你好 每个人。
我的 姓名 是 米科尔·特雷索迪。
今天 我的 讲话 将要 是 关于 编码 和 连续的 和 混合物 变量
到 探索 更多的 的 这 输入 空间。
前 I 跳 进入 这 话题 尽管，
ID 喜欢 到 给 你的 简短的 大纲 的 什么 我的 推介会 会 看 喜欢。
患病的 开始 经过 分享 和 呈现 到 你 a 小的 少量 的 a 一般的 主意
的 什么 这 目的 的 这 项目 曾是 和 这 客观的 那 曾是 驾驶 它，
和 然后 患病的 经过 在 到 展示 这 最初的 方法
那 我们 拿了 最初 到 追求 这 客观的。
患病的 然后 展示 你 尽管，
那 下列的 这 最初的 方法， 我们 做 遇到 一些 问题。
在 那 观点 在 这 问题 阶段，
出色地 需要 到 去 后退 到 这 开始 的 这 问题 环境，
和 尝试 到 看 在 那 从 a 轻微地 不同的 看法，
在 a 方式 那 我们 能 数字 出去 一个 选择 方式
的 寻找 在 我们的 输入 变量。
在 正在做 这， 出色地 是 改变 我们的 数据 结构。
但 患病的 展示 你 如何 我们 能 实际上 建造 一个 相等的 统计 模型
在 a 方式 那 我们 将要 不是 是 在 需要 的 去 和 收集 任何 额外的 数据，
但 实际上 我们会 有能力的 到 重新分析 精确的 相同的 数据，
和 仍然 是 有能力的 到 希望 克服 我们的 最初的 问题
和 寻找 一些 有用 方向 到 去。
这 是 这 概述 的 这 推介会。
让 我 开始 经过 给予 你 这 一般的 主意 的 这 项目。
什么时候 这 客户 首次到达 出去 到 我们， 他们 有 某物 在心里
在 条款 的 拥有 一些 原料 他们 需要 到 混合 一起，
在 a 方式 那 这 最终的 配方 展出 一些 最佳的 特性。
更多的 具体来说，
任何 配方 曾是 去 到 是 被评判 之上 二 特性，
和 每个 的 这些 特性 有 到 见面 一些 肯定 最优性 标准。
作为 I 只是 声明， 这 问题 本身， 是 预 一般的 在 它是 自然 .
出色地 有 一些 原料， 使用 这 常见的 类比，
我们 能 思考 关于 我们自己 在 这 厨房 拥有 一些 原料
和 拥有 到 数字 出去 a 方式 到 混合 他们。
在 方式 那， 在 这 结尾， 我们的 蛋糕 将要 看 好的
和 还 品尝 好的。
这 是 这 一般的 框架。
现在， 让 我 给 你 一些 更多的 细节 关于 这 具体的 蛋糕。
这 食谱 调用 为了 四 原料，
因素 一个， 因素 B, 因素 C, 和 因素 D.
为了 因素 一个， B, 和 C,
实际上 这 数量 到 放 在 这 食谱 是 存在 预定的。
我们 不 有 自由 那里。
在 这 其他 手， 什么 我们 需要 到 决定 尽管
是 如何 是 去 到 制作 那些 原料， 如果 你 喜欢。
那里 是 多种的 方法 的 制作 那些 原料
因为 我们 有 多种的 生的 材料 那 我们 能 采用
到 到达 到 那些 原料。
然后 仅有的 后 拥有 这些 原料 准备好 为了 使用，
我们 能 实际上 采用 他们 在 这 最终的 食谱。
这 是 为了 因素 一个， B 和 C。
为了 因素 D 在 这 其他 手， 那里 是 仅有的 一 生的 材料 我们 能 使用。
仅有的 一 方式 的 制作 它。
什么 我们 需要 到 决定 是 如何 很多
是 去 到 放 a 因素 D 在 这 最终的 食谱。
只是 到 回顾一下， 在 条款 的 决定 -制作 问题，
出色地 需要 到 决定 四 事物，
如何 我们 制作 因素 一个， 如何 我们 制作 因素 B,
如何 我们 制作 因素 C,
和 如何 很多 的 因素 D 是 去 到 放 在 这 食谱。
好的， 现在 患病的 需要 到 是 a 小的 更多的 具体的
在 给予 你 一些 更多的 细节
关于 如何， 什么 是 这些 方法 的 制作 因素 一个， B, 和 C.
这 客户， 什么时候 他们 来了 到 我们，
他们 有 相对地 很少 选项 在 头脑 为了 这。
为了 因素 一个， 他们 通缉 到 考虑 二 生的 材料。
任何一个 仅有的 使用 生的 材料 A1， 或者 仅有的 使用 生的 材料 A2。
为了 因素 B, 一次 再次， 仅有的 二 生的 材料， B 1 和 B 2.
这 可能的 方法 的 制作 因素 B,
它 曾是 任何一个 这 二 纯的 混合物 的 B 1 和 B 2、
或者 a 50-50 混合 的 B 1 和 B2.
因素 C 我们是 现在 三 排 材料 是 可用的 为了 制作 它。
再次，要么 这 三 纯的 混合， C 1、 C 1、 C3，
或者 作为 a 第四 选项， 是 50-50 混合 的 C 1 和 C 2.
和 尊重 到 这 因素 D 数量，
哪个 我是 去 到 表示 经过 从 现在 在， 经过 X 1、
他们 通缉 到 测试 四 可能的 水平。
四 可能的 金额， 五， 10， 15， 和 20.
关于 这 回复 变量， 那些 是 轻微地 更多的 直截了当
在 这 感觉 那 我们 仅有的 有 二 的 他们，
两个都 我们的 连续的 变量。
每个 的 他们， 作为 I 曾是 提及 在 这 开始，
有 到 见面 肯定 最优性 临界点， 最优性 标准。
为了 Y1 有 到 是 多于 17. 为了 Y2 有 到 是 多于 2.6.
现在 我们 有 在 我们的 左边，
我们的 输入 变量 那 我们 需要 到 决定 如何 到 演习 和 各不相同
在 制作 这 食谱。
在 这 正确的 边，
我们 有 这 特性 那 是 感兴趣的 在。
什么 我们 决定 到 做 曾是
到 提出 我们的 客户 到 做 设计 实验
在 a 方式 那 我们 会 去 出去 和 制作 一些 的 这些 食谱，
制作 一些 的 这些 配方 和 是 有能力的， 从 这 集 数据，
后 记录 这 特性 为了 [听不清 00:06:32] ,
实际的 观察到 配方，
到 理解 和 推断 这 关系 正在经历
那 是 链接 这 输入 变量。
如何 我们 是 制作 我们的 食谱 和 回复 变量。
如何 这 特性 实际上 是 执行 他们自己
为了 不同的 组合 的 这 输入。
最终 那 这 客观的 的 这 项目 曾是 在 事实，
到 数字 出去 无论 那里 曾是 一个 最佳的 食谱，
意义 a 食谱 那 谁 特性
两个都 的 他们的 各自 最优性 标准。
鉴于 这 框架， 给定 这 环境，
现在 它是 漂亮的 清除 那 X 1 是 去 到 是 a 定量 多变的。
但 如何 关于 因素 一个， B, 和 C？
鉴于 这 事实 那 我们 能 混合 这些 生的 材料 .
是 我们 去 到 对待 他们 作为 分类 或者 是 我们 去 到 对待 他们 作为 数字？
在 这 阶段， 因为 这 客户 曾是 特别 感兴趣的 在
观察 这 表现 的 这些 具体的 作品 的 这 生的 材料
为了 制作 这 各种各样的 因素 一个， B, 和 C,
我们 决定 到 容纳 他们的 请求 和 编码 他们 作为 分类 变量
在 a 方式 那 我们 是 当然 那 那些 具体的 作品
是 去 到 展示 向上 在 这 设计 的 实验。
再次， 分类 变量 方法 那， 和 在 这 案件，
每个 等级 的 这 分类 对应 到 a 可能的 方式
的 制作 这 成分 或者 因素。
我们 结尾 向上 和 三 分类 变量
和 二， 三， 和 四 级别 分别。
现在， 转弯 出去 那 实际上
这 分类 编码 方法 曾是 还 漂亮的 有帮助的 在 这 讨论
的 如何 我们 通缉 到 指定 这 统计 模型
那， 在 原则， 曾是 假定 到，
或者 在 至少 假定 到 是 综合的 足够的
到 描述 和 捕获 这 关系 正在经历
之间 这 因素 和 这 回复 这 特性。
为了 这 客户， 曾是 特别 简单的
为了 拥有 这 分类 编码 到 确认 和 指定
什么 互动类型 转弯 WHO 他们 是 期待 到 看
在 条款 的 解释 和 是 相关的 在 解释 这 关系。
这 最终的 统计 模型
那 我们 结束 向上 指定 这 设计 的 实验，
包括 的 主要的 效果， 二 -方式 互动， 全部 的 他们，
二次函数 和 立方体 条款 为了 这 继续 多变的
和 这 添加 的 这 相互作用 的 这 二次函数 和 一 的 这 因素。
现在， 的 课程，
我们 还 有 一些 约束 在 这 数字 的 实验 可用的。
因为 我们 明显地 不 有 无限 数量 的 资源，
所以 我们 放 a 约束 的 51 跑步，
和 这 是 这 美国能源部 那 跳转 给了 我们
有能力的 到 估计 这 统计 模型 我们 只是 指定的，
和 还 是 有能力的 到 是 之内 这 约束
那 在 我们的 资源。
现在 和 这， 这 仅有的 事物 那 曾是 左边 到 做
曾是 去 和 制作 这 51 配方。
想象 那 是 极好的 快的， 和 一切 是 魔法，
和 我们 有 已经 得到 枪
和 制成 全部 的 我们的 关系 集 数据 .
现在 我们 是 在 好的 形状 为了
估计 这 高斯 模型 那 我们 指定的。
这些 是 这 结果 为了 这 第一个属性，Y 1.
我们 能 看 那 那里 是 a 漂亮的 好的 合身 之间 预测 和 实际的 值。
A 另外， 如果 我们 看 在 这 指标， 这 报告， 这 模型 概括，
那些 看 漂亮的 令人满意的。
这 相同的 是 真的 如果 我们 看 在 现在 在 这 第二 财产 Y2，
再次， 漂亮的 好的 合身。
我们 是 快乐的 和 我们的 模型， 和 我们 思考 我们 做过 a 好的 工作
在 捕获 这 关系。
现在 记住 那 什么 我们 真的 想 到 发现 是， 在 事实，
那里 是 任何 最佳的 食谱 那 能 见面 两个都 标准 为了 我们的 特性。
如何 是 我们 去 到 做 这？
如何 是 我们 去 到 建立 如果 这样的 a 最佳的 食谱 存在 或者 不是？
出色地， 在 JMP Pro 16， 这 是 a 极好的 简单的 任务，
因为 我们 能 模拟 数千 的 潜在的 替代方案 食谱
经过 使用 这 分析器 特征 选项。
为了 每个 的 这些 假想 食谱，
我们 能 自动地 有 在 这 相同的 桌子
这 预测 意思是 价值 为了 这 二 特性，
所以 那 它 来 超自然 和 极好的 简单的
到 看 如果 那里 是 任何 最佳的 食谱。
只是 到 给 你 一个 主意 如何 快的 那 是，
I 想 到 展示 你 居住， 如何 我们 能 做 这。
这 是 我的 美国能源部 分类 桌子， 在哪里 I 有 我的 因素 一个， B, 和 C.
X1 是 我的 仅有的 定量 输入 变量。
I 有 我的 已记录 价值观 为了 这 二 特性， Y1 和 Y2。
现在想象一下 那 我们 有 已经 跑步 这 模型， 估计的 模型
和 已保存 这 预言 公式 为了 这 二 变量 这里。
我们 能 去 这里 和 强调 这些 二 列。
去 到 图形， 选择 分析器，
和 然后 放 那些 二 预言 公式 在 这 Y 预言 公式 盒子
和 点击 好的。
这 是 这 通常 方式 我们 得到 a 分析器 对话 盒子。
在 事实， 我们 能 , 容易地 玩 大约 和 改变 这 各种各样的，
但 级别 的 这 输入 在 a 方式 那 我们 能 实际上 看
如何 这 影响 我们的 预测 为了 这 二 特性。
然而， 什么 I 想 到 展示 你 今天
是 如何 我们 能 实际上 问， 去 到 这 红色的 三角形，
问 跳转 到 输出 a 随机的 桌子， 和 我们 能 制作 它 作为 大的 作为 我们 喜欢。
我是 去 到 开始 和 3万 行， 只是 到 开始，
患病的 展示 你， 看，
没有 真的，花了 不 时间 为了 跳转 到 给 我们 这 3万 行
在哪里 每个 桌子， 在哪里 每个 排 对应 到 a 假想 食谱
那 我们 没有 一定 见过 在 这 美国能源部。
这 是 这 力量 的 拥有 这 特征 在 跳转，
那 我们 能 探索 这 输入 空间 在 字面上地 不 时间。
现在， 如果 我们 是 感兴趣的 在 看到
无论 那里 是 一 食谱 那 是 最佳的，
然后 我们 能 去 这里， 图形 建造者，
和 放 这 预测 价值观 为了 Y1， 预测 价值观 为了 Y2。
和 然后 只是 到 援助 我们的 可视化，
我是 去 到 放 a 垂直的 轴
在 一致 的 这 最佳的 临界点 为了 Y2，
和 同样地 水平的 线 标记 这 最佳的 临界点 为了 Y1。
这 上 象限 表示 这 最佳的 地区，
因为 两个都 特性 是 令人满意的 这 最优性 标准。
很遗憾， 那 我们 能 看 从 这里
那 我们 不 寻找 任何 食谱 那 是， 在 事实，
有能力的 到 满足 两个都 这 标准。
这 是 喜欢， 好的， 不是 非常 好的 消息。
现在 让 我 去 后退 到 我的 推介会 非常 快的。
我们 能 看， 在 事实，
那 我们 不 有 任何 特性 线 这 象限
和 这 快乐的 绿色的 笑脸。
什么 做 我们 做 在 这 观点？
做 我们 给 向上？ 的 课程 不是。
什么 我们 能 做 是， 在 事实， 去 后退 到 这 开始 的 这 问题
和 尝试 到 看 如果 我们 能 改变 任何 的 我们的 最初的 选择
那 我们 首次制作 在 接近 这 问题。
在 特别的， 你 可能 是 记住 那 我们 是 未定
无论 我们 会 对待 这 因素 一个， B, 和 C
作为 分类 或者 作为 数字。
所以 远的 我们 有 治疗 他们 作为 绝对的。
所以 远的， 因素 A 作为 存在 a 分类 多变的， 和 二 级别，
任何一个 仅有的 使用 A1 或者 仅有的 使用 A2.
然而， 因为 在 事实， 这 客户 是 打开
到 混合 这 生的 材料 到 制作 因素 一个。
所以 那 曾是 一个 选项。
然后 什么 我们 能 思考 的
是 替代 这 因素 A 和 多变的
那 现在 I 称呼 A1 内容， 哪个 是 a 定量的 多变的，
哪个 代表 如何 很多 的 A1 我是 去 到 放
进入 这 混合物 的 A1 和 A2 为 制作 因素 一个。
这 翻译，
这 转换 之间 分类 级别 和 数值 价值观，
它是 几乎 即时 .
如果 我是 仅有的 使用 A1， 我是 去 到 使用 100%的 A1 在 我的 混合物。
所以 I 能 代码 A1 内容 到 是 平等的 到 一。
在 这 对面的 边， 如果 我是 仅有的 使用 A2，
这 方法 那 I 有 零 A1 内容 在 我的 混合物，
和 所以 A1 内容 是 去 到 是 平等的 到 零。
你 可能 有 猜测 那 隐含地，
我们 是 还 定义 A2 内容 到 是 平等的 到 1 - A1 内容。
但 我们 不 真的 需要 那
因为 我们 是 仅有的 寻找 在 二 混合物 变量。
为什么 是 我们 正在做 这？
出色地， 这 优势 是 清除 .
和 因素A，
我们 是 受限 在 寻找 在 任何一个 A1 内容 到 是 平等的 到 零 或者 一。
现在 那 是 考虑 继续 编码，
这 A1 内容 能 拿 任何 价值 之间 零 和 一。
这， 的 课程，
代表 一个 巨大的 跳 在 这 灵活性 的 我们的 模型
和 一个 无限 在 这 感觉 那 现在 我们 是 打开
到 字面上地 无限 更多的 混合物 和 无限 更多的 方法 的 制作 因素 A。
同样地， 因素 B 是 分类 和 三 水平。
所以 远的 它是 到过 这 方式，
编码 仅有的 B1， 仅有的 B2 或者 50-50 混合。
但 下列的 这 相似的 逻辑，
我们 能 现在 介绍 和 B1 内容， 连续的 多变的。
A 获得， 这 转换 是 去 到 是 确切地 这 相同的。
50-50 混合 的 B 1 和 B 2 将要 是 已转换 在 0.5
因为 我是 使用 50 % 的 B 1 和 50 % 的 B 2.
再次， B 2 内容 是 1 - B 1 内容。
A 获得， 这 优势 是 那 是 不是 边界 到 跳 从 零 到 0.5，
或者 到 零 到 一 一定，
但 我们 能 探索 这 所有的 光谱 的 价值观
从 零 到 一。
因素 C 是 可能 更多的 技巧，
因为 我们 做 有 三 可能的 生的 材料 到 混合 向上。
A t 这 阶段，
我们 需要 到 介绍 不是 只是 一， 但 实际上 三 连续的 变量
那 除了 存在 连续的， 有 还 这 混合物 限制。
意思是 全部 次， 他们 需要 到 是 某物 到 一。
但 这 转换
之间 这 级别 的 因素 C 和 这 三 新的 混合物 变量
关注 确切地 这 相同的 逻辑。
那是 极好的 简单的。
这 是 只是 a 可视化 的 如何 我们 做 这 转换 的 这 水平。
这 是 如何 这 美国能源部 点 那 我们 已经 有 这 数据 在。
我们 不 需要 任何事物 别的。
是 座位 之内 这 连续的 编码 空间。
现在， 这 仅有的 更多的
涉及 步骤 在 通过 从 这 分类 编码
到 使用 a 连续的 编码 是 如何， 在 事实，
我们 转变 这 这 统计 模型
那 我们 使用 到 设计 这 实验 和 然后 到 分析 这 数据。
如何 是 我们 去 到 做 这？
出色地， 这 更轻松 方式 是 到 只是 做 它 在 许多 小的 步骤。
什么 是 去 到 做 是 开始 和 我们的 主要的 效果 模型，
a 小的 经过 小的 在 这 不同的 因素。
我们 开始 和 因素A， 哪个 有 仅有的 二 水平。
现在 在 这 连续的 编码， 什么 是 去 到 放 是 A1 内容。
是 仅有的 去 到 放 这 线性 学期 的 这 A1 内容。
在 事实， 我们 仅有的 有 一 系数 为了 因素A 在 这 类别 编码 模型。
同样地， 现在 是 去 到 有 一 单身的 系数 为了 A1 内容。
现在 如果 你 不 相信 我， 这， 它是 一个 相等的 模型。
我是 去 到 展示 你 a 夫妻 的 例子。
想象一下 我们 想 到 数字 出去
这 影响 的 使用 仅有的 A2 为了 制作 因素A，
然后 那 方法 那 A1 内容 是 零。 美好的。
从 这 分类 编码 模型，
是 去 到 只是 看 在 这 截距 学期，
因为 这 额外的 学期 指的是 到 什么时候 我们 使用 答1.
在 这 其他 边，
为了 连续的 编码 模型，
是 去 到 放 这 截距， 的 课程，
和 然后 这 A1 内容 系数， 但 现在 我们 将要 乘 它 经过 零
因为 A1 内容 是 零。
不是 甚至 正在做 任何 数学，
你 能 真的 看 那 这些 二 数字 是 确切地 这 相同的。
相似地， 如果 我们 想 到 看 , 什么是 这 影响 的 使用 仅有的 A1
现在 在 这 时间， A1 内容 是 去 到 是 平等的 到 一。
现在 为了 分类，
我是 去 到 和 向上 这 截距 学期 加 这 因素A 系数 符合
会计 为了 这 不同之处 和 这 级别 的 这 因素。
在 这 其他 不过，
我们 是 去 到 总是 包括 这 截距。
A t 这 观点， 出色地 乘 这 A1 内容 系数 经过 一
因为 这 内容 是 一。
再说一遍，不是 甚至 任何 数学，
这 二 数字 这里 是 这 相同的 作为 这 二 数字 这里。
确切地 相等的。
现在 和 因素 B, 我们 有 三 水平。
如何 是 我们 去 到 做 那？
出色地， 因为 它 有 三 级别， 现在 我们 不能 只是 添加 这 线性 学期，
但 我们 还 需要 到 添加 这 二次函数 学期。
我们 有 二 系数 前， 和 是 去 到 有 二 系数
现在也 和 这 连续的 编码。
A 获得， 如果 你 不 相信 我， 这 是 一个 相等的 模型，
我们可以 工作 出去 在 至少 一 例子， 哪个 作品 确切地 作为 之前 和。
如果 I 仅有的 有 B2、B 1 内容 在 零，
方法 那 二 系数 是 去 到 有 零 重量
在 计算 这 影响。
所以 这 二 数字 是 仅有的 只是 二 那 是， 在 事实 这 相同的。
我是 不是 去 到 去 进入 这 再次，
仅有的 B 1 是 相等的 到 B1 内容 平等的 到一个。
这 最多 有趣的 是，
这 那 在 至少 需要 你 到 做 一些 总结。
在哪里 B 1 内容 是 去 到 是 0.5， 因为 我们 是 考虑 50-50 混合。
你 能 核实 容易地
那 这些 二 数字 这里 总结 向上
是 相等的 到 这 其他 边 的 这 方程
在哪里 我们 放 0.5 和 0.5 平方，
因为 现在 我们的 B 1 内容 是 平等的 到 0.5。
现在 为了 因素 C, 我们 有 四 水平。
我们 特别 记住， 我们 有 三 可能的 生的 材料。
我们 有 到 介绍 三 混合物 变量。
每一个 时间 我们 做 有 到 交易 和 混合物 变量 事物，
它是 轻微地 复杂的
因为 他们 变得 完美 清洁工 和 任何 持续的 学期。
在 放置 这 C 1、 C 2、 和 C 3、
这 和 的 他们 删除 或者 需要 我们 到 删除 这 持续的 学期。
但 其他 比 那， 一切 关注 漂亮的 很多 这 相同的。
我们 有 三 系数 这里，
和 是 仍然 去 到 有 三 系数 这里
因为 我们 有 四、 但 我们 是 得到 摆脱 的 这 截距。
所以 仍然 这 相同的 平衡。
A 获得， 我是 不是 去 到 去 通过 全部 的 这 例子，
但 你是 更多的 比 欢迎 到 看 在 这 幻灯片 离线
和 查看 那 那些 是， 在 事实， 给出 你 总是 这 相同的 答案。
这些 是 全部 这 例子。
现在 和 所以 很多 工作， 我们 有 成立 这 转换 的 这 主要的 效果。
如何 我们 实际上 转变 每个 分离 因素
进入 使用 这 新的 连续的 变量？
现在 我们的 原来的 模型， 尽管， 包括 更多的 比 只是 主要的 效果。
在 事实， 我们 有 这 二 -方式 互动。
现在 这 主意 这里 是 那 每一个 时间 因素A 出现，
我是 去 到 代替 它与 A1 内容。
每一个 时间 因素 B 出现，
我是 去 到 代替 它
和 这 两个B1 内容 和 B 1 内容 平方。
同样地 为了 因素 C,
我是 去 到 代替 它 和 这 四 条款 那 我已经 放 这里。
这 相同的 持有 什么时候 我是 互动 和 X 1、
和 一切 是 非常 很多 在 这 相同的 味道，
逻辑上 关注 这 相同的 方案。
这 仅有的 警告 那 你 想 到 是 意识到的 的
和 是 特别 细心 关于
是 那 每一个 时间 你 相互影响 三 混合物 变量，
在哪里 那些 是 你的 三 混合物 变量，
那些 主要的 效果 那 你 起初 有 现在 需要 到 是 排除 从 这 模型，
否则， 这 模型 惯于 是 可行的。
那是 这 仅有的 警告 那 你 需要 到 是 小心 关于。
其他 比 那， 是 准备好 到 去。
我们 得到 我们的 相等的 连续的 模型。
现在 什么 我们 能 做 是， 在 事实， 再次， 核实 那 一切 是 仍然 相同的。
I 得到 确切地 这 相同的 预测，
任何一个 使用 这 分类 编码 或者 去 和 使用 这 连续的 编码。
现在 你 可能 问 我， 为什么 是 你 去 进入 所以 很多 麻烦
和 去， 正在做 所以 很多 混乱 如果 事物 是 确切地 相同？
出色地， 这 优势 是 即时 到 看，
和 你 能 真的 欣赏 它 如果 你 开始 寻找 在 这 分析器。
这 是 这 分析器， 如何 它 看起来， 什么时候 你 使用 这 分类 编码 .
你 有 到 跳 之间 这 不同的 水平。
你 不 有 这 最微弱的 主意 什么 能 发生 在 之间。
随着 连续的 编码 在 其他 手，
那是 确切地 什么 你 能 做。
你 能 探索 方式 更多的 的 这 不同的 可能的 方法
的 制作 这 各种各样的 原料 因素A， B, 和 C
在 a 方式 那 前 它 曾是 只是 出去 的 界限。
在 技术的 条款， 方法 那 我们 有 方式 更多的 力量 的 插值。
这 没有 来 自由的， 的 课程。
什么 你 支付， 这 价格 的 是 在 事实，
那 你 是 隐含地 制作 一些 假设。
这 假设 问候 这 方式 那 这 各种各样的 新的 连续的 变量
那 我们 有 介绍 是 有关的 到 这 回应。
在 a 方式， 我们 是 隐含地 假设 那
这 关系 之间 A 1 内容 和 我们的 特性 是 线性的。
这 关系 之间 B1 C 帐篷状 是 二次和 所以 向前。
如果 你 思考 那 那些 假设 不 真的 抓住 在 你的 案件，
然后 的 课程， 这 所有的 程序 是 值得怀疑。
你 不 想 到 追求 这。
但 如果 你 不 有 任何 原因 为什么 你 不会 相信 这，
或者 在 至少 为什么 你 不会 在 至少 探索 这 可能性，
然后， 现在 我们 能 去 后退 和 做 这 相同的 锻炼
和 探索 再次 这 输入 空间， 但 和 方式 更多的 灵活性。
再次， 让我们 看 如果 我们 能 寻找 那 一个 最佳的 食谱
和 这 新的 连续的 混合物 编码。
如何 是 去 到 做？ 出色地， 确切地 相同的 方式。
我要 使用 这 跳转 分析器 特征
和 使用 这 模拟 和 看 如果 我们 能 寻找 任何事物。
现在 让 我 去 这里。
这 是 我的 美国能源部 连续的 桌子。
连续的， 因为 现在 你 能 看 那
这些 是 全部 编码 作为 连续的 变量 .
他们 有 这 蓝色的 三角形 下一个 到 他们自己 .
这 C 1、 C 2、 C 3 是 还 这些 星星，
指示 那 他们是 编码 作为 混合物 变量 在 跳转。
现在 想象 那 再次，
我们 有 已经 已安装 我们的 模型 和 这 合身 模型 平台。
我们 已保存 我们的 预言 公式 现在 和 这 连续的 编码。
什么 是 去 到 做 相同的 事物，
图形 分析器， 选择 那些， 和 这里 我们 去。
这里 是 我们的 预言 分析器。
现在 我们 能 玩 方式 更多的 和 这 分析器 和 看 全部 不同的 组合
没有 拥有 到 跳 之间 不同的 选项。
现在， 一次 再次， 红色的 三角形， 输出 随机的 桌子。
只是 为了 制作 事物 公平的， 我是 去 到 问 3,000 行。
再次， 不 时间， 字面上地 眨 的 一个 眼睛。
跳转 给出 你 3,000 排 表
在哪里 现在 每个菜谱都重复了，抱歉。
每一行 是 再次， a 潜在的 假想 食谱
那 我们 没有 真的 看到， 一定 见过 在 我们的 美国能源部
但 它 仍然 可行的，
因为 它 仍然 尊重 这 约束 那 我们 有 在 这 开始。
一次 再次，
到 数字 出去 无论 某物 好的 是 正在发生，
或者 在 至少 无论 之内 这 3万 配方，
我们 做 寻找 某物 那 是 最佳的。
我是 去 到 构造 这 相同的 图形。
现在 你 能 看 那 我们的 点 是 全部 分散 和 是 不是 对齐 不再。
再次， 配件 这 轴 只是 到 援助 我们的 可视化。
这 是 这 好的 事物。
和 这 方式 的 编码 和 寻找 在 更多的 的 这 输入 空间，
我们 做 寻找 很少 配方 那 似乎 到 是 有希望。
的 课程， 我们 需要 到 保持 在 头脑 那 这 我们的 预测 值。
一切 是 仍然 依靠 在 我们的 数据， 在 我们的 统计 模型 分析，
但 是 仍然 更多的 有前途 比 前。
我们 做 寻找 某物 在 这 最佳的 地区 定义 经过 这些 二 轴。
迅速地， 去 后退 到 我的 推介会，
I 想 到 画 a 最终的 结论 这里，
哪个 是， 在 事实， 那， 使用 这 分类 编码，
我们 不能 寻找 任何 食谱 那 在 至少 在 这 预测 边，
可以， 在 事实， 见面 两个都 这 最优性 标准。
出色地， 一次 我们 转动 到，
计算 出去 如何 到 代码 这些 不同的 分类 变量
进入 连续的 和 混合物 变量
和 开发 这 跳转 力量 的 给予 我们 数千 和 数千 的 配方，
我们 做 寻找 a 很少 那 在 事实 见面 这 规格。
我们 是 快乐的 那 在 至少 我们 可以 去 后退 到 我们的 客户 说，
看， 反而 的 给予 向上 在 你的 项目，
尝试 到 制作 这些 配方 和 看 如何， 在 事实，
无论 这 实际的 特性 做 见面 你的 标准 或者 不是，
但 在 至少 它 给出 我们 一些 方向 的 改进 在哪里 到 去。
和 这， ID 喜欢 到 结尾 我的 推介会。
感谢 我的 同事， Xinjie Tong
和 全部 的 我的 合作者 在 陶氏 化学。
感谢 你， 全部 的 你 为了 观看 我的 推介会。
患病的 是 更多的 比 快乐的
到 回答 任何 问题 你 可能 有 在 这 观点。
感谢 你。
