I
vouloir
à
remercier
le
JMP
pilotage
comité
et
le
JMP
organisateurs
pour attrayant Phil et moi-même à viens et présent notre passionnant parler
sur CMC , TOUT , BICHE , et Complexité : Il 's Tous À propos Prédiction .
Vouloir à commencer par remerciement Dr . Tiffany Rao , elle 's a été impliqué avec le planification
et nombreux conversations pour le travail que nous 'concernant en allant à présent aujourd'hui .
En allant à faire un aperçu , dire toi OMS Lundbeck est , OMS I travail pour ,
et alors fournir le arrière-plan
pour le BICHE que nous 'concernant en allant à parler à propos ,
lequel est processus développement pour a biologique médicament .
Notre cas étude et quoi I je suis faire dans traditionnel
pour quoi I 'ai commencé à faire pour développement
est commencer avec le d'abord étape de faire DSD pour milieu -en retard scène développement ,
alors suivre que avec a deuxième étape
de faire augmenter avec a espace -remplissage conception .
Alors nous sont en espérant à prouver à toi aujourd'hui que pour analyse que TOUT
permet nous à avoir mieux prédiction pour tous de ce travail et permet nous à avoir
mieux chronologies pour notre travail que nous 'concernant faire .
Lundbeck est situé …
Nous 'concernant dont le siège social dans Copenhague ,
nous 'concernant sur 6 ,000 employés dans sur 50 pays ,
et nous sont s'efforçant à être le nombre un dans cerveau santé .
Le partie de le entreprise que I travail avec est le CMC produits biologiques
et nous 'concernant essentiellement situé dans le Copenhague zone
et dans le Seattle zone où I je suis situé .
Laisser 's parler à propos le arrière-plan pour le BICHE que nous 'concernant en allant à présent aujourd'hui .
Le processus que nous vouloir à développer pour médicament substance , pour ces produits biologiques ,
nous commencer avec a cellule de flacons , nous prendre ceux dehors de le congélateur ,
nous alors développer dans secouer flacons , aller plus gros dans culture sacs ,
peut être a graine bioréacteur , alors à a production bioréacteur .
Que production bioréacteur va environ deux semaines .
Nous avoir complexe nutritif flux ,
nous avoir PH contrôle , température contrôle , là 's le base que nous 'concernant ajout .
Une fois nous finition que 14 -jour production , nous besoin à chiffre dehors a chemin
à obtenir le cellules que sont sécrétant notre molécule dans le surnageant .
Comment faire nous séparé le cellules depuis le produit ?
Que récolte peut être a centrifuger , il peut être profondeur filtration .
Alors nous passer il sur à notre en aval collègues .
Ils d'abord généralement faire a capturer étape où ils 'concernant obtenir débarrasser
de la plupart de le hôte cellule protéines , le hôte cellule ADN .
Mais alors nous besoin à faire deux brillant mesures où nous 'concernant alors adage ,
"D'accord , quoi sont le produit -en rapport impuretés ?
Peut être là 's pas le complet molécule là , donc nous avoir à obtenir débarrasser de ceux ."
Alors enfin , nous avoir à faire bien sûr , à travers ultra filtration et diofiltration
que nous peut transfert dans le tampon
que il 's en allant à être quand il est transféré pour le patient 's utiliser
et il 's aussi à le droite concentration .
Toi peut imaginer , chaque étape le long de ce chemin ,
là sont beaucoup facteurs ,
là sont beaucoup boutons que nous peut tourner à contrôle ce processus ,
faire bien sûr que il 's robuste
et nous 'concernant fabrication le même produit chaque temps .
Quand nous 'concernant concentré sur traiter le patient ,
nous aussi vouloir à se concentrer sur le entreprise .
Nous peut 't mettre tous de notre développement ressources pour chaque molécule .
Nous vouloir à droite -taille le recherche que nous 'concernant faire
à le droite scène de le produit .
Là 's beaucoup des choses que pourrait tuer a produit ,
mais si nous peut développer ce dans le droite temps et le droite espace
en utilisant ces outils depuis JMP ,
nous peut changement ce développement chronologie à le gauche
et nous peut aussi réduire le montant de ressources
et le coût à le entreprise .
Si nous 'concernant d'abord obtenir a molécule ,
que 's quand toi 'concernant en allant à commencer regarder à ton catégorique facteurs .
Nous pourrait être faire le cellule doubler dépistage .
Nous vouloir à faire bien sûr que nous avoir le droite cellule doubler
que 's en allant à dernier tous le chemin à travers commercialisation .
Pour le en aval groupe , ils peut être regarder à résines
pour les deux en amont et en aval ,
regarder à chaussettes et tampon composants et le formulations de ceux .
Que 's quand toi 'concernant fabrication bien sûr que toi avoir le droite chose ,
que 's en allant à garder toi en allant à travers ton développement chemin .
Mais alors une fois toi 'concernant dans le clinique ,
maintenant toi vouloir à vraiment commencer à gagner compréhension de le processus paramètres .
Notre stratégie est à commencer avec a développement dépistage conception
et nous vouloir à être audacieux dans notre niveau paramètres à ce scène
et I 'll parler a petit peu plus à propos que plus tard ,
pour le en retard scène développement .
Alors nous peut construire sur quoi nous savant depuis le Définitive Dépistage Dessins
par augmentant ceux dessins avec espace -remplissage ou autre dessins
donc que nous vraiment comprendre que conception espace .
Quoi 's différent que nous 'concernant en espérant à montrer maintenant
que traditionnel promenades à travers ce chemin
est que dans le passé , nous 'ai a été lancement dehors
le facteurs que nous 'ai dit aren 't important .
Mais avec moderne dessins et moderne manières de faire analyse ,
nous peut garder tous de le facteurs et tous de le travail que nous 'ai fait donc loin
et gagner mieux compréhension de le entier processus ,
en particulier avec produits biologiques que sont assez complexe .
Avant I passer le bâton à Phil , I juste recherché à parler un plus à propos …
Laisser 's voir si I peut …
I je suis en allant à minimiser ce écran juste pour a minute donc I peut montrer toi ce .
Ce est un expérience que I a fait à prouver le pouvoir de BICHE pour mon chef .
Le complet données ensemble était un CATASTROPHE pour PH , et le réponse était plus serré .
Nous recherché à faire très beaucoup différent niveaux
dans a large gamme parce que il n'était pas 't bien sûr à le temps
que nous étaient en allant à être capable à prendre quoi le optimisé niveau était .
Mais quoi I recherché à montrer lui était que ,
"D'accord , nous a fait ce expérience , nous avoir tous de ce données .
Nous étaient capable à modèle où le optimisé condition était ,"
et que 's montré dans bleu ,
et que tourné dehors à être le correct cas .
Quand nous testé le modèle , que était le optimisé condition .
Laisser 's prétendre maintenant que nous 'concernant départ , nous enfiler 't savoir que données .
Si nous avait choisi a conservateur gamme paramètre pour notre expérience ,
notre bruit à signal serait être assez haut
et donc nous serait avoir manqué trouver le optimisé place .
Mais si nous avait choisi a plus large gamme dans notre paramètres
et toujours avec seulement trois points ,
le modèle toujours serait avoir choisi le optimisé place .
Quoi I je suis en allant à défi le sujet matière experts
quand toi 'concernant conception ton DSD est vraiment être audacieux dans ton gamme paramètre .
Toi volonté toujours trouver le optimisé place
et toi avoir à avoir quelques connaissance de ton processus donc que toi peut complet
le conception de expérience
et avoir tous de le courses à moins avoir assez signal
que toi peut mesure et alors ensuite modèle .
Une fois toi apprendre depuis ton Définitive Dépistage Dessins
plus à propos ton conception espace , toi peut viens dos
et alors toi peut être interne à que espace .
Que 's quand toi augmenter avec a espace -remplissage conception .
Maintenant I je suis en allant à passer le bâton à Phil
et il 's en allant à prendre toi à travers le analyse .
D'accord , remercier toi . Remercier toi , Petit pâté .
Nous 'concernant en allant à parler à propos a très bon
et quelque peu compliqué expérience que Petit pâté et son équipe courir .
Ils faire a parcelle de super travail et ils 'concernant grand défenseurs de BICHE et JMP
et I je suis très heureux ils laisser moi obtenir à jouer avec eux parfois .
Il 's fascinant travail .
Mais avant I obtenir dans le réel analyse ,
I recherché à parler à propos a peu pertinent concepts
que membres de le public peut
ou peut pas être familier avec , et que comprend complexité .
Il 's a vraiment chaud sujet dehors là .
Parler à propos quoi est en fait prédiction .
Que est a embrouillé concept à beaucoup personnes .
Alors depuis là , I 'll lancement dans parler à propos
comment nous analyser prédiction et comment nous a fait avec Petit pâté 's expérience .
Complexité, a compagnon nommé Daniel Finitions
depuis Londres École de Économie, écrit beaucoup à propos ce
et il appels il "le éléphant dans le chambre " que statistiques et beaucoup ,
quoi il appels « métasciences » ," sont ignorant et ils 'concernant ignorant il à leur péril .
I gagné 't obtenir dans a parcelle de détail .
Toi peut regarder lui en haut sur le Internet , il a a parcelle de vidéos et papiers .
Mais complexité est a énorme problème .
Il est en regardant science et statistiques
et données science et machine apprentissage dans le affronter et il besoins à être traité avec .
À présent , nous 'concernant pas vraiment transaction avec il directement dans statistiques .
Par le chemin , là sont maintenant entier appliqué mathématiques programmes
basé sur étudier complexe systèmes .
Mon bas doubler est , complexité est réel .
Complexité nécessite nouveau pensée .
Nous vraiment avoir à repenser BICHE et analyse .
Toi 'concernant en allant à voir que pour complexe systèmes,
et nous aussi avoir à comprendre quelque chose autre , systèmes théorie 101 est
complexe systèmes sont défini par leur interactif comportement .
Dans indiquer de fait , principal effets sont en fait même trompeur .
Toi avoir à d'une manière ou d'une autre être expérimenter
dans a manière que toi peut capturer ce interactif comportement ,
et toi 'concernant en allant à voir actuel stratégies automne court de que but .
Petit pâté 's déjà mentionné le CMC chemin .
Nulle part est ce problème de complexité plus évident que dans bioprocédés .
Toi avoir complexe combinaisons de biologie et chimie ,
et interactions sont partout .
Quand I parler à scientifiques dans biotechnologie ,
ils savoir droite en haut devant nous 'concernant transaction avec vraiment complexe interactif systèmes .
Mais d'abord , I besoin à indiquer dehors prédiction .
Si toi 'concernant fonctionnement dans CMC développement travail , il 's tous à propos prédiction .
Le je lignes directrices que sont utilisé par scientifiques dans le CMC développement travail
enfiler 't spécifiquement dire prédiction ,
mais si toi lire quoi ils dire , il 's tous à propos prédiction .
Essentiellement , toi 'concernant bâtiment processus à fabrication produits biologiques ,
et avec le nouveau cellule et gène thérapies ,
ces processus sont devenir désespérément compliqué .
I personnellement compter sur fortement sur le scientifiques à expliquer il à moi ,
et ils 'concernant le personnes OMS vraiment faire tous le décisions .
I je suis le auxiliaire , et I je suis très heureux à être là comme partie de il .
Mais il 's tous à propos prédiction .
Que est pas comment beaucoup scientifiques et même statisticiens ,
avoir vu CMC travail .
Par le chemin , ce s'applique à tous zones de science .
I je suis concentré avec Petit pâté sur le CMC développement chemin ,
mais prédiction est important .
Quoi est prédiction ?
Il 's embrouillé . Il 's pas clairement défini dans disciplines .
Ici 's quoi il vraiment est et comment I définir il .
Il 's a mesure de comment Bien
modèles que toi développer interpoler sur a conception région .
Dans autre mots , nous 'concernant en allant à ajuster a modèle à quoi nous appel a entraînement ensemble ,
et alors nous besoin quelques chemin de connaissance comment que modèle serait appliquer
sur le entier conception région .
Dans CMC travail , en particulier en retard scène , que est très important .
Toi être capable à faire que , comme beaucoup de toi savoir .
Toi vraiment avoir a entraînement ensemble à ajuster le modèle .
Que entraînement ensemble dans Non chemin peut évaluer prédiction .
I savoir là 's a commun croyance
toi peut évaluer prédiction sur entraînement ensembles .
Toi simplement peut pas .
Toi doit avoir a test ensemble .
Aussi I 'll parler a petit peu à propos le fait dans transaction avec scientifiques ,
et a parcelle de il dans chimies et produits biologiques .
Encore , I faire a parcelle de il dans biotechnologie ,
mais aussi dans autre zones comme batterie technologie , matériel science .
Il est devenir très évident .
Le cinétique sont compliqué .
Ils 'concernant en permanence changement sur conception régions .
Le cinétique comportement que toi voir autour le frontières
est souvent très différent depuis quoi 's événement sur le intérieur .
Pourquoi fait ce matière ?
Bien , le classique approche à réponse surface ,
même y compris optimal dessins , s'appuie sur quoi I appel limite dessins .
Presque tous de ton observations sont autour le frontières de le conception région .
Dans indiquer de fait , si personnes vouloir à entendre il ou pas ,
le central composite conception ,
communément utilisé dans réponse surface ,
est à propos le pire conception toi pourrait pense de pour prédiction .
Le intérieur de le espace est vide .
Si toi ajuster ces modèles sur le limite ,
et alors toi prédire quoi 's événement sur le intérieur ,
il 's pas prédiction , il 's spéculation .
Toi enfiler 't savoir . Toi avoir Non données .
I je suis en allant à montrer toi dans le cas étude ,
toi 'concernant probablement en allant à atteindre quelques faux conclusions .
Le limite régions , en effet , souvent se comporter très différemment ,
et nous avoir a besoin à reconsidérer notre approche à dessins .
Un autre problème
dans réponse surface et statistiques
est ce omniprésent utiliser de complet quadratique modèles .
Ils sont pas suffisant à modèle complexe réponse surfaces .
Dans fait , ils 'concernant loin depuis il .
Malheureusement , I obtenir a parcelle de refoulement
depuis statisticiens OMS réclamer il est bien assez .
Mon répondre est , "Bien , si toi en fait utiliser dessins
que avait suffisant intérieur points ,
toi 'd rapidement découvrir ils enfiler 't ajuster Bien à tous .
Encore , en essayant à mesure prédiction
sur le intérieur de a conception région en utilisant limite dessins est futile .
Par le chemin , mon bien ami , le en retard John Cornell et Doug Montgomery ,
publié a papier sur ce dans 1998 , et I 'll être poli , ils étaient ignoré .
Il était en fait quelque peu plus méchant que ignoré par le statistiques communauté .
Ils a montré dans le papier que complet quadratique modèles
sont juste pas suffisant à couverture a conception région .
Petit pâté mentionné TOUT , soi -validation ensemble modélisation .
Il 's un algorithme .
I je suis un de le co -développeurs avec Dr . Chris Gottwald de JMP ,
a personne I prise dans très haut égard .
I gagné 't obtenir dans le algorithme par le chemin ,
là sont références à le fin où toi peut aller et apprendre plus à propos il .
Il a a été parlé à propos à découverte conférences en fait ,
en allant tous le chemin dos à Francfort dans 2017 .
Mais TOUT est un algorithme que permet toi à appliquer machine apprentissage méthodes .
Machine apprentissage méthodes sont tous à propos prédictif modélisation .
Croire moi , personnes dans que champ savoir a parcelle plus que toi peut pense
à propos prédiction et appliquer eux à données depuis petit ensembles comme BICHE 's .
I gagné 't obtenir dans TOUT .
Il 's a entier nouveau chemin de pensée à propos bâtiment prédictif modèles ,
et I pense il 's dans c'est enfance ,
mais il 's déjà prouver très puissant et utile dans biotechnologie .
Laisser 's obtenir à le expérience .
Ce est en fait a hybride expérience que Petit pâté et son équipe créé .
Là sont Sept facteurs et là sont 13 réponses .
Mais exigible à temps contraintes , I je suis seulement en allant à se concentrer sur quatre ,
et même que 's en allant à être dur à obtenir il tous dans .
Le données et le expérience sont très propriétaire .
I faire remercier Lundbeck et Petit pâté pour en fait permettant nous à utiliser
un anonymisé version de ce conception .
I avoir a parcelle de cas études , quelques de eux similaire à ce ,
et le personnes OMS propre le données
ne serait pas 't même laisser moi discuter il si I anonymisé il .
Que était très bon de eux .
I pense nous avoir a vraiment important histoire à dire ici .
Ce est a hybride conception .
Il 's composé de a 19 -courir Définitive Dépistage Conception
autour le frontières .
Alors il a 16 espace -remplissage dessins sur le intérieur .
Là sont centre points dans les deux parties de le conception .
Comment serait nous analyser ce ?
Bien , quoi I vouloir à faire est discuter le stratégies de analyse que sont utilisé ,
le algorithmes que sont utilisé , et faire comparaisons à TOUT .
I 'll dire toi dans avance , TOUT est en allant à faire très Bien .
Alors nous 'll parler à propos quelques de le problèmes avec le modèles eux-mêmes
et comment nous utiliser eux .
I je suis en allant à faire quoi la plupart personnes actuellement faire .
I je suis en allant à prendre le limite points , le DSD ,
ajuster modèles , et alors appliquer eux à le espace -remplissage dessins comme a test ensemble
et voir comment Bien mon modèle interpole .
Étape deux , I 'll inverse le processus .
I 'll ajuster modèles à le espace -remplissage points ,
et alors I 'll utiliser le DSD comme a test ensemble et voir comment Bien mon modèle
en fait extrapole a petit peu à le frontières .
Trois est a commun stratégie utilisé dans machine apprentissage .
I je suis en allant à utiliser a retenue test ensemble .
I je suis en allant à prendre le 35 courses et casser eux en haut .
I a fait ce dans a chemin à faire eux les deux équivalent comme beaucoup comme I pourrait
dans a entraînement ensemble contenant les deux SFD et DSD points ,
et alors aussi a entier dos test ensemble que a a représentation de les deux .
Alors enfin , étape quatre , quoi beaucoup personnes serait automatiquement faire .
I 'll juste ajuster modèles à le entier données ensemble .
Dans général , I enfiler 't recommander ce parce que là 's Non chemin à test le modèle .
I volonté dire en haut devant ,
parce que nous faire avoir a parcelle de espace -remplissage points sur le intérieur ,
I je suis plus confortable avec ce approche que I suis dans pratique .
Mais ces , I trouver , sont le quatre basique stratégies que serait être utilisé .
Comment faire I analyser il ?
Bien , si toi avoir a DSD ,
personnes comme à utiliser Ajuster Définitive Dépistage ,
I 'll regarder à il , il seulement s'applique à DSD .
Honnêtement , il 's pas vraiment a prédictif- modélisation stratégie ,
ni faire ils réclamer il est .
Mais I trouver personnes sembler à utiliser il que chemin .
I 'll utiliser Avant Sélection .
Si toi savoir quoi le AICc statistique est , nous 'll faire que dans GenReg , dans JMP 17 .
Alors nous 'll regarder à quelque chose ils avoir dans GenReg que 's très bon .
Que est le TOUT algorithme .
I je suis en allant à utiliser que avec Avant Sélection .
Alors I je suis en allant à regarder à quelque chose personnes peut pas savoir .
Il 's a caché gemme dans JMP .
Quelque chose appelé Mobile Moyenne dans le Étape par étape plate-forme .
John Saül mettre il là beaucoup années il y a .
I pense il était être très perspicace .
Alors nous 'concernant en allant à parler à propos TOUT et Neural Réseaux .
Essentiellement , Non logiciel fait ce .
I avoir travaillé avec le Prédit ,
quelques de toi savoir Wayne Lévine et Prédit à développer un ajouter -dans à faire ce .
Il 's actuellement le seulement logiciel disponible que fait ce .
Le TOUT ajouter -dans était utilisé à faire le Neural Réseaux .
I gagné 't obtenir dans le ajouter -dans particulièrement ,
I 'll juste rapidement montrer personnes où ces des choses sont .
Alors enfin I dit le quatrième stratégie était utilisé à prise données ensemble
parce que I obtenir demandé à propos ce tous le temps .
I juste jeté dans quelques K -croix Pli validation à utiliser
avec le TOUT méthodes et quelques de le autre méthodes .
Ceux sont le méthodes nous 'll utiliser
et pour méthodes comme Ajuster Définitive ,
Avant Sélection et Mobile Moyenne méthodes ,
nous 'll supposer a complet quadratique modèle comme que est le tradition .
Le autre méthodes , encore , nous 'concernant en allant à utiliser a Neural Réseau
lequel est plus flexible .
Là sont quatre réponses, et ce est vraiment important .
I n'a pas 't au hasard sélectionner eux .
Là sont quatre de eux et ils varier dans complexité .
Encore , I 'll admettre ce est subjectif .
Là est Non à l'échelle internationale approuvé mesure de complexité
et ce est basé sur le capacité à modèle le réponses .
Encore , là sont 13 réponses .
Typiquement , dans CMC chemin travail , là sont 10 -20 , peut être plus ,
la plupart de eux critique qualité attributs .
Ils sont important
et ils varier dans le expérience depuis quelques sont assez faible dans complexité ,
quelques sont très haut , très difficile à modèle .
Franchement , dans ceux cas ,
Neural Réseaux sont essentiellement ton seulement option .
Donc payer attention à ce parce que ce complexité
tours dehors à être très important dans comment toi serait aller à propos modélisation .
Alors le question est si I je suis en allant à évaluer prédiction ,
Bien , comment faire I faire que ?
Souviens-toi , I préférer prédiction être sur un indépendant test ensemble
avec nouveau paramètres de le facteurs .
Que 's comment nous juge interpolation .
Bien , quelque chose appelé le Racine Moyenne Carré Erreur
ou RASER scores est très commun .
Ce est le standard déviation de prédiction erreur .
Encore , il 's communément utilisé à juge comment Bien toi prédire .
Plus petit est mieux , évidemment ,
mais là est a problème avec il que nous 'ai particulièrement découvert ,
en particulier dans simulations .
Modèles avec faible RASER scores souvent avoir substantiel prédiction biais dans eux .
Dans prédiction , là vraiment est toujours a biais -variance commerce -désactivé .
Donc comment faire nous évaluer biais ?
Bien , là 's Non convenu sur approche à que soit .
Mais le le plus simple chemin et le la plupart visuel chemin
est réel par prédit parcelles sur a test ensemble .
Idéalement , si toi étaient à ajuster a pente
à le réel avec un -prédit parcelle , I 'll montrer un exemple .
Le idéal prédiction équation que a pente serait être un avec un intercepter de zéro .
Le plus loin le pente est depuis un , le plus grand le biais .
Pour fins de démonstration , I je suis en allant à ensemble
a spécification de 0 .85 -1 .15 avec a cible de 1 pour le pente .
Si toi peut rester dans que gamme ,
alors I 'd dire toi probablement avoir acceptable montants de biais .
Dans réalité que ça arrive à être plus de a sujet matière problème .
Alors enfin I dit , "Bien , toi peut ajuster a pente à le réel avec un -prédit parcelle .
Là 's un supplémentaire problème ."
Le prédicteur est le prédit valeurs .
Ils avoir a parcelle de erreur dans eux .
Donc ce est en fait un erreurs et variables problème ,
lequel est pas communément reconnu .
Mais JMP 17 a a vraiment bon solution .
Il 's appelé le Passage -Bablok modélisation algorithme
et il 's a été Bien -établi , en particulier dans le biopharma .
Ce convient a pente , prise dans compte erreurs dans X , le prédicteur .
Donc comment fait il travail ?
Bien , il convient a pente .
Si toi regarder sur le gauche ,
toi 'll voir le pente est à propos 0 .5 . Nous avoir fort biais .
Là 's a parcelle de prédiction biais .
Quoi I vraiment comme dans le application dans JMP , ils donner toi le référence doubler .
Le en pointillés bleu doubler est le idéal doubler pente de un , intercepter de zéro .
Sur le gauche , notre prédictif modèle est montrant a parcelle de biais .
Il 's systématiquement pas prédire le réponse .
À le droite , est a cas où là 's en fait a petit montant de biais
dans général , que serait être acceptable .
Par le chemin , ces étaient choisi comme un 's modèles
que avait relativement faible dans l'ensemble RASER scores .
Ces sont appelé le Passage -Bablok pentes
et ils sont intégral à comment I évaluer prédiction ,
le dans l'ensemble RASER et le pentes .
Quoi I je suis en allant à faire à ce indiquer ,
I je suis en allant à en fait aller sur à JMP , si toi enfiler 't esprit .
I 'll faire a rapide changement dans le écran ici
et I 'll faire ce comme grand comme I peut pour tout le monde .
Dans l'ensemble dans ce exercice ,
I ajuster fermer à 140 modèles et I a fait eux tous individuellement et évalué eux .
Oui , il a pris assez a alors que
et I je suis en allant à montrer a graphique à essayer à résumer le résultats
pour le différent méthodes .
I je suis en allant à ouvrir a Graphique Constructeur scénario .
I 'll faire ce comme grand comme I peut-être peut pour tout le monde .
I je suis en utilisant quelques locale données filtres , à définir le afficher .
Avis nous avoir quatre entraînement scénarios .
I 'll commencer avec où le DSD est le entraînement ensemble .
Nous ajuster modèles à le limite
et alors nous évaluer eux et comment ils prédit
le espace -remplissage conception points .
Y2 est le facile réponse .
I attendu tous approches à faire Bien , ils a fait .
Avis I ensemble ces spécifications limites et que 's 0 .85 -1 .15
tous est tombé dans que admissible région .
Deux de le méthodes que a fait Bien ,
I particulièrement aimé le mobile moyenne ,
donc il a fait joli Bien .
Aucun de eux avait a pente de exactement un .
Le DSD points enfiler 't exactement prédire quoi 's en allant sur
dans le espace -remplissage conception points , mais ils tous a fait relativement Bien .
Maintenant nous 'll aller à modéré complexité .
Maintenant toi commencer à voir quelques séparation .
Il 's obtenir Plus fort à modèle le surface .
Encore , I je suis en utilisant ce intervalle de 0 .85 -1 .1 .
I je suis regarder sur le y -axe à le RASER score standard déviation de prédiction .
Sur le x -axe , I je suis regarder à pente .
Pour Y1 , en utilisant le DSD à prédire
le espace -remplissage conception points comme le test ensemble .
Le seulement modèles que vraiment effectué Bien étaient le Neural Réseaux avec TOUT .
Par le chemin , le code est NN est Neural Réseau ,
H est nombre de caché nœuds .
Nous avoir modèles avec variable niveaux de caché nœuds
et I simplement évalué RASER scores et pente .
Nous aller à plus complexité .
Maintenant Y3 a haut complexité .
Il est dur à modèle .
Le le plus bas RASER scores étaient le méthodes toi voir sur le inférieur droite ,
mais toi peut voir là 's substantiel prédiction biais .
I feutre dans l'ensemble le meilleur combinaison de faible -biais
et RASER score étaient Neural Réseaux , particulièrement un avec 27 caché nœuds .
Alors enfin nombre quatre est haut complexité .
Nous ajuster le modèle à le DSD et appliqué il à le espace -remplissage points .
I n'a pas 't pense n'importe lequel de le modèles a fait super .
Tous de eux a montré quelques prédiction biais .
Peut être le meilleur performance était a Neural Réseau avec 12 caché nœuds .
Il avait le le plus bas RASER score , mais toujours , là étaient quelques problèmes avec biais .
Donc que 's un stratégie .
Bien , quoi si I étaient à faire le opposé ?
I ajuster le modèle à le espace -remplissage points
et alors appliquer eux à le limite DSD points .
Encore , laisser 's commencer avec le le plus simple cas .
Y2 vraiment fait . Il 's a joli simple réponse .
En fait , le TOUS méthode dans GenReg en utilisant TOUT et Avant a fait très Bien .
Le suivant meilleur I pensée était a Neural Réseau avec 10 .
Souviens-toi, là 's a petit peu de extrapolation en allant sur ici .
Enfin , Y1 avec modéré complexité .
Encore , seulement le Neural Réseaux a fait Bien .
Comme nous aller en haut dans complexité , de plus en plus juste le Neural Réseaux sont fonctionnement.
Toi 'll trouver similaire résultats pour le autre approches .
I gagné 't montrer tous de eux , ils 'concernant couvert dans le notes .
Mais le général conclusion par le chemin , est
que quand toi utiliser le limite points comme a test ensemble
ou toi utiliser le espace -remplissage dessins comme a test ensemble et essayer à prédire le autre ,
ils 'concernant juste pas faire comme Bien comme ils devrait .
Dans autre mots , comme I dit plus tôt , le limite points ,
le DSD points et le espace -remplissage conception points ,
là sont différences dans leur cinétique comportement que nous 'concernant pas cueillette en haut .
Le seulement chemin nous 'concernant en allant à prendre il en haut
est à en fait ajuster modèles sur le entier conception espace .
Nous a fait faire que par le chemin .
I devrait juste rapidement montrer toi .
I utilisé le entier données et nous ajuster modèles et nous en fait a fait joli Bien .
I n'a pas 't montrer le Passage -Bablok pentes .
I volonté juste rapidement faire a petit plus travail avec JMP pour ceux OMS sont intéressé .
Le Passage -Bablok pentes peut être fait dans Ajuster Y par X .
I volonté admettre nous a écrit a scénario
et ajouté il à le prédictif ajouter -dans à faire ce dans Ajuster Y par X ,
mais toi peut facilement faire il toi-même .
Ici , et I 'll prendre un de le cas , est le DSD données et I 'll prendre Y1 .
Comment a fait nous faire convenable modèles ?
Si toi regarder dans le menu , là 's le Passage -Bablok .
I fortement suggérer toi regarder à il .
A parcelle de régression problèmes sont erreurs dans variables .
Comment a fait le méthode faire il dans l'ensemble ?
I vouloir à expliquer quelque chose autre .
Le orange points sont le DSD , le frontières .
Le bleu points sont le espace -remplissage conception points .
Ici I ajuster modèles à le DSD
et le Passage -Bablok pentes sont être ajuster à le espace -remplissage conception points .
Dans l'ensemble , le meilleur performance était tourné dans par le DSD .
Là 's un de eux ici .
Il 's Saywood 6 .
Un autre un que avait … I oublié quoi il était .
Laisser moi élargir ce dehors pour toi .
Dix-neuf .
Avis le pente est fermer à un ,
mais toi peut clairement voir là est quelques biais .
Dans autre mots , toi peut voir un compenser entre le équipé pente
et le idéal pente , le en pointillés bleu doubler .
Ce est joli typique dans l'ensemble .
I 'll juste très rapidement montrer toi .
Si toi avoir JMP Pro et toi vouloir à faire TOUT en utilisant linéaire modèles ,
juste aller à Ajuster Modèle , Rappel .
Ce est a complet quadratique modèle .
Toi pourrait faire autres .
Aller à GenReg et alors sous estimation méthodes .
Là 's TOUT Avant .
Là 's TOUT Lasso .
Ces travail très Bien .
Depuis a parcelle de travail dans ces méthodes ,
I toujours trouver TOUT Avant donne toi le meilleur résultats .
Le Lasso tend à donner toi a parcelle de biaisé résultats
sur test ensembles dans particulier .
Si toi 'concernant intéressé dans modèle moyenne , si toi avoir JMP standard ,
juste en allant à frapper rappel encore , juste aller à le Étape par étape plate-forme .
Je n'ai pas 't faire il . Étape par étape .
I gagné 't courir il .
Il volonté prendre aussi long parce que modèle moyenne utilisations meilleur sous-ensembles régression .
Il 's temps -consommant , mais il 's là .
Encore , Neural Réseaux avec TOUT ,
toi avoir à avoir le Prédit ajouter- dans à faire que .
Là 's a lien à il si toi 'concernant intéressé .
À ce indiquer ,
I je suis en allant à pas faire aussi beaucoup plus analyse .
Encore , toi peut aller à travers et regarder à le divers pentes
pour le divers réponses
et toi peut voir beaucoup de ces méthodes a résulté dans très biaisé pentes .
Dans autre mots , le DSD points et le espace -remplissage dessins sont aussi différent .
Nous 'ai vraiment a obtenu à comprendre nous besoin à ajuster modèles
sur le entier conception région .
À ce indiquer , I je suis en allant à juste finition en haut .
Par le chemin , là est assez matériel ici,
et I faire avoir essentiellement beaucoup pourparlers que sont combiné dans ici .
I s'excuser , mais I pense là 's un important message ici .
Par le chemin , I je suis juste montrant diapositives avec le Passage -Bablok pentes .
Alors enfin , I vouloir à juste donner toi quelques final pensées .
I pense nous vraiment besoin quelques nouveau pensée dans statistiques .
Nous enfiler 't avoir à lancer dehors tout nous 'ai a été faire .
I je suis pas adage que .
Le la plupart important est nous sont dans le ère de numérique science .
Numérique chimie , numérique biologie , numérique biotechnologie sont ici .
Ils 'concernant pas demain . Nous 'ai a obtenu loin plus automation .
Beaucoup de super ,
en particulier dans biotechnologie , pilote et banc échelle
appareils que échelle bien , où nous peut faire beaucoup de expériences .
Le problème est complexité .
Nous besoin à pense différemment .
Machine apprentissage méthodes via TOUT
sont très important pour convenable ces complexe systèmes .
Nous besoin à obtenir loin depuis le réponse surface approches
que vraiment havre 't modifié .
Peut être nous 'ai a obtenu ordinateurs et quelques nouveau dessins .
I pense DSD sont vraiment très intelligent .
Nous avoir optimal dessins , mais ils souffrir depuis le fait ils 'concernant limite dessins
et personnes garder insistant sur complet quadratique modèles .
Que 's a erreur , comme I 'ai essayé à montrer brièvement dans le parler ,
et toi volonté être capable à télécharger le parler ,
toi peut voir comment médiocrement ces méthodes en général a fait avec le complexe réponses .
Comme loin comme I je suis concerné , nous besoin nouveau types de optimal dessins .
À a minimum , ces besoin à accommoder a parcelle de facteurs .
Petit pâté , par le chemin , sans obtenir dans détails , a courir a DSD …
Pas a DSD . Toi a fait espace -remplissage conception avec 18 courses .
Donné ils avoir Ambre Technologie disponible ,
si toi savoir quoi que est , ils peut faire il .
Pourquoi faire nous besoin que ?
Parce que ces systèmes sont interactif .
Nous besoin à arrêt pensée ils 'concernant a mineure partie de le équation .
Principal effets faire pas décrire le comportement de a complexe système .
C'est interactivité est quoi lecteurs le comportement .
Nous besoin à couverture le intérieur de le conception région .
Oui , nous serait comme à couverture le frontières aussi .
Nous enfiler 't vouloir à être spécifiant a modèle .
Optimal dessins exiger toi spécifier quoi est généralement a complet quadratique modèle .
Nous besoin à obtenir loin depuis que .
Espace -remplissage dessins , par le chemin ,
sont optimal dessins que faire pas exiger a modèle être spécifié .
Mais ils 'concernant pas le total répondre .
Nous besoin à couverture le conception espace .
Nous besoin à donner le utilisateur a parcelle de saisir
que serait être scientifiques sur comment ils distribuer le points .
Le travail de Lundi Lundi et Anderson -Cuisiner indiquer le chemin .
I gagné 't avoir temps à obtenir dans que .
Que 's un autre sujet .
Nous besoin à être capable à facilement combiner notre conception avec autre données .
Que comprend ingénierie courses , BPF courses ,
même modèles depuis partiel différentiel équations et simulations .
En particulier si toi vouloir à obtenir dans numérique jumeaux ,
toi 'ai a obtenu à être capable à faire que en utilisant quoi I appel méta modèles .
Alors enfin , Petit pâté mentionné ce , donc I recherché à apporter il en haut .
Le standard pratique dans conception de expériences , supposant
que d'une manière ou d'une autre toi 'ai a obtenu à écran dehors facteurs
est en fait a vraiment haut -risque , Non -récompense stratégie dans complexe systèmes .
Toi volonté regret il .
Toi volonté un jour , à a plus tard scène , viens dos et avoir à refaire expérimental travail .
I 'ai vu ce temps et encore .
Dans complexe systèmes ,
ce idée que là sont actif et inactif facteurs est simplement faux .
Ils tous matière à quelques niveau quelque part dans le conception espace .
Franchement , avec notre moderne outils , toi enfiler 't besoin à faire il de toute façon .
Aussi , quelque chose autre personnes faire par réflexe réduire linéaire modèles .
Nous 'ai montré dans notre recherche dans TOUT .
Aussi , a bon papier par Smucker , Edwards ,
et nous a montré réduire modèles dégrade prédiction .
Pourquoi ? Parce que toi 'concernant fabrication ton modèle plus rigide et plus rigide ,
il 's pas en allant à interpoler Bien .
I volonté arrêt à ce indiquer et là sont quelques références à le fin .
