三- 維度 子集，
a 金字塔 之內 那裡。
尋找 後退 到 這 三- 混合物 環境。
看 這 三角形？ 那是 這 允許 地區。
出色地， 那是 為什麼 跳轉 給出 我們 這些 三元 地塊。
對於這些三元圖，
什麼 跳轉 將要 做 是， 如果 你 有 更多的 比 三 混合物 因素，
是 你會 有 二 因素 顯示 在 a 時間，
和 這 第三 軸 將要 是 這 和 的 全部 這 其他 混合物 因素。
我們 能 看 在 這些 三元圖， 相當 比 擁有 到 有 a 金字塔
那 是 尋找 自始至終。
我們 有 到 決定， 我們 想 a 空間填充設計
或者 一個 最佳的 設計？
現在， 通常情況下 在 a 非混合 環境， 我們會 通常情況下 使用 一個 最佳的 設計，
和 為了 這 最多 部分， 我們 不會 考慮 a 空間填充設計。
有 a 很少 原因 那 我們 想 到 考慮
a 空間填充設計 在 混合物 設定.
常 在 這 配方 世界， 如果 你 去 也 遠的，
有 a 小的 位元 更多的 敏感度 到 去 也 遠的 在 你的 因素 空間，
製作 它 也 寬的， 然後 你的 全部的 流程 失敗。
S 假設 那 發生 超過 這裡 在哪裡 X2 是。
認為 它 失敗 一切 以下 0.1。
你是 去 到 失去 a 好的 區塊 你的跑步 因為 這 最佳的 設計
傾向於 放 最多 的 你的 運行 在 這 邊界 的 這 因素 空間，
所以 你是 去 到 失去 這些。
你是 不是 去 到 是 能夠運行 你的 滿的 模型
和 這 其餘的 點， 和 你是 不是 去 到 有
任何 好的 資訊 關於 在哪裡 那 失敗 邊界 是。
為了 這 空間填充設計， 如果 你 有 一些 種類 的 失敗
低於0.1， 你是 失敗 a 更小 數位 的 點。
你的 其餘的 點 仍然 給 你 a 空間填充設計
在 這 現存的 空間 那 你 能 使用 到 合身 這 模型 效果，
現在 是 去 到 是 有能力的 到 模型 那 失敗 邊界。
也 在 這 混合物 世界， 我們 常 看 更高 命令 效果 積極的：
交互作用 或者 曲率， 多項式，
比 我們 可能 看 在 這 非 混合物 環境。
如果 我們 不 指定 那些， 因為 任何 的 這些 模型 是 最佳的，
有條件的 在 這 目標 模型 我們 給， 所以 如果 我們 不 指定 一個 影響 操作員
為了 這 最佳的 模型， 我們 可能 不是 是 有能力的 到 合身 它
後 這 事實， 因為 他們 可能 是 別名
和 其他 效果 那 我們 有。
這些 空間填充 運行 行為 作為 a 抓住- 全部 的 可能的 跑步，
所以 有 a 夫妻 的 原因
那 我們 可能 想 到 考慮 空間 填充 跑步，
但 我們 想 到 拿 a 看 分析地。
什麼是 這 不同之處 在 表現 之間 這些，
後 我們 跑步 透過 模型 減少， 不是 只是 在 這 滿的 模型，
因為 是 不是 只是要 是 使用 這 滿的 模型。
那是 這 設計 階段 問題。
什麼時候 我們 到達 這 分析，
每當 你是 尋找 在 這些 混合物 實驗 在 跳轉，
跳轉 自動地 轉彎 離開 這 截距 為了 你，
因為 如果 你 想 適應 滿的 模型
和 全部 的 你的 混合 保持 效果， 你 不能 包括 這 截距。
你會 得到 這 警告
因為 這 混合物- 製成 效果 是 受限 到 一，
和 他們 添加 向上 對什麼 這 截距 是， 所以 他們是 別名。
也, 如果 我們 想 到 看 在 更高 命令 效果，
我們 不能 是 喜歡 a 回覆 表面 在哪裡 我們 有 純的 二次函數 條款。
我們 有 到 看 在 這些 廚師 立方體 條款
因為 如果 我們 嘗試 到 看 在 這 交互作用
加 這 純的 二次函數 條款， 然後 我們 得到 其他 奇點。
那些 是 a 夫妻 的 皺紋 在 這 分析。
然而， 去 向前 和 這 模型 選擇 方法，
向前 選擇 或者 套索， 哪個 是 這 根據 方法
的 這 一切 方法 是 去 到 是 尋找 在，
我們 想 到 考慮 有時 轉動 離開 這 預設 '不 截距' 選項。
什麼 我們 尋找 是 為了 這 套索方法 我們 實際上 有 到 做那件事
在 命令 到 得到 合理的 結果。
後 我們 合身 我們的 模型， 現在 我們 想 到 做 模型 減少
到 踢 出去 無關 因素。
我們 得到 a 夫妻 的 不同的 方法 的 正在做 那 在 根據 跳轉 .
大概 什麼 人們 做 最多 頻繁地 是 他們 使用 這 影響 概括
到 去 向後 在 這 對 價值觀， 和 踢 出去 這 小的 對 值。
但 這 是 漂亮的 不穩定 因為 的 這 多重共線性
從 這 混合物 約束， 在哪裡 踢 出去 一 影響
能 急劇地 改變 這 p 值 的 這 其餘的 效果 在 這 設計。
什麼 這 陰謀 節目 是 如果 我們 去 向後 在 對 價值觀，
什麼 是 這 最大的 p 值 那是 踢 出去
和 我們 看 有些跳來跳去 這裡 和 那是 從 那 影響。
鑑於 那 種類 的 揮發性 在 這 配件 過程，
你 能 想像 如果 你 有 小的 變化
在 你的 觀察到 回覆 或許 甚至 從 測定 可變性，
或者 任何 其他 可變性， 只是 小的 變化 能 帶領
到 大的 變化 在 這 減少 模型
那 是 呈現 作為 a 結果 的 這 過程。
那 高的 模型 變異性 是 某物 那會 是 好的
如果 我們 可以 平均的 超過 在 一些 方式， 在 這 相同的 方式 那 或許
和 引導程式 為了 東方 我們 平均的 超過 這 變異性
的 這 大車 方法 或者 這 分割 方法
和 那是 什麼 這 一切 方法 會 是 尋找 在 正在做。
在 這 鬆動的 感覺， 他們是 種類 的 這 類似地，
為了 這 線性 方法 是 尋找 在。
也 我們 能 前往 步 明智的 和 看 在 最低 AICc，
哪個 是 或許 這 首選 方法。
在我們的 最後的 滑動 節目 今天 出色地 是 服用 a 看 在，
為了 這 根據 跳轉 用戶， 人工智慧 相對 B 我知道了 相對 p 值 選擇
和 我們的 模擬 診斷。
給 信用 到 a 很多 的 這 現存的 工作 和 領導 向上 到 這 一切 方法。
這些 是 一些 偉大的 參考 那 我們已經 用過的 超過 這 年。
也 想 到 感謝 克里斯 歌德瓦爾特 為了 他的 耐心 和 回答 問題
和 分享 資訊 作為 他們已經 發現 事物 沿著 這 方式。
這真的 幫助 放 我們 向上 到 是 有能力的 到 放 這 到 好的 影響 在 實踐。
請講 的 在 實踐， 在哪裡 有 我們 到過 使用 這 相當 a 位元
超過 這 年 是 這 環境 的 液體 奈米粒子 配方 最佳化.
什麼 是 脂質 奈米粒子 配方？ 那麼，脂質奈米顆粒，
如果 你已經 得到 任何 信使RNA 冠狀病毒 疫苗 輝瑞公司， 現代的， 然後 你已經 得到 這些。
什麼 這些 做 是 你 拿 a 混合物 的 四 不同的 脂質， 總結 這裡，
和 他們 形式 這些 小的 小小的 氣泡。
然後 那些 是 電 帶電，
然後 他們 攜帶 沿著 和 他們 a 遺傳 有效載荷，
mRNA， 脫氧核糖核酸， 或者 其他 有效載荷 那 任何一個 充當 疫苗
或者 能 目標 癌症 細胞。
這 電的 收費 之間 這 遺傳 有效載荷，
進而 這 對面的 收費 在 這 奈米粒子 是 什麼 結合在一起。
然後 我們 想要它 到 得到 透過 這 細胞 和 然後 發布 這 有效載荷 裡面。
這 配方 變化 取決於 在 什麼 這 有效載荷 是。
A 伊索 有時 我們 可能 改變 這 類型 的 可電離 脂質，
或者 這 類型 的 他 爾珀 脂質 到 看 哪個 一 做 更好的，
所以 我們 有 到 重做 這 流程 超過 和 超過。
為了 這 最多 部分， 這 科學家 有 成立 那 這些
範圍 的 或許 10-60% 這 脂質 設定
進而 a 更窄 範圍 的 1-5%。
那是 為了 這 最多 部分 這 可行的 範圍 為了 這 過程。
那是 到過 探索 出去， 和 那是 什麼 這 幾何學
我們 想 到 匹配 這裡 在 我們的 應用 是。
我們 想 到 假設 結構 是 正在做 一遍又一遍，
我們 有 一個 理想的 分析 和 設計 方法 為了 那？
A 伊索 我們 想 到 放 向上 a 模擬 那 如果 是 尋找 在 其他 結構，
其他 幾何圖形 為了 這 因素 空間， 或許 我們 能 概括 到 那，
但 那是 去 到 是 我們的 重點 為了 正確的 現在。
鑑於 那 背景，
我是 去 到 讓 吉姆 現在 總結 這 一切 方法 和 演講 關於 那。
是的， 感謝 你。
這 特別的 發現 推介會，
什麼 是 去 到 做的是 a 小的 更居中一點 在 微軟幻燈片軟體，
很遺憾， 因為 這 結果 是 真的 什麼 這 是 全部 關於
為了 這 模擬 那 我們已經 完畢。
但 這 特別的 會議， I 將要 展示 你 一些 的 這 跳轉 17
那 我們 有 新的 能力。
如果 I 去 和 I 想 到 放 向上 a 空間填滿設計...
現在， 之前 我們 不是 能夠做到 混合物 模型 和 空間填充設計
從 出去 的 這 盒子， 如果 你 將要。
我們 當然 可以 放 約束 在 那裡，
但 現在 什麼 我們 想 到 做 是 展示 你 如何 你 能 做
a 太空F 填充 設計 和 這些 混合物 因素。
這 是 新的 那 I 現在 有 這些 來 在 作為 混合物，
哪個 是 好的 因為 它 現在 攜帶
全部 的 那些 柱子 特性 和 它 作為 出色地。
一 事物 值得 提及 正確的 現在是
這 預設 是 你是 去 到 得到 10 運行 每 因素，
所以 40 運行 在 a 美國能源部 通常 是 好的
和 我們 是 高興因為 我們的 權力是 出色地 多於 90%
或者 任何 我們的 標準 是。
但 那是 不是 這 案件 [聽不清楚 00:09:54] 這些 混合物 模型
因為 有 所以 許多 約束 固有 在 它。
什麼 那 是 告訴 我， 很遺憾， 是 甚至 如果 I 是 到 有 40 跑步，
ID 仍然 僅有的 有 5% 力量 從 正在做 廚師 立方體
和 甚至 如果 它是 主效應 僅有的， 有 僅有的 20% 力量。
力量 現在 是 不是 真的 a 設計 標準 那 是 去 到 看 到
什麼時候 我們 做 這些 混合物 模型。
現在， 通常 在 我們的 應用程式,
很遺憾， 我們 不 有 這 奢華 的 擁有 40 運行。
在 這 案件 出色地 做 12 運行 和 看 如何 那 來 出去。
出色地 去 前方 和 製作 那個空間 填充 設計，
和 你可以看到它 或許 均勻地 傳播 自始至終 這 表面。
的 課程， 我們 做 知道 是 有界 和 一些 的 這些 夥計們 這裡
那 我們 只能去 從 1 -5% 在 這 聚乙烯 乙二醇。
什麼 I 想 到 現在就做 是 只是 去 到 快速地 向前。
現在 讓我們 說 我已經 跑步 這 設計 和 我是 準備好 到 做 這 分析。
這 是 在哪裡 一切 是 真的 製成 巨大的 進展
和 如果 你 聽 到 一些 的 克里斯 和 菲爾 拉姆齊的 工作
出去 那裡 在 跳轉 社區， 你會 看 這 是 a 步 改變。
這 是 a 遊戲 改變 在 條款 的 你的 分析 能力。
如何 會 我們 做 這 在 16？
在 跳轉 16 什麼 我們會 有 到 做 是 我們會 有 到 來 通過，
事實上 它是 值得 去 透過 步 只是 因為 它 給出 你
a 小的 位元 的 洞察力， 儘管 這 基本的 使命
的 這 簡報 或者 這 演講 是 不是 一切，
它 將要 給 我們 一個 主意 的 什麼是 去 在。
什麼 我們 能 做 這裡 是 我們 能 去 前方 和 出色地 製作 這 汽車 驗證 桌子。
這 是 這 跳轉 16 方法論。
什麼 你會 筆記 這裡 是 我們已經 走了 從 12 運行 到 24.
我們 只是 加倍 他們 和 你 看 這 驗證 放。
這 訓練 可能 是 前 12 個，驗證 這 下一個 12.
那是 什麼是 額外 和 然後 我們 有 這 重量。
這 是 這 引導程式 重量 和 它是 分數地 加權。
什麼 發生 是 我們 將要 去 前方 和 跑步 這 模型
和 來 向上 和 a 預測 價值，
但 然後 我們 需要 到 改變 這些 重量 和 然後 保持 正在做 這 超過 和 超過
為了 我們的 Bootstrap，就像 a 隨機的 森林， 主意 為了 這 一切。
現在 什麼 是 有用 是 到 種類 的 拿 a 快的 看。
什麼 是 這 幾何學 的 這些 重量？
我們 能 看 他們是 反對- 相關的，
意思是如果在 這 訓練 放 我 低的，
我是 大概 去 到 是 高的 在 這 驗證 放。
這 是 種類 的 a 快的 小的 視覺的 的 那 關係。
現在 我是 準備好 到 去 做 我的 分析 在 跳轉 16.
它 會 是 分析 和 我們會 只是 做 我們的 合身 模型。
的 課程， 我們 想 a 廣義的 回歸
和 出色地 去 透過 和 做 a 廚師 立方體 這裡，
因為 它是 a 混合物。
但 這是 在哪裡 我們 有 到 添加 在 這 步，
我們 放 這 驗證集 作為 你的 驗證 柱子
和 然後 這 驗證 重量 是 去 到 是 那 頻率。
現在 I 能 跑步 這。
經過 這 方式 我們 可以，
在 許多 的 我們的 實例 是 不是 普通的， 是 紀錄 普通的，
我們 可以 放 那 在 正確的 那裡。
這裡 我們 有 我們的 廣義的 回歸 能力
到 去 前方 和 跑步 這 模型 和 瞧， 那裡 是 這 估計。
什麼 我們 會 做 那我們來這裡 在下面 這 節省 這 預言 公式。
然後 這裡 是 一 跑步。
好的， 所以 我們 得到 一 跑步。
你 能 看 那 這 頂部 是 15.17， 和 我們 實際上 鋸 15.23，
所以 不是 壞的 在 這 模型，
但 我們 會 做 這 超過 和 超過。
我們 用過的 到 做 它 關於 50 次 或者 所以。
但 和 跳轉 17， 現在 這 所有的 流程 是 自動化 到 我們。
我們 不 有 到 做 這 50 次 和 然後 拿 這 平均的
的 這些 預言 公式。
是 有能力的 到 去 直接地 在 它。
如果 I 來 後退 到 我的 原來的 設計 這裡 和 這 回覆,
I 能 得到 正確的 在 它。
經過 這 方式， 這 是 表明 I 有 其他 約束 放 在 這裡。
A 很多 的 次 我們 有 這 化學家 和 生物化學家 喜歡 到 看 那
到 製作 當然 那 這 比率基於 分子 重量 是 之內 原因。
不是 僅有的 做 我們 有 這 混合物 約束，
我們 也 有 a 很多 的 其他 限制。
我是 在職的 和 a 組在哪裡 我們 有 或許 15 不同的 原料
和 大概 三十 約束 在 添加 到 這 混合物 約束，
所以 這些 方法 工作 並擴大規模，
大概 是 這 最好的 方式 到 說 它， 漂亮的 出色地。
現在 這 是 17， 所以 17 I 能 得到 正確的 在 它。
我是 去 到 去 前方 進入 合身 模型， 和 患病的 去 前方 和 做 a Scheffé Cubic。
從 這裡， 什麼 是 有能力的 到 做 來了 進入 a 廣義的 回歸。
在 這 案件， 我們 不 需要 到 擔心 關於 這些 夥計們 在 這裡。
我們 能 改變 它 到 對數常態 如果 我們 所以 慾望。
一 的 我的 選擇 在 這 估計
反而 的 向前 是 在 事實 一切 向前，
所以 I 做 一切 向前 和 我是 去 到 去 做 200.
你會 看看有多快 他們 有 這 調好。
真的 僅有的 事物 你 能 做 在 先進的 控制項
是 查看 無論 或者 不是 你 想 到 力量 a 學期 在。
I 打 去 和 瞬間 我已經 完畢 200 引導程式 樣品 為了 這 問題。
的 課程， I 現在 能 看 在 這 分析器
和 那 是 這 平均的 的 這 200 運行。
那是 種類 的 我的 結尾 模型， 如果 你 將要。
的 課程， 和 預言 分析器，
那裡 有數百 的 事物 你 能 從這裡開始
和 安德魯 將會觸及 在 a 夫妻 更多的 的 那些。
但 二 其他 事物 值得 注意到 這裡，
患病的 節省 這 預言 公式 作為 出色地 和 拿 a 看 在 那 傢伙。
什麼時候 I 看 在 這 預言 公式，
患病的 筆記 那 它 是 在 事實 已經 平均 出去 為了 我 這裡。
這 是 平均值 200 不同的 樣品 那 是 出去 那裡。
和 那， 那 是 這 演示，
和 出色地 去 後退 到 尋找 在 這 圖表 那裡 到 說，
「嗯，什麼 是 它 那 是 看到 在 條款 的 這 結果 的 全部？ 」
安德魯， 如果 你 想 到 拉 向上 那 滑動。
這 是 或許 a 快的 視覺的。
你 能 看 那 如果 I 看 在 那些 第一的 三，
在 這 案件， 紅色的 是 壞的。
什麼 是 尋找 在 這裡 是 這 名義上的 覆蓋範圍。
這 是 a 混合物 模型
在 這 預測最優值 點 的 表現。
我們 能 看 那 這 標準 步 明智的 夥計們 是 不是 正在做 也 出色地。
那是 這 落後 和 向前 AIC。
這 是 這 覆蓋範圍 率。
我們會 喜歡 它 到 是 a 名義上的 5% 錯誤 那 我們 不 實際上 看
這 真的 回覆 在 這 預言 或者 實際上 這 信心 間隔。
在 其他 字， 什麼時候 我們 看起來 在 這 輪廓
那 我們 只是 鋸，它給了我們 a 預言 或者 信心 間隔
曾是 這 真的 價值，
哪個 我們 知道 因為 是 玩 這 模擬 遊戲， 正確的？
我們 知道 什麼 這 真的 價值 是， 什麼 百分比 的 時間 曾是 那 在 那裡？
我們 能 看 那 我們 不 做 作為 出色地 和 我們的 古典 方法。
這 滿的 模型， 放置 全部 這 條款中，
套索 做 漂亮的 出色地 在 a 10% 速度 或者 所以，
但 它是 不是 直到 我們 得到 SVEM 方法 這裡 那 我們 開始 看到
那 是 確實 捕獲 和 得到 好的 覆蓋範圍。
A 好的 或許 圖片 到 保持 在 你的 頭腦，
那 我們 是 方式 表現優異 一些 的 這 其他 方法 出去 那裡
什麼時候 它 來 到 這 能力。
現在， 在 條款 的 如何 這 模擬，
什麼 是 聚焦 在 這裡 是 a 小的 位元 不同的 比 什麼 你 可能 想想，
在 條款 的 a 模擬 在哪裡 我們正在尋找 在 a 模型 和 說，
「如何 出色地 做過 我們 做 和 這 特別的 方法？ 」
我們 可以 措施 那 經過 如何 這 實際的 相對 這 預測 是
和 然後 我們會 得到 某種 a 意思是 平方 錯誤。
我們 做 追蹤 那 價值，
但 我們 尋找 在 我們的 工作， 是 很多 更多的 擔心的 關於 發現
那 最佳的 混合物， 如果 你 將要， 和 這 最佳的 設定 那 達到 我們
a 最大限度 效力 或者 盡量減少一些副作用
或者 幫助 我們 和 這 [聽不清楚 00:18:58]
那是 去 到 是 被稱為 “百分比 的 最大限度” 那 是 尋找 為了。
是 去 到 使用 那 作為 我們的 基本的 回覆 這裡
在 條款 的 存在 有能力的 到 評價 哪個 方法 跑贏大盤 其他的。
它是 不是 真的 去 到 是，
如何 遠的 離開 是 I 從 這 地點 的 這 最佳的 價值？
它是 如何 遠的 是那個 回應 I 預測 作為最優
如何 遠的 是 那 從 這 實際的 最佳？
那是 去 到 是 我們的 措施 的 成功。
這 方式 這 將要 工作 是 患病的 是 詢問 安德魯 a 很少 想法 這裡
在 條款 的 什麼 通常 來 向上 在 實踐。
I 鋸 這 幾何學 他展示了 我 早期的 在
和 這 最佳的 設計 曾是 總是 打 這 邊界。
什麼 如果 I 喜歡 事物 那 我們 稱呼 更多的 混合， 正確的？
你 有 更多的 混合 東西 在 這 中間，
空間填充， 哪個 是 更好的。
如果 I 做 使用 一個 最佳的 設計，
它 預設值 到 D 或許， 但 什麼 關於 I 和 一個？
然後 如何 關於 這 年齡- 老的 美國能源部 添加 中心點？
是 那 聰明的？ 或者 是 一 中心點？
或者 如何 關於 複製？
我們 已經 討論 如何 是 不是 存在 有幫助的，
所以 什麼 是 a 有幫助的 措施 的 a 好的 設計？
那是 這 設計 片， 但 也 這 分析 一塊是，
是 那裡 a 特別的 方法 那 表現優異 每個人，
或者 是 那裡 肯定 區域 那 我們 應該 重點 在
使用 套索 和 其他的，
那 我們 應該 只是 使用 SVEMs 為了 選擇？
這些 是 實際的 問題 那 來 向上 從 全部 的 我們的 顧客，
和 我們會 喜歡 到 分享 和 你
一些 的 這 結果 那 我們 得到 從 這 模擬。
安德魯， 你 想 到 給 我們
a 小的 位元 更多的 洞察力 進入 我們的 模擬 過程？
是的， 謝謝， 吉姆。
前 I 做 那，
I 只是 想 到 觀點 出去 一 工具
那 我們已經 製成 重的 使用 的 在 這 分析 的 我們的 結果，
和 很遺憾， 我們 不 有 時間 到 深入研究 進入 這 演示，
但 它 有 到過 所以 有用的是， 之內 這 分析器
到 看 在 這 輸出 隨機的 桌子 為了 這些 混合物 設計
和 到 看 在 這 回應 尤其，
我們 頻繁地 有 效力 邊 效果。
我們 有 多種的 回覆
我們想要 平衡 那 出去 和 這 可取性 功能，
和 然後 是 去 到 看 在 這 個人 回應 他們自己。
什麼時候 我們 輸出 a 隨機的 桌子， 我們 得到 a 空間 填充 設計，
基本上 不是 a 設計， 但 我們 充滿 向上 這 全部的 因素 空間，
和 是 有能力的 到 看 在 這 邊緣 影響
的 每個 的 這 因素 超過 這 全部的 因素 空間。
為了 例子， 為了 這 電離 脂質 類型，
什麼 出色地 頻繁地 看 是， 我們 能 看 那 或許 一 有
a 降低 邊緣 行為 超過 這 全部的 空間。
但 自從 是 想要 到 最佳化,
我們 關心 關於 什麼 這 最大限度 的 每個 的 這些 是，
和 一 的 這些 將要 清楚地 是 更好的 或者 更糟。
是 尋找 在 這 減少 模型。
後 他 適合 他們， 出色地 去 到 這 分析器 和 做 這。
我們 能 仍然 得到 這 分析 最佳 從 分析器，
但 在 添加 到 那，
這 給出 我們 更多的 資訊 外部 的 只是 那 最佳。
什麼 我們 可能 做 這裡 是 為了 候選人 跑步，
因為 我們 總是 跑步 我們的 確認 運行
後 這些 配方 和 最佳化 問題
是 我們 可能 跑步 這 全球的 最佳 這裡 為了 H 102，
我們 可能 挑選 出去 這 有條件的 最佳 為了 H 101
和 看 哪個 一 做 更好的 在 實踐。
也, 尋找 在 這 三元 情節，
如果 我們 顏色 那些 經過 可取性 或者 經過 這 回覆,
我們 能 看 這 更多的 或者 較少的 理想的 區域
的 那 混合物 空間，
所以 那 能 幫助 我們 作為 我們 任何一個 增強 這 設計
或者 任何一個 包括 額外的 區域 在 這 因素 空間，
或者 到 排除 區域。
I 不能 做 很多 更多的 和 那 正確的 現在，
但 I 通緝 到 觀點 那 出去
因為 那是 a 非常 重要的 部分 的 我們的 分析 過程。
如何 做 我們 評價 一些 的 這些 選項
之內 這 類型 的 幾何學 的 a 因素 空間？
我們 建造 a 模擬 腳本 那 我們 有 共享 在 這 跳轉 網站，
和 它 允許 我們 到 插頭 和 玩 為了 不同的 樣本 尺寸 在 全部的，
如何 許多 運行 在 這 設計？
我們 有 a 真的 形式 選擇
那 給出 我們 這 真的 產生 功能 在後面 這 過程，
a 設計 類型， 任何一個 空間 填充 或者 最佳的。
這 最佳的 設計 現在 是 去 到 是 的 a 肯定 最低限度 尺寸
基於 在 這 數位 的 效果 那 是 定位。
做 我們 有 a 第二 -命令 模型， a 第三 -命令 模型，
a Scheffé Cubic 模型？
什麼 做 我們 有？
通常情況下， 每當 你 建造 a 模型 和 風俗 設計 在 跳轉，
它 寫道 a 模型 腳本 出去 到 你的 桌子 和 然後 你 使用 那 到 分析 它。
出色地， 某物 我們已經 探索 是 允許 a 更富有 模型
比 什麼 我們 得到， 什麼 我們 目標，
和 是 我們 有能力的 到 使用 這些 方法 和 一切
和 得到 額外的 改進 結果，
甚至 儘管 我們 沒有 起初 目標 那些 效果 在 這 設計？
這 短的 回答 那裡 是 是的。
那是 某物 別的 我們 想 到 考慮，
所以 我們 允許 我們自己 和 這 有效的 選擇
到 包括 額外的 效果。
我們 能 看 在 這 影響 的 添加 重複 或者 中心點
和 那 風俗 醉酒駕駛 對話 到 執行 那些。
如何 做 那 影響 我們的 回覆?
因為 任何 的 這 摘要 那 你 得到 出去 的 這 設計
和 出去 設計 診斷 是 開始 目標 這 滿的 模型，
任何一個 和 尊重 到 預言 變體，
D-最優，你正在看 標準 錯誤 為了 這 參數。
但 什麼 我們 真的 關心 關於 是 如何 好的 是 這 最佳
那 是 得到 出去 的 這，
所以 那是 什麼 是 去 到 拿 a 看 在 和 這些 模擬。
為了 這 最多 部分 在 這些 最低工資標準 最佳化 場景，
a 很多 的 次， 出色地 來 穿過 二 情況。
這 科學家 將要 說， “我 得到 關於 12 運行 可用的，
和 或許 它是 不是 那 重要的 的 a 過程，
或者 這 材料 是 非常 昂貴的，
和 I 只是 需要 到 做 這 最好的 I 能 和 12 運行。 那是 什麼 我已經 得到。 」
或者 它 可能 是 某物 在哪裡 他們已經 得到 a 預算 為了 40 跑步，
和 他們 能 合身 a 滿的 第二 -命令 模型
加 第三 命令 混合物 效果，
和 我們 想 到 嘗試 到 表徵 這 全部的 因素 空間
和 看 什麼 這 回覆 表面 看起來 喜歡 超過 這 所有的 事物。
那些 是 這 二 場景 是 去 到 是 目標 在 我們的 模擬。
吉姆， I 思考 你 有 一些 問題
關於 表現 在下面 不同的 場景。
什麼 曾是 你的 第一的 問題 那裡？
I 做過。
I 猜測 什麼時候 I 思考 關於 a 12- 跑步 設想 這裡，
和 如果 I 只是 去 和 這 預設, ID 得到 a D -最佳的
和 它 會 是 主要的 效果 僅有的。
I 認出 I 可以 做 這 空間 填充 喜歡 I 只是 做過，
但 我的 問題 是， 如果 I 做 這 預設,
哪個 一 的 這 分析 方法 會 是 首選？
或者 是 那裡 一？
好的， 所以 服用 a 看 在 那。
為了 這 D- 最佳的 設計， 作為 a 一般的 規則，
它是 去 到 放 幾乎 全部 的 它是 運行 沿著 這 邊界 的 這 因素 空間
和 它是 不是 去 到 有 任何 內部的 運行
除非 你 有 二次函數 條款 或者 某物 那 需要 那。
和 a 12 -跑步 設計，
有 90 度 的 自由 必需的 到 合身 全部 這 主要的 效果 這裡。
我們 得到 a 很少 度 的 自由 為了 錯誤，
但 大多 是 僅有的 目標 這 主要的 效果 這裡。
如何 做 這 分析 方法 做？
是 那裡 任何 不同之處 在 這 分析 方法？
什麼 我們 做， 和 全部 的 這些 是 去 到 總結，
我們 展示 這 百分比 的 最大限度 為了 全部 的 我們的 模擬 那 我們 做，
和 所以 我們 能 看 那 分配 為了 每個 的 這 分析 方法，
全部 為了 這 12- 跑步， D-最優 設計 目標 效果。
然後 我們 也 展示 任何 重要的 差異 之間 這些，
和 是 只是 使用 學生的 T。
是 不是 製作 二 鍵 調整， 所以 保持 那 在 頭腦
每當 你是 尋找 在這些 重要的 值。
這 優勝者 這裡 是 我們的 自製 一切 神經 方法
因為 它是 不是 受限制的 到 僅有的 尋找 在 這 主要的 效果，
他們 能 允許 一些 額外的 複雜 在 這 模型，
和 所以 它 勝利 這裡。
現在， 不 得到 也 興奮的 關於 那 因為 這 是 關於 這 最好的
那 我們已經 見過 我的神經網絡 做 位於 這些 小的 設定.
但 如果 我們 是 跑步 更多的 比 一 候選人 最佳 去 向前，
然後 或許 我們 能 包括 a 一切 神經， 但 在 一般的，
我們 不會 推薦 僅有的 沾黏 與 一切 神經
只是 因為 它 傾向 到 是 更多的 多變的， 有 更重 低的 尾巴。
什麼 是 這 其他 結果？
我們 看 這 失敗者 在 這 應用
或者 任何事物 那是 正在做 這 單身的 射擊 模型 減少
因為 全部 這些 效果 是 重要的 在 這 模型，
和 任何 時間 我們 拉 一 的 他們 出去， 我們 是 去 到 得到
a 次優 表示 的 我們的 過程。
那是 為什麼 在 這 案件 這 滿的 模型 做 更好的 比 那些。
但 什麼是 有趣的 是 這 一切 線性 方法
是 有能力的 到 在 至少 匹配 那 滿的 模型 表現。
是 不是 失敗 任何事物 經過 使用 一切 在 這 應用，
所以 那是 a 好的 方面 在哪裡 我們 不 有 到 擔心
關於 這 更小 環境。
是 我們 受傷 我們自己 在 全部 經過 使用 AICC？
現在， 某物 別的 我們 嘗試過 這裡 是 給定 這 相同的，
你已經 僅有的 得到 12 運行。
你是 僅有的 目標 這 生產
和 這 D-最優 標準 在 這 風俗 美國能源部。
什麼 如果 我們 允許 這 合身 模型 到 考慮 第二 -命令 效果
加 有 混合物 效果，
所以 我們的 模型 然後 曾是 有針對性的 到 做？
什麼 發生， 和 我們 看 這 跳轉 這裡，
這 一切 線性 方法 是 有能力的 到 利用 那 資訊
和 給 我們 更好的 百分比 的 最大限度， 得到 最佳的 候選人，
和 那些 是 我們的 得獎者 這裡 現在 是 這些 一切 線性 方法。
什麼 我們 看 是 那 有趣的是，
這 根據 方法 為了 這些 一切 方法， 福特 方法，
或者 福特 選擇 或者 這 套索 是 不是 有能力的 到 製作 使用 的 那，
僅有的 這 一切 是， 所以 那是 a 好的 財產。
他們 實際上 打 出去 神經，
哪個 是 好的 因為 現在 這些 是 本國的 到 跳轉 17
和 他們 不 要求 作為 很多 計算 時間
或者 手動的 放 向上 作為 在 他們的 自己的。
什麼 我們 開始 到 看 這裡 是 這 主題 那 是 去 到 看
自始至終 這 休息 的 這 天 是 那 任何 的 這些 套索 方法
和 不 截距 是 去 到 給 我們 潛水艇 -最佳的 結果
因為 沒有 這 截距
和 這 懲罰 沒有 工作 正確的 在 套索，
所以你 實際上 想 到 轉動 離開 這 預設 選項 的 不 截距
如果 你是 去 到 嘗試 到 使用 一切 套索
或者 甚至 只是 套索 沒有 一個 截距。
好的， 所以 I 猜測 它 看起來 喜歡 一切 神經 做過 出色地 那裡。
但 再次， 那 是 不是 本國的。
我們 不能 做 那 和 跳轉 17 親， 那是 不是 在那裡 .
我們 能， 我們 有 到 有 a 手動的 [聽不清楚 00:29:01] 腳本。
是的 不是 a 手動的 選項。
好的， 這 是 好的，
但 我是 也 a 扇子 的 這 空間 填充 設計，
所以 如何 做 那 玩 出去 在 條款 的 這 分析 方法？
為了 這 空間填充 設計， 你 能 看 相當 比 擁有
全部 這 點 沿著 這 外部的， 沿著 這 邊界，
現在 我們 充滿 向上 這 內部的 空間
為了 兩個都 這 混合物 因素 和 這 流程 因素，
哪個 有時 在 實踐 什麼 出色地 做 是，
出色地 拿 這 流程 因素
和 圓形的 這些 到 這 最近 0.25 或者 0.5
或者 任何 粒徑 作品 最好的 為了 我們， 但 這 是 什麼 它 看起來 喜歡。
在 條款 的 這 結果， 如何 做 他們 履行？
現在 什麼 是 去 到 做 是 比較
這 級聯 的 這 設計 方法
沿著 和 這 分析 方法 和 看 哪個 這些 做 最好的。
尋找 在 現在 仍然 允許 這 更富有 第二 和 第三 -命令 模型
為了 這 選擇 方法 和 看 哪個 一 做 最好的。
什麼時候 我們 看 在 這 比較，
這 得獎者 是 這 全線性 方法，
套索 僅有的 和 這 截距， 不是 沒有 這 截距，
和 這 D- 最佳的。
再次， 在後面 這 場景， 你 有 到 記住，
現在 你是 假設 為了 這 D-最優 方法
那 你的 積極的 模型 是 真的 超過 這 全部的 因素 空間
和 你已經 得到 持續的 各種各樣的 超過 那 因素 空間。
如果 你是 擔心 關於 失敗 沿著 這 邊界，
然後 那是 某物 別的 到 拿 進入 帳戶， 和 它是 不是 建造 進入 這。
你 有 到 考慮 那。
但 如果 你 是 自信的，
或許 你已經 跑步 這 前 和 你是 僅有的 製作 次要的 變化，
然後 這 方式 到 去 是 這 D- 最佳的 和 這 一切 方法。
向下 這裡， 這 失敗者 是 這 套索， 和 不 截距。
我們 將會 避免 那些，
和 你 能 看 那些 重的 尾巴 向下 這裡。
不是 這 一切 套索， 只是 這 套索。
實際上 這是 這 一切 套索 和 不 截距 下面。
是的。
他們 全部 得到 這些 Fs， 所以 他們 全部 失敗。
-方便的是， [交談 00:30:48] 。 -是的
好的。
什麼 常 將要 來 向上，
無論 它是 設計 向上 正面 在哪裡 我們已經 完畢 我們的 12 跑步，
和 這 老闆，
她 有 一些 更多的 問題 和 我們 有 更多的 運行。
如果 是 去 到 做 五 更多的 跑步，
如何 做 那 影響 一些 的 這些 結果？
什麼時候 你 說 五 跑步， 不是 a 跟隨 -向上 學習，
但 你的 建造 是 學習 任何一個 12 或者 17 運行
在 a 單身的 射擊 正確的 現在 是 什麼 你是 考慮到， 正確的？
是的， 確切地。
好的， 所以 是的， 我們 能 看 在 這 邊緣 影響
因為 有 a 成本 到 你 為了 那些 額外的 五 運行。
什麼是 這 益處 的 那些 五 額外的 跑？
使用 這 設計 分析 你 可以 使用，
看 在 柔性柔性系統 陰謀 和 你的 柔性柔性系統 加 方法 降低，
反映 更小 預言 變體。
力量 是 不是 那 有用 為了 這些 混合物 效果 設計。
我們 不 關心 關於 這 參數。
我們 想 到 知道， 如何 出色地 會 我們 做 和 最佳化?
那是 在哪裡 這 模擬的 便利， 我們 能 拿 a 看 在 那。
如何 做 你的 分配 的 你的 百分比 的 最大限度 改變
作為 你 去 從 12 到 17 跑？
有趣的是， 有 不 益處 為了 這 單身的 射擊 40 國際刑事法院
到 擁有 17 相對 12 運行。
現在， 再次， 正確的 現在 是 尋找 在 這 百分比 的 最大限度。
如果 你 看 在 你的 誤差方差，
你的預測方差 是 去 到 是 更小，
和 那裡 可能 是 一些 其他 [聽不清楚 00:32:09] ,
但 主要 你的 預言 變異數
是 去 到 是 更小 如果 你 看 在 那。
但 真的嗎， 我們 不 關心 那 很多 關於 預言 方差。
我們 想 到 知道， 在哪裡 是 那 最佳 觀點？
因為 後 這， 是 去 到 是 跑步 確認 運行
和 或許 在 副本 在 那 觀點
到 得到 一個 主意 的 這 流程 和 測定 變異數 然後。
但 正確的 現在，
我們 是 只是 嘗試 到 偵察 出去 這 回覆 表面
到 尋找 我們的 最佳的 配方，
所以 和 那 目標 在 頭腦， 有 不 益處 為了 四天 國際刑事法院。
現在 為了 這 一切 方法，
我們 做 看 那裡 是 a 重要的 不同之處
和 我們 做 得到 a 重要的 改進
在 條款 的 我們的 平均的 百分比 的 最大限度 我們 獲得，
和 或許 不是 作為 重的 尾巴 向下 這裡。
但 現在 你 需要 到 知道 是 那 你 需要 到 決定，
是 那 幾乎 重要的？
你 想 到 移動 從 90% 到 92% 意思是 百分比 的 最大限度
在 這 第一的 射擊 和 五 額外的 跑？
你 有 到 做 你的 邊緣 成本
原來的 益處 分析 那裡 作為 a 科學家
和 決定 如果 那是 值得 它。
只是 尋找 在 它 這裡， 什麼 I 思考 可能 是 有用
因為 你 有 到 跑步 確認 運行 反正
是 如果 我們 跑步 這 12 -跑步 設計，
你 能 然後 跑步 a 候選人 最佳 或者 二
基於 在 這 結果 我們 得到，
和 然後 加 a 夫妻 的 額外的 運行 或許
在 a 高的 -密度 地區 為了 什麼 那 看起來 好的，
或者 甚至 增強 出去 你的 因素 空間 a 小的 位元,
和 然後 你是 仍然 跑步 a 全部的 的 17 跑步，
但 現在 是 去 到 有 甚至 a 更好的 感覺 的 這 好的 地區 這裡，
所以 那是 某物 到 考慮。
某物 別的 我們 能 看
從 跑步 這 模擬 和 17 運行 是，
讓我們 看 在 這 表現
的 每個 的 這 配件 方法 之內 每個 迭代，
和 有 實際上 a 出奇 低的 相關性
之間 這 表現
的 這些 不同的 方法 之內 每個 迭代。
我們 能 使用 那 到 我們的 益處
因為 是 去 到 是 跑步 確認 運行 後 這，
所以 相當 比 只是 擁有 到 拿 一 方法 和 一 確認 觀點，
一 候選人 最佳的 觀點，
如果 我們 是 到， 為了 例子， 看 在 這些 四 方法
和 然後 拿 這 候選人 最佳 從 每個 的 他們，
然後 是 去 到 是 有能力的 到 去 向前 和 哪個 一 每個人 做 最好的。
是 尋找 在 這 最大限度 的 這些。
相當 比 尋找 在 a 意思是 的 92% 到 94%
現在 是 尋找 在 a 意思是 的 關於 97% 和 a 更小 尾巴
如果 我們 考慮 多種的 的 這些 方法 在 一次。
好的， 非常 有用。
讓我們 現在 放 我們的 眼睛 朝向 這 40 -跑步 設計。
非常 好的 資訊 在 條款 的 我的 更小 跑步 設計。
現在 和 40， 如何 做 它 玩 出去 在 條款 的 這些 分析 方法？
是 我們 去 到 看 持續的 行為 和 什麼 我們 鋸 在 這 12 -跑步 設計？
然後 如何 關於 這 空間 填充 相對 這 最佳的 設計， D-最優？
-ID 是 有興趣的 在 那。 -好的。
出色地， 第一的 拿 a 看 在 這 D-最優 設計， 40 跑步，
和 現在 是 目標 全部 的 這 第二 -命令 效果，
這 第三 -命令 效果， 混合物 效果，
和 是 目標 全部 這 效果
那 是 確實 展示 在 我們的 產生 功能，
和 我們 仍然 看 那 是 已載入 向上 在 這 邊界 的 這 因素 空間
和 這 最佳的 設計，
和 然後 如果 我們 是 去 到 看 現在 和 這 空間 填充 設計，
是 去 到 看 現在 是 填充 向上 這 內部的
的 這 因素 空間 為了 這 混合物
和 為了 這 其他 連續的 流程 因素。
讓我們 看 什麼 這 表現 不同之處 是。
第一的 的 全部， 重點 在 這 空間填充 設計，
哪個 分析 方法 做 最好的？
和 相同的 作為 我們 鋸 在 這 12 -跑步 例子 的 這 一切 線性，
福特 選擇 和 那 截距， 套索 這 截距 做 這 最好的。
這 最差 案件 你 能 做 是 保持 這 滿的 模型，
或者 然後 嘗試 一切 或者 單身的 射擊 套索 和 不 截距
和 這 D-最優 環境， 相同的 獲獎者， 哪個 是 令人安心
因為 現在 我們 不 有 到 是 擔心 關於，
「出色地， 我們正在改變 我們的 設計 類型。 現在 我們 得到 到 改變 我們的 分析 類型。 」
它是 好的 到 看 這 一致性 穿過 這 得獎者 的 這 分析 類型。
這 滿的 模型 沒有 做 作為 很差 這裡 和 這 最佳的 設計， I 思考，
因為 這 最佳的 設計 是 目標 那 模型
和 這 失敗者 這裡 是 仍然 這 套索 和 不 截距。
然後 神經 是 真的 墜落 在後面 這裡， 在後面 這 其他 方法。
現在 讓我們 比較 這 空間 填充 到 這 D-最優 設計，
和 我們 能 真的 看
這 最大 不同之處 這裡 是 之內 這 滿的 模型，
這 空間 填充 設計 是 很多 更糟 比 這 D-最優 設計。
任何時間 你是 正在做 設計 診斷，
那是 全部 之內 這 情境 的 這 滿的 模型。
為了 你的 D -最優性 標準，
你的 平均的 預言 方差， 那是 全部 那裡。
A 很多 的 次 什麼時候 你 跑步 那些 比較，
你是 去 到 看 a 鮮明 不同之處 之間 那些
和 那是 什麼 你是 看到 這裡。
然而， 在 真實的 生活，
是 去 到 是 跑步 a 模型 減少 技術。
和 一切， 甚至 這 單身的 射擊 方法 提升 它。
但 尤其 和 一切 這裡，
它 真的 關閉 這 不同之處 之間 這 空間 填充 和 這 最佳的 設計，
和 我們 看 漂亮的 關閉 到 中等的， 和 輕微地 更重 尾巴 這裡。
但 現在 你 能 看 在 這 和 說。
「好的。 I 失去 a 小的 位元 和 空間 f 填充 設計。
但 如果 I 有 任何 擔憂 根本 關於 這 邊界 的 這 因素 空間，
或者 如果 我是 有些 有限的 在 如何 許多 確認 點 I 能 跑步
和 I 想 到 有 某物 那是 去 到 是 不是 也 遠的 離開
從 這 候選人 最佳 那 我是 去 到 攜帶 向前，
然後 那些 是 這 好處 的 這 空間 填充 設計。 」
現在 我們 能 稱重 那些 出去。 是 不是 卡住
和 這 激烈的 不同之處 之間 這 二。
再次， 那是 基於 僅有的 相對 這 D-最優 設計 .
I 猜測 a 很多 的 次 在 我們的 美國能源部 工作，
我們 喜歡 到 或許 看 在 這 I-最優性 標準
和 甚至 這 A 有 完畢 真的 出色地 為了 我們。
在 特別是，它 利差 它。 這是 c 中等的 不是 空間 填充，
但 在 至少 它 利差 它 出去 a 位元 更多的 比 這 D -最佳的。
做 我們 有 任何 想法 如何 那些 I 和 A 最佳的 工作？
是的， 我們 能 交換 那些 出去 進入 模擬。
一 事物 我們已經 總是 注意到，
I 愛 這 A -最佳的 設計 在 這 非 混合物 環境。
它是 幾乎 我的 預設 現在。
I 真的 喜歡 他們。
但 在 這 混合物 環境， 每當 我們 嘗試 他們，
甚至 前 這 模擬， 如果 我們 看 在 這 設計 診斷，
這 A -最佳的 絕不 做 作為 出色地 作為 這 D 或者 這 I -最佳的，
和 那 熊 出去 這裡 在 這 模擬，
那是 這 藍色的 這裡 為了 這 最佳的， 給出 我們 下 結果。
規則 的 大拇指 這裡 是，
不 打擾 和 這 A-最優 設計 為了 混合物 設計。
現在 為了 D 相對 I -最佳的， 我們 不 看 任何...
在 這 應用 為了 這 產生 功能，
我們 不 看 任何 不同之處 之間 他們。
然而， a 原因 到 輕微地 更喜歡 這 D-最優 是，
那裡 傾向 到 是 一些 收斂 問題 為了 這些 自由國家黨 設定
在哪裡 你已經 得到 到 掛鉤 超過 這 一 5%
和 你是 嘗試 到 目標 a Scheffé Cubic 模型 在 跳轉，
所以我們 注意到 有時 一些 收斂 問題
為了 這 I-最優 設計 和 它 需要 更長。
這 D -最佳的， 如果 有 不是 很多 的 a 益處，
然後 它 似乎 到 是 這 更安全 但 到 戳 和 這 D-最優。
現在 我們 不是 有能力的 到 測試 那 和 這 模擬
因為 正確的 現在 在 跳轉，
你 不能 腳本 在 Scheffé Cubic 條款 進入 這 美國能源部
到 建造 一個 最佳的 設計。
你 有 到 做 那 透過 這 圖形使用者介面。
我們 不是 有能力的 到 測試 那， 看 如何 常 那 發生，
但 那是 為什麼 我們已經 攜帶 向前
D-最優 在 這些 模擬 和 我們 戳 和 那些。
如果 你 想 到 在 你的 應用程式, 你 能 嘗試 兩個都 D 和 I
和 看 什麼 他們 看 喜歡
兩個都 圖形地 和 和 這 診斷，
但 這 D-最優 似乎 到 是 表演 出色地。
好的， I 猜測 只是 保持 拉 這 線 a 小的 位元 更遠 是，
a 很多 的 次 出色地 嘗試 一些 類型 的 a 雜交種 設計 .
為什麼 不 我們 開始 出去 和， 說， 二十五 空間 填充 跑步，
和 然後 增強 那 和 一些 D-最優 標準
到 製作 當然 那 我們 能 目標 這 具體的 參數 有興趣嗎？
做 那 工作 出去 漂亮的 出色地？
是的， 我們 能 模擬 那 和 我們 拿 a 看。
任何一個 我們已經 得到...
這 是 這 相同的 模擬 功能，
產生 功能 我們已經 到過 尋找 在 為了 你 運行 這 D-最優，
讓你運行 空間 填充，
或者 a 雜交種， 在哪裡 我們 開始 出去 和 二十五 空間 填充 運行
和 然後 我們 去 到 增強 和 載入 在 大樓 15 額外的 運行 目標
這 第三 命令 模型， 和 什麼 我們 看 是 那 現在，
我們 有 不 重要的 不同之處 在 條款 的 這 最佳化
之間 這 40次運行D-最優 和 這 雜交種 設計，
但 在 這 雜交種 設計，
我們 得到 這 益處 的 那些 二十五 空間填充運行。
我們 得到 一些 內部的 運行 保護 到 合身 額外的 效果
和 保護 反對 失敗 沿著 這 邊界。
它是 a 小的 位元 更多的 工作 到 放 這 向上。
出色地 做 這 為了 高的 優先事項 專案
因為 僅有的 為了 那些 因為 額外的 成本 和 時間。
但 它 做 出現 到 是 a 有前途 方法。
正確的。
幾乎 你 思考 關於 在哪裡 你的 最佳的 是 去 到 是，
有 a 好的 機會 它 可以 是 在 那 內部的 空間
那是 不是 已填滿 在 這 D-最優 沿著 這 邊界。
I 猜測 只是 或許 去 後退，
重訪 這 想法 的 什麼 如果 I 有 a 中心 觀點，
什麼 如果 I 有 a 觀點 那 I 可以 複製？
再次， 或許 在 這 40- 跑步 設計，
如果 I 有 五 更多的 事物， 所以 只是 任何 其他 小的 掘金
那 我們 學到了 沿著 這 方式 和 這些？
出色地， 這 來 向上 a 很多 因為 現在 教科書 將要 告訴 你
到 添加 五 到 七 複製 運行。
這 科學家 是 去 到 踢 你 出去 如果 你 嘗試 到 做 那。
A 很多 的 次 我們 有 到 製作 這 爭論
到 添加 甚至 a 單身的 複製 跑步
因為 它 有 優點 外部 的 這 配件
因為 現在 你 得到 a 模型 [聽不清楚 00:41:09]
和 只是 圖形地 我們 能 使用 那 作為 a 診斷，
我們 能 看 在 那 空氣 變異數 相對的 到 這 全部的 變異數
從 這 全部的 實驗。
它是 非常 有用 到 有，
和 所以 它是 去 到 是 好的 到 有 一個 爭論 為了 你 到 說 那，
「好的， 是 不是 受傷 你的 最佳化 常規
經過 包括 甚至 a 單身的 複製 跑步。 」
那是 什麼 我們 看 這裡 為了 這 40分 例子
經過 強迫 一 的 這些 到 成為一個 複製 之內 風俗 設計。
我們 是 不是 得到 a 重要的 不同之處 在 全部
在 條款 的 最佳化.
它是 兩者都不 幫助 或者 很痛。
讓我們 去 前方 和 做 那，
所以 那 什麼時候 我們 有 那 額外的 片 的 資訊 去 向前。
I 不 有 這 圖表 這裡 因為 它是 無聊的。
它是 這 相同的 事物 在 這 特別的 應用，
強迫 一 的 他們 到 是 a 中心點。
有 不 不同之處。
部分 的 那 可能 是 在 這 案件， 這 D-最優 設計 曾是 給予 我們
a 中心點 或者 某物 關閉 到 a 中心點。
那 可能 不是 有 到過 改變 這 設計 那 很多。
你 可能 看 a 大 不同之處
如果 你 去 後退 到 這 12分 設計 執行 這 中心點。
但 那是 這 優勢 的 擁有 a 模擬 框架 建造 向上
在哪裡 你 能 拿 a 看 在 那
和 看 什麼 是 這 實際的 影響 去 到 是 為了 包括 那。
好的， 現在 如何 關於...
I 提及 I 有 這 大的 專案 和 很多 的 限制。
會 a 約束 或許 改變 一些 的 這 結果？
出色地， 我們 可以 可能 包括 這 約束
和 它是 去 到 改變 這 允許 地區 之內 這...
從圖形上看， 你要 去 到 看 a 改變 在 你的 允許 地區，
和 我們 能 模擬 那。
實際上， 我已經 完畢 那。
I 不 有 這 圖形 向上 和 我 正確的 現在，
但 什麼 它 做 是 有 不是 那 很多 一個 影響， 一切 仍然 做得很好。
一 不同之處 我們 做過 筆記 是 那 跑步 這 模擬
和 然後 約束 這 地區 有些 是 那 這 空間 填充 改進
因為 它是 得到 a 更小 空間 到 充滿 和 不是 作為 很多 噪音 空間，
但 這 D-最優 將要 執行
只是 作為 出色地 之間 這 二 和 或者 沒有 約束。
那 曾是 漂亮的 有趣的 到 看。
但 全部 的 這 適用 只是 作為 出色地 和 約束
和 沒有什麼 的 筆記 在 條款 的 不同之處 為了 分析 方法 和 這 約束，
在 至少 相對地 簡單的 一 那 我們 已應用。
正確的， 好的， 是 幾乎 跑步 短的 在 時間 這裡， 安德魯，
但 I 做 有 a 憂慮。
我們 有 a 錯誤指定 設計
和 我們 會 喜歡 到 裹 向上
和 離開 這 鄉親們 和 a 很少 鑰匙 外賣。
這是 一個 例子 在哪裡 現在 這 功能 形式
做 不是 匹配 任何 的 這 效果 是 考慮
和 是 相對地 平坦的 在 這 週長
在哪裡 a 很多 的 那些 最佳設計將是
所以我要看看 那 作品 出去。
也 筆記 這 [聽不清楚 00:43:52] 膽固醇 放 到 a 係數 零
和一個真正的 產生 功能。
現在 服用 那 真的 功能 去 到 輪廓 是 輸出 就在 桌子
和 你 能 看 如何 好的 它 是 到 是 有能力的 到 陰謀 這些 事物
到 看 這 回覆 表面 使用 那 輸出 正確的 在 這 桌子。
這是 真的 你的 真的 回覆 表面， 和 這 是 你的 回覆 表面，
但 什麼是 有趣的 是 它 看起來 喜歡 有 一個 錯覺 這裡。
它 看起來 喜歡 膽固醇 是 有影響力 為了 你的 回覆.
它 看起來 喜歡 它 影響 你的 回覆, 但 在 現實 這 係數 是 零。
但 這 原因 它 看起來 喜歡 那 是 因為 的 這 混合物 約束。
那是 為什麼 它是 難的 到 解析 出去，
哪個 這 個人 混合物 效果 真的 影響 你的 回覆.
是 不是 作為 擔心的 關於 那
就像我們一樣 的 說， 什麼是 a 好的 配方 去 向前？
在 這 環境， 我們 添加 a 小的 位元 的 噪音，4% 履歷，
哪個 是 用過的 頻繁地 在 這 製藥 世界。
在 這 案件， 這 意思是 是 使用 是 這 意思是 在 這 最大限度，
哪個 在 這 案件 是 一，
和 然後 也 a 很多 更多的 極端 40% 簡歷。
這 看起來 更多的 喜歡 a 聲納
和 他們是 嘗試 到 尋找 泰坦尼克號 或者 某物。
希望 沒有任何 的 你的 製藥 應用程式 看 喜歡 這，
但 我們 只是 想 到 看 在 這 極端 案件 如何 事物 工作 出去。
什麼 我們 看 是 在 這 小的 12分 例子
和 相對地 小的 流程 變化 是 流程 加 散文 變化
是 這些 基線 設計 去了 出去 和 一切， 全部 相同 方法，
和 然後 如果 我們 去 向上 到 40分，
這 空間填充 不是 有能力的 到 保持 向上 作為 出色地，
但 D 最優 將要 真的 做 現在好多了，
甚至 儘管 它是 相對地 平坦的 出去 那裡 和 這 尺寸 在哪裡 最多 的 這 運行 是，
它是 有能力的 到 挑選 向上 這 簽名 的 這 表面 這裡。
現在， 這是 這 不同之處 之間 這 滿的 模型
和 然後 這 空間填充 和 D- 最佳的。
不是 作為 大的 的 a 不同之處 為了 這 一切 方法，
但 你 做 仍然 有 a 很少 尾巴 點 向下 這裡。
然後 他們是 全部 不是 表演 作為 出色地 作為 這 一切 線性，
甚至 儘管 這 一切 線性
是 僅有的 近似 那 曲率 為了 那 回覆 表面。
如果 我們 去 向上 到 這 極佳的 吵雜 看法， 不 一 做 a 真的 好的 工作，
但 仍然 你的 僅有的 機會 是與 這 空間 填充 方法。
但 然後 什麼時候 我們 去 向上 到 這 更大 樣本 尺寸，
甚至 在 這 臉 的 全部 這 流程 變化， 流程 噪音，
是 現在 這 選項 曾是 有能力的 到 彈跳 出去 超過 那 噪音 更好的
和 是 有能力的 到 製作 更好的 使用 的 那些 運行 比 這 空間 填充。
A 夫妻 的 注意事項 那裡。
什麼是 你的 跑步 尺寸？ 如何 飽和 是你的 模型？
如何 很多 流程 變化 做 你 有 相對的 到 你的 過程平均值，
去 進入 這 平衡 的 這 空間 填充 相對 最佳的。
如果 我們 拿 a 看 在 什麼 是 這 坦白 最佳的 點
是 得到 出去 的 這 空間 填充 相對 最佳的。
我是 對不起， 為了 這 空間 填充，
然後 什麼 我們 看 是 是 在 目標 為了 這 是 可電離 和 幫手。
是 在 目標 為了 全部 的 我們的 方法 除了 為了 這些 最後的 和 不 截距。
他們是 絕不 在 目標，
他們是 總是 推動 你 離開 某處 別的。
你 能 看 圖形地 如何 那 缺少 的 截距。
現在， 如果 我們 允許 這 截距， 那麼我們 在 目標。
那 真的 是 重要的 到 取消選取 那 不 截距 選項 為了 套索。
為了 全部 這 人們 那 是 不是 使用 跳轉 專業版
和 不 有 一切，
你 可能 說， 出色地， 好的， 什麼是 你的 模擬？
這裡， 什麼 是 更好的？ AICc， 相對 BIC， 相對 P 值。
很遺憾， 只是 使用 這 數位 的 模擬 我們已經 跑步，
有 不是 作為 持續的 方法 作為 那裡 是 和 一切。
如果 你已經 得到 a 大的 數位 的 跑步， 哪裡有 要么指定
或者 正確地 指定的 或者 指定錯誤， 這 向前 或者 落後 人工智慧 做 出色地。
滿的 模型 做 更糟的是， 然而 在 這 更小 環境，
這 滿的 模型 做 更好的 因為 全部 那些 條款 是 相關的。
也 這 P值 這裡， 也。
現在， 你 看， 0.01 做 這 最糟糕的是， 0.01 做 這 最好的 在 大的 環境。
不是 一致性， 您使用什麼 P 值？
0.01、0.05、0.1 .
這 P 值 從 這 看法 是 一個 未調整 最佳化 範圍，
所以 或許 最好的 到 避免 那 和 戳 和 這 人工智慧
如果 你是 在 根據 跳轉。
然而， 我們 有 見過 現在 那
中等教育委員會 方法 為了 這些 最佳化 問題
做 給 你 幾乎 普遍地 更好的 解決方案
比 這 單身的 射擊 方法。
你 能 得到 更好的 解決方案 和 跳轉 逆滲透, 和 一切。
偉大的。
I 猜測 我們 想 到 只是 裹 向上。
一些 的 這 鑰匙 發現 這裡， 安德魯。
是的， 和 也, 吉姆， 任何 其他 評論？
做 你 有 任何 其他 評論 也 關於 這些 最佳化 問題 或者 任何事物？
有趣的 事物 我們已經 見過 最近？
我們 有， 是 向上 反對 時間 為了 當然， 但 我們已經 完畢 一些 漂亮的 驚人的 事物
那 我們已經 來 向上 和 新的 工程 木材
那是 更好的 比 它是 曾經 到過
和 推進劑 那 是 擁有 身體的 特性
和 表現 那 我們 沒有 見過 前。
我們 有 採取 a 步，
a 飛躍 在 條款 的 一些 的 這 能力
那 我們已經 見過 在 我們的 混合物 模型。
能 我們 總結 和 這 突出顯示 子彈 向下 那裡，
那 一切 似乎 到 是 我們的 方式 到 去，
和 如果 你 僅有的 有 一 或許 一切 向前 選擇，
你會 是 覆蓋 漂亮的 出色地。
是的， 那是 正確的， 因為 我是 總是 害怕的。
甚至 儘管 這 最後的 有時套索 它 看起來 較少的 和 截距，
有時 它 看起來 輕微地 更好的。
I 不 知道 如果 它是 或許 一 或者 二 案例 是 顯著地 更好的，
但 總是 脖子 和 脖子 和 向前 選擇，
但 我是 總是 害怕的 那 我是 去 到 忘記 到 轉動 離開 不 截距
和 然後 給 我 某物 那是 更糟 比 正在做
或者 作為 壞的 作為 正在做 這 滿的 模型。
我是 總是 害怕的 的 正在做 那。
一切 向前 選擇 和 的 過失 環境 似乎 喜歡 a 好的 安全的 方式 到 去。
完美的。
出色地， 和 那， 我們 站立 準備好 到 拿 你的 問題。
