| Conférencier |
Transcription |
| James Wisnowski |
Bienvenue à l'équipe Découverte. Andrew Carl, Darryl Ahner et moi-même sommes ravis de vous présenter deux nouvelles techniques d'échantillonnage adaptatif. |
| |
Cela va vraiment apporter aux praticiens une précieuse aide pour améliorer la conception des expériences. Je souhaite passer en revue quelques-unes de nos expériences. |
| |
J'ai déjà expliqué comment tout cela s'est produit. Mais lorsqu'on pense aux plans d'expérience et à l'amélioration des conceptions, JMP offre déjà une fonctionnalité robuste. |
| |
Ce que nous avons découvert en travaillant sur des études de simulation à très grande échelle, c'est qu'il nous manque un élément ici. |
| |
plans de remplissage des lacunes et plans d'échantillonnage adaptatifs. Et le |
| |
Le point clé sera que les plans d’échantillonnage adaptatifs se concentreront sur la réponse. |
| |
C'est donc assez différent d'une conception standard où l'on augmente, où l'on examine l'espace de conception et la matrice X. Nous allons maintenant prendre en compte les cibles ou les réponses. Cela aboutira donc à |
| |
Nous offrons une toute nouvelle capacité pour tester des échantillons supplémentaires, là où l'intérêt se fait sentir. Nous souhaitons donc nous situer dans une région à fort gradient, comparable à la méthodologie des surfaces de réponse, aussi profonde que l'ascension. |
| |
Nous allons maintenant automatiser cela en étant capable de le faire avec de nombreuses variables et des milliers d'exécutions dans la simulation. |
| |
La bonne nouvelle est que cela s'adapte assez bien au praticien avec les petits modèles également. |
| |
Et je vais faire un rapide tour d'horizon de notre ajout que nous allons vous montrer, puis Andrew parlera un peu des détails techniques de cela. |
| |
Donc, une chose pour laquelle je tiens à m'excuser, c'est que cela va être plutôt centré sur PowerPoint plutôt que sur un module complémentaire JMP. |
| |
pour deux raisons... je devrais dire, plutôt que la démo JMP... pour deux raisons, principalement parce que notre |
| |
Nous avons beaucoup de matière à traiter, mais notre utilisation de JMP réside aussi dans l'algorithme que nous créons pour cet échantillonnage adaptatif. |
| |
En fin de compte, le pointer-cliquer de JMP est une interface utilisateur très simple que nous avons développée, mais qu'est-ce qui se cache derrière |
| |
Et l'algorithme, c'est vraiment la force de JMP. Bref, la conception de remplissage des lacunes est assez claire. On voit qu'il y a des lacunes ici, peut-être que c'est un peu exagéré, mais c'est une démonstration de la technique. |
| |
bien qu'en réalité, nous puissions avoir un très grand nombre de facteurs avec cette malédiction de dimensionnalité qui peuvent entrer en jeu et vous avez ces trous dans votre conception. |
| |
Et vous pouvez voir, nous pourrions l'augmenter avec cette conception de remplissage d'espace, qui est en quelque sorte le cheval de bataille |
| |
Dans l'augmentation de beaucoup de nos travaux, notamment en stimulation, et ça ne semble pas si mal. Si on regarde ces points bleus, qui sont les nouveaux |
| |
Les points ajoutés ne sont pas si mal. Et puis, en y regardant de plus près, on voit que nous avons commencé à en reproduire beaucoup. |
| |
que nous avons déjà fait et peut-être que nous n'avons pas rempli ces trous autant que nous le pensions, en particulier lorsque nous enlevons la coloration bleue et nous pouvons voir que |
| |
Il y a encore beaucoup de lacunes. Alors que nous développons l'échantillonnage adaptatif, nous avons compris qu'il fallait combler certaines lacunes. |
| |
Dans beaucoup de ces conceptions, nous avons développé un algorithme dans notre outil, notre module complémentaire, appelé Explorateur de limites, qui effectue précisément cette tâche… |
| |
pour toute conception, il effectuera cette fonction particulière pour combler les trous et vous pourrez voir où cela pourrait avoir beaucoup d'utilité dans de nombreuses applications différentes. |
| |
Sur cette diapositive ou ce graphique, on constate que ces points bleus sont désormais plus concentrés pour les trous, tandis que d'autres sont dispersés dans le reste de la région. Mais même en allant vers… |
| |
vous pouvez colorier de manière à ce que cela paraisse beaucoup plus uniforme, nous avons très bien rempli cet espace. |
| |
C'était un outil essentiel pour atteindre notre objectif principal, à savoir l'échantillonnage actif. Et c'est la principale application que nous avons trouvée pour cela. |
| |
Il s'agissait de systèmes autonomes, qui ont suscité beaucoup de buzz et ont fait l'objet de nombreuses productions et tests, notamment au sein du ministère de la Défense. |
| |
Dans les systèmes autonomes, on peut penser qu'il y a deux éléments principaux. En réalité, ce dont on parle, c'est qu'il faut vraiment… |
| |
Un capteur pour indiquer au système où il se trouve. Et ensuite, l'algorithme ou le logiciel pour réagir. Donc, c'est en quelque sorte le capteur… |
| |
L'intégration de logiciels algorithmiques, sur laquelle nous nous concentrons principalement, génère un modèle de simulation très complexe qui doit absolument être |
| |
Ils ont été exécutés des milliers de fois. Mais plus important encore, nous avons constaté que ces systèmes autonomes ont des limites de performance. |
| |
Prenons l'exemple d'un leader-suiveur dans l'armée. Un soldat conduit un véhicule blindé très lourd. |
| |
camion dans un convoi et puis le reste du convoi serait autonome, ils n'auraient pas de soldats à l'intérieur. |
| |
Ou pensez peut-être au dernier Tesla, le pick-up, avec navigation automatique, n'est-ce pas ? L'idée est donc de tester ces systèmes, et nous devons finalement effectuer de nombreux tests. Et voici ce qui se passe : |
| |
Par exemple, même avec cette Tesla, à 50 km/h, vous pourriez éviter un obstacle sans problème. Mais à 50 km/h, vous devriez effectuer une manœuvre d'évitement hors des spécifications de l'algorithme. |
| |
C'est de cela dont on parle quand on dit que ces limites sont là. Elles sont très abruptes. |
| |
Modifications de la réponse, régions à très fort gradient. C'est là-dessus que nous souhaitons concentrer notre attention. |
| |
Nous ne sommes pas tant intéressés par une surface plane, c'est vraiment là que se trouve la partie intéressante, c'est là que nous aimerions le faire. |
| |
Et honnêtement, ce que nous avons constaté, c'est que plus nous répétons, plus notre solution s'améliore. Nous avons complètement |
| |
Je recommande de procéder de manière itérative. L'aspect adaptatif consiste donc à effectuer des tests, puis à générer de nouveaux points positifs, à observer leurs réponses et à adapter la prochaine série d'exécutions en conséquence. |
| |
Voilà donc notre échantillonnage adaptatif. |
| |
L'idée, la genèse de tout cela, est née d'un travail que nous avons mené avec les laboratoires de physique appliquée de l'Université Johns Hopkins. Ils font un travail formidable avec l'armée et |
| |
En l'analysant dans un de leurs articles, je me suis dit : « Votre travail est fantastique, et nous pourrions même utiliser JMP pour trouver une solution plus accessible à de nombreux praticiens. » Car le problème avec |
| |
Johns Hopkins est que c'est très spécifique et c'est quelque chose... à intégrer, ce n'est pas quelque chose de très |
| |
Accessible aux petites équipes de test. Nous souhaitons donc le mettre à la disposition de ceux qui pourront l'utiliser immédiatement. |
| |
Cet article du Journal of Systems and Software est en quelque sorte à l'origine de notre exploration des limites. Il s'avère que nous avons utilisé de nombreuses bonnes idées, mais nous avons pu proposer des approches différentes. |
| |
et d'autres méthodes. Notamment, l'utilisation des fonctionnalités natives de JMP Pro ainsi que certains développements, comme la conception de remplissage de lacunes que nous avons réalisée en cours de route. |
| |
Maintenant, |
| |
En ce qui concerne cet exemple de problème, il serait probablement préférable que je l'explique simplement. |
| |
Voici une démonstration. Si je regarde un graphique ici, je vois que… Je vais utiliser ceci… Je reviens à l'exemple de Tesla. Imaginons que je réalise une activité de navigation automatique avec deux facteurs d'entrée, et disons… |
| |
Nous avons la vitesse et la densité du trafic. Nous pensons donc à cet algorithme Tesla. Il veut se placer sur la voie de gauche, donc, disons, dépasser. Il doit donc s'insérer. L'un de ces facteurs est la vitesse de la Tesla, et l'autre pourrait être la densité du trafic. |
| |
Et puis, peut-être, dans cette zone, nous avons un nombre plus bas. On peut donc imaginer ces nombres de 2 à 10, et même imaginer les réponses, comme une probabilité de collision. |
| |
Donc, à basse vitesse/faible densité, nous avons une très faible probabilité de collision, mais ici, à grande vitesse/ |
| |
Avec une densité élevée, la probabilité est très élevée. Mais ce que j'ai souligné et sélectionné ici, c'est que la pente est très raide. |
| |
Différences de performance le long de la région limite. Il faudrait donc, à mesure que nous effectuons la simulation, multiplier les tests logiciels pour l'algorithme. |
| |
Notons que marquer des points ici ne nous apporte pas grand-chose. Nous savons que nous sommes performants en faible densité et à faible vitesse. Ce que nous voulons, c'est vraiment travailler sur la zone délimitée. Voilà notre problème. |
| |
comment puis-je générer 200 nouveaux points qui vont réellement suivre mes conditions aux limites ici. |
| |
Maintenant, ce que j'ai fait, c'est que j'ai vraiment, c'est X1 et X2, encore une fois, pensez à la vitesse et... |
| |
Notre vitesse et notre densité. J'ai ensuite ajouté une variable prédictive qui ne signifie rien. Et puis, il y a notre réponse. Pour ce faire, il me suffit d'accéder à l'Explorateur de limites et d'utiliser l'échantillonnage adaptatif. |
| |
Mes deux réponses (et vous pouvez en avoir autant que vous le souhaitez), puis voici mes trois facteurs d'entrée. J'ai ensuite quelques paramètres : je souhaite cibler ou non les valeurs minimale et maximale globales, et afficher la limite. |
| |
Et nous allons aussi vous montrer que vous avez un certain contrôle. Dans cet algorithme, nous cherchons à savoir ce que font les voisins les plus proches. Si tous les voisins les plus proches ont la même réponse, la probabilité d'avoir… |
| |
Un accident, ce n'est pas un endroit très intéressant. Je veux voir où il y a de grandes différences. Et c'est là que se trouve le voisin le plus proche. |
| |
entre en jeu. Je vais donc l'exécuter. Ce que nous voyons ici, c'est que l'algorithme utilise la fonctionnalité native de JMP pour le filtrage des prédictions. |
| |
Heureusement, il n'utilise pas la distribution normale. On voit qu'il exécute la forêt bootstrap. Andrew va expliquer où cette méthode a été utilisée. |
| |
Et finalement |
| |
Ce que nous allons faire ici, c'est générer un ensemble complet de nouveaux points qui, espérons-le, devraient se situer le long de la limite. Cela m'a pris environ 30 secondes pour créer ces points, et à partir de là, je peux simplement les afficher. |
| |
Mes nouveaux points. Vous pouvez donc voir que mes nouveaux points se situent le long de ces limites. C'est probablement plus facile à voir si j'ajoute l'autre |
| |
ceux. |
| |
Alors ici, peut-être que je vais |
| |
changez la couleur ici très rapidement. |
| |
Et je vais continuer et montrer peut-être le point médian de la perturbation. |
| |
Nous pouvons donc voir où se trouvent les nouveaux points. Ceux qui sont grisés sont ceux d'origine, et nous voyons maintenant tous les nouveaux points générés dans cette limite. |
| |
Alors bien sûr, la question est : comment, comment avons-nous fait cela ? |
| |
Alors ce que je vais faire, c'est revenir à ma présentation. |
| |
Et à partir de là, je vais en quelque sorte céder la parole à Andrew, qui nous donnera un peu plus de détails techniques sur la façon dont nous procédons pour trouver ces points limites, car ce n'est pas aussi simple que nous le pensions. |
| André Karl |
D'accord. Merci, Jim. Je vais commencer par parler rapidement du comblement des lacunes, car nous avons également intégré cette fonctionnalité à l'outil Beast. |
| |
C'est également un outil autonome. Son interface est simple : il suffit de sélectionner les colonnes pour définir l'espace à remplir. |
| |
Et pour les facteurs continus, il lit la propriété de la colonne de codage pour obtenir les valeurs hautes et basses et il peut également prendre des facteurs nominaux. |
| |
De plus, si vous avez généré ceci à partir d'une conception personnalisée ou d'une conception de remplissage d'espace et que vous avez interdit les combinaisons, il sera lu dans le script de combinaison interdit |
| |
et ne remplit les espaces vides que dans la limite autorisée. L'utilisateur spécifie donc ses colonnes, ainsi que le nombre de nouvelles exécutions souhaité. |
| |
Et laissez-moi vous montrer un exemple rapide dans un espace de dimension supérieure. Il s'agit d'un cas tridimensionnel. Nous avons un cube dont nous avons retiré un cylindre creux et avons ajouté ces lignes de remplissage. Nous allons les activer ensemble pour voir comment elles s'articulent. |
| |
Et puis éteignez également la couleur et voyez ce qui se passe. |
| |
C'est donc intéressant, car dans l'espace dimensionnel supérieur, nous pouvons combler ces lacunes que nous ne pouvions même pas nécessairement voir dans les graphiques par variable. Comment procéder ? |
| |
Donc ce que nous faisons, c'est que nous prenons les points d'origine, qui dans ce cas sont colorés en rouge maintenant au lieu de noir et nous pouvons voir où se trouvaient ces deux espaces, |
| |
et nous superposons un ensemble candidat d'exécutions à partir d'une conception de remplissage d'espace pour l'ensemble de l'espace. |
| |
Nous ajoutons pour les tables de données concaténées des anciennes et nouvelles exécutions candidates, nous avons une colonne d'indicateurs, une colonne d'indicateurs continus, nous étiquetons les anciens points 1 et le point candidat 0. Et dans cet espace concaténé, nous ajustons maintenant un voisin le plus proche 10 |
| |
Nous intégrons le modèle à la colonne des indicateurs et enregistrons les prédictions. Le candidat s'exécute donc avec les plus petites prédictions, ici en bleu. |
| |
Ce sont les points d'écart que nous souhaitons ajouter à la conception. Or, si nous le faisons en une seule passe, cela tend à accentuer les plus grands écarts. Nous procédons donc en une seule passe. |
| |
processus en dix parties, où nous prendrons un dixième de nos nouveaux points, les sélectionnerons comme nous le voyons ici, puis nous les ajouterons et réexécuterons notre algorithme des k-plus proches voisins pour sélectionner de nouveaux points et remplir tous les espaces de manière plus uniforme. |
| |
Ce n'est donc qu'une option... le remplissage des espaces est une option disponible dans l'explorateur de limites. |
| |
Jim a donc montré que nous pouvons utiliser n’importe quel nombre de réponses, n’importe quel nombre de facteurs et que nous pouvons avoir à la fois des réponses continues et nominales et des facteurs continus et nominaux. |
| |
Le fait... les facteurs continus qui entrent en jeu, nous allons normaliser ceux qui se produisent en coulisses à 01 pour les mettre sur un pied d'égalité. |
| |
Et pour les réponses individuelles qui entrent en jeu, nous allons parcourir individuellement chaque réponse pour trouver les limites de chacune des réponses dans l'espace factoriel. |
| |
Et puis à la fin, nous avons un outil multivarié utilisant une forêt aléatoire qui considère toutes les réponses à la fois. |
| |
Nous verrons donc comment chacune des différentes options disponibles ici dans l'interface graphique, dans l'interface utilisateur, apparaît dans l'algorithme. |
| |
Ainsi, après normalisation pour chacune de ces colonnes continues, la première étape consiste à filtrer les prédicteurs pour toutes les réponses continues et nominales. |
| |
Et cela a pour but de découvrir les prédicteurs qui sont pertinents pour chaque réponse particulière. |
| |
Nous avons un paramètre par défaut dans l'interface utilisateur de 0,05 pour la proportion de variantes expliquées, ou la part de contribution de chaque variable. Dans ce cas, nous constatons que X1 et X2 sont conservés pour la réponse Y1, et que le bruit X3 est rejeté. |
| |
L'étape suivante consiste à exécuter un algorithme de plus proche voisin. La valeur par défaut est 5, mais l'utilisateur peut la modifier. |
| |
Et nous ne nous soucions pas tant de la qualité de cette prédiction que de l'utiliser simplement comme méthode. |
| |
Pour atteindre les cinq voisins les plus proches. Quelles sont les rangées des cinq voisins et à quelle distance se trouvent-elles ? Quelle est leur distance par rapport à la rangée actuelle ? |
| |
Et nous allons utiliser ces informations sur les voisins les plus proches pour identifier chaque point, la probabilité que chaque point soit un point limite. |
| |
Nous devons utiliser la division ici et appliquer une méthode différente pour les réponses continues ou nominales. Pour les réponses nominales, nous concaténons la réponse de la colonne courante. |
| |
ainsi que les réponses des cinq voisins les plus proches dans l'ordre, dans cette colonne de concaténation des voisins. |
| |
Et nous avons une heuristique simple que nous utilisons pour identifier la probabilité limite en fonction de cette colonne de voisins concaténés. |
| |
Si toutes les réponses sont les mêmes, nous disons qu'il y a une faible probabilité qu'il s'agisse d'un point limite. |
| |
Si au moins une des réponses est différente, alors nous disons qu'il y a une probabilité moyenne qu'il s'agisse d'une limite, pardon, d'un point limite. |
| |
Si deux réponses ou plus sont différentes, il y a une forte probabilité qu'il s'agisse d'un point limite. Nous enregistrons également la ligne utilisée. Dans ce cas, il s'agit de la paire limite. Il s'agit donc du voisin le plus proche dont la réponse est différente de celle de la ligne actuelle. |
| |
Nous pouvons tracer ces probabilités limites dans notre conception de remplissage d'espace d'origine. |
| |
Comme Jim l’a mentionné plus tôt, nous avons un... nous exécutons d’abord une conception de remplissage d’espace avant d’exécuter cet outil d’exploration des limites pour... pour explorer l’espace et obtenir des réponses. |
| |
Nous avons maintenant intégré ces données et calculé la probabilité limite pour ces valeurs. Nous constatons que nos probabilités limites correspondent aux limites réelles. |
| |
Pour les réponses continues, nous prenons la réponse continue des cinq voisins les plus proches, ajoutons une colonne pour chacun d'eux et prenons l'écart type de ceux-ci. |
| |
Ceux qui présentent les écarts types de voisins les plus importants sont les points qui se trouvent dans les zones de gradient les plus raides et ceux-ci sont plus susceptibles d'être nos points limites. |
| |
Nous multiplions également l'écart type par la distance moyenne afin d'obtenir notre métrique d'information, |
| |
car cela a pour effet que pour deux points qui ont un écart type égal de voisins, cela va surpondérer celui qui se trouve dans une région plus clairsemée avec moins de points qui s'y trouvent déjà. |
| |
Nous disposons maintenant de cette mesure d’information continue et nous devons déterminer comment la diviser en probabilités élevées, moyennes et faibles pour chaque point. |
| |
Nous ajustons donc la distribution. Nous ajustons le mélange normal à trois et utilisons la moyenne comme plus grande distribution comme seuil pour les points de forte probabilité. |
| |
Et nous utilisons l’intersection des densités de la plus grande et de la deuxième plus grande distribution normale comme seuil pour les points de probabilité moyens. |
| |
Une fois que nous avons identifié ces seuils, nous les appliquons pour former notre colonne de probabilité limite. |
| |
Nous conservons également la ligne utilisée, la plus proche. Dans ce cas, pour les réponses continues, il s'agit du voisin dont la réponse est la plus différente, en valeur absolue, du rôle actuel. |
| |
Nous obtenons donc le même résultat pour les réponses continues et nominales. Nous connaissons la probabilité limite et la ligne utilisée. Maintenant que nous avons identifié les points limites, |
| |
nous devons pouvoir utiliser cela pour générer de nouveaux points le long de la frontière. |
| |
Donc la première et, à certains égards, la meilleure méthode |
| |
Pour cibler et zoomer sur la limite, nous utilisons la méthode du point médian. Pour chaque paire de limites, chaque ligne et son utilisation, son plus proche voisin, nous utilisons |
| |
identifié précédemment... Je suis désolé, donc pas le voisin le plus proche mais le voisin le plus pertinent soit en termes de différence de réponse nominale, soit le plus différent en termes de réponse continue. |
| |
Pour les facteurs continus, nous prenons la moyenne des coordonnées de chacun de ces deux points pour former le point médian. C'est ce que vous voyez sur le graphique. Nous placerions donc un point. |
| |
au cercle rouge. Pour les facteurs nominaux, nous prenons les niveaux de ce facteur pour les paires limites. |
| |
qui sont présents en chacun des deux points, et nous en choisissons un au hasard. L'avantage, c'est que s'ils sont identiques, cela signifie que le point médian sera également au même niveau pour ce facteur nominal pour ces deux points. |
| |
Une deuxième méthode, que nous appelons méthode de perturbation, consiste simplement à ajouter un écart aléatoire à chacun des points limites identifiés. |
| |
Donc, pour la limite supérieure... les points de probabilité élevée, nous ajoutons deux de ces points de perturbation pour le milieu, nous en ajoutons un. |
| |
Et pour celui-ci, nous ajoutons, pour les facteurs continus, un écart aléatoire. Normal signifie 0 ; l'écart type, 0,075 dans l'espace normalisé, est une valeur modulable. |
| |
au sein de l'interface utilisateur pour augmenter ou réduire la quantité de propagation autour de la limite. |
| |
Pour les facteurs nominaux, nous choisissons aléatoirement un niveau de chaque facteur nominal. Pour la probabilité élevée… |
| |
points limites à haute probabilité qui obtiennent un deuxième point de perturbation, ce que nous faisons est que dans le deuxième, nous limitons ces paramètres de facteurs nominaux pour qu'ils soient tous égaux à celui du point d'origine. |
| |
Nous effectuons donc ce processus d’identification de la limite et de création des points médians et des points de perturbation pour chacune des réponses spécifiées dans l’explorateur de limites. |
| |
Une fois que nous avons fait cela, nous concaténons tout ensemble et nous allons ensuite examiner tous les points médians identifiés pour toutes les réponses, |
| |
et utilisent désormais une technique multivariée pour générer des exécutions supplémentaires. L'utilisateur peut spécifier le nombre d'exécutions souhaité et ces méthodes de point médian et de perturbation ne génèrent qu'un nombre fixe d'exécutions, en fonction de la |
| |
la configuration du terrain, je suppose que vous pourriez dire, pour les données. |
| |
Nous faisons donc quelque chose de similaire à la conception de remplissage des lacunes où nous prenons toutes les perturbations identifiées et les points médians pour toutes les réponses |
| |
et nous remplissons l'espace entier avec le modèle de remplissage d'espace des points candidats. Nous avons étiqueté les points candidats 0 dans un indicateur continu, les points médians 1 et les points de perturbation 0,01. |
| |
Nous ajustons une forêt aléatoire à cet indicateur. Puis, nous l'observons. Nous enregistrons les prédictions pour l'espace candidat avec des points de remplissage. |
| |
et ensuite nous prenons les exécutions candidates avec les plus grandes valeurs prédictives de cet indicateur de limite. |
| |
Ce sont ces réponses que nous ajoutons à l'aide de la méthode de la forêt aléatoire. Puisqu'il s'agit d'une méthode multivariée, si une zone de votre espace de conception constitue une limite pour plusieurs réponses, elle sera davantage mise en évidence et fera l'objet d'un nombre d'exécutions supplémentaires. |
| |
Voici donc les trois types de points ensemble. |
| |
Maintenant, encore une fois, pour souligner ce que Jim a dit, cela doit se produire en plusieurs itérations, nous collecterions donc ces informations à partir de notre outil d'exploration des limites. |
| |
et ensuite, les reconcaténér dans l'ensemble de données d'origine. Une fois ces réponses obtenues, relancez l'explorateur de limites. |
| |
En continuant au fil des itérations, zoomez sur les limites et les impacts, et éventuellement en trouvez d'autres. Les points de perturbation sont donc particulièrement utiles. |
| |
pour les premières itérations lorsque vous explorez encore l'espace, elles sont plus dispersées, et la méthode de la forêt aléatoire est meilleure pour les itérations ultérieures, car |
| |
Il y aura davantage de points médians disponibles, car il utilise non seulement ceux de l'itération actuelle, mais aussi ceux enregistrés précédemment. Une colonne de la table de données enregistre le type de point ajouté. Nous utiliserons donc également tous les points médians précédents. |
| |
Donc, si nous plaçons notre tracé de surface pour cet exemple que nous avons examiné pour une fonction en escalier, nous pouvons voir que nos nouveaux points, points médians et points de perturbation tombent tous le long des falaises, qui sont les limites, ce que nous voulions voir. |
| |
Ainsi, les deux dernières options pour l'interface utilisateur ou pour indiquer ces exécutions de remplissage d'espaces et nous pouvons également lui demander de cibler le minimum et le maximum globaux ou de faire correspondre la cible pour tous les facteurs continus, si cela est défini comme une propriété de colonne. |
| |
Juste pour montrer un dernier exemple ici, nous avons cet exemple où nous avons ces deux canyons à travers un plan avec une sorte de puits profond à l'intersection de ceux-ci. |
| |
Nous avons analysé les points de remplissage d'espace initiaux, qui sont ceux affichés pour avoir une idée de la réponse. Si nous exécutons deux itérations de notre outil d'exploration des limites, |
| |
C'est ici que sont placés tous les nouveaux points, et on peut voir les espaces entre ces deux lignes. Quels sont ces espaces ? |
| |
Si l'on observe la surface, ces trous correspondent au fond du canyon, là où la pente n'est pas vraiment abrupte. C'est donc plat, même localement sur une petite région. |
| |
mais tous ces points, tous ces points médians, |
| |
Ils ont été placés non pas sur les plans, mais sur les falaises abruptes, là où nous le souhaitions. Ici, nous activons et désactivons les points minimums, et vous pouvez voir qu'ils touchent le fond du puits. Nous avons donc pu cibler le minimum également. |
| |
Notre outil présente donc deux éléments distincts, deux éléments discrets |
| |
Options, un nouvel outil. Nous souhaitons un remplissage de lacunes utilisable sur toute table de données dont les propriétés de codage sont définies pour les facteurs continus. |
| |
Et puis l'outil d'exploration des limites qui peut être utilisé pour ajouter, faire des exécutions qui ne regardent pas l'espace factoriel par lui-même, mais qui regardent la réponse afin de cibler les zones à gradient élevé... à fort changement pour ajouter des exécutions supplémentaires. |
