758511_ko-KR

liliconcom

JMP BEAST 모드: 적응형 샘플링 기술을 통한 경계 탐색(2020-US-30MP-562)

James Wisnowski, Adsurgo 수석 컨설턴트
Andrew Karl, Adsurgo 수석 통계 컨설턴트

Darryl Ahner, OSD 과학 테스트 및 분석 기술 센터 우수성 책임자

자동차의 자동 내비게이션 기능과 같은 복잡한 자율 시스템을 테스트하는 데는 일반적으로 많은 요인과 응답을 포함하는 시뮬레이션 기반 테스트 방식이 사용됩니다. 이러한 모델에 대한 테스트 설계는 종종 공간 채우기 방식이며, 새로운 실행을 통한 거의 실시간 증강이 필요합니다. 까다로운 응답은 매우 작은 입력 요인 변화에도 성능 차이가 급격히 발생할 수 있습니다. 이러한 성능 경계는 가장 중요한 시스템 정보를 제공합니다. 따라서 이러한 경계를 파악하고 추가 실행을 통해 해당 경계를 타겟팅할 수 있는 설계 생성 프로세스가 필요합니다. JMP는 순차적 어셈블리 방식으로 수행되는 실험 계획(DOE)을 증강하는 다양한 옵션을 제공하며, 테스터는 이러한 추가 실행을 채우기 위해 실험 목표, 통계적 원리 및 리소스 간의 균형을 맞춰야 합니다. 본 연구에서는 예측 변수 스크리닝, K 최근접 이웃, 군집 분석, 신경망, 부트스트랩 포레스트, 고속 유연 충진 설계를 포함한 다양한 플랫폼을 결합하여 큰 기울기 성능 경계에서 샘플을 불균형적으로 추가하는 새로운 증강 방법을 제안합니다. 연속형 및 범주형 응답을 모두 포함하는 자율 시스템 사용 사례와 함께 경계 탐색기 추가 기능 도구를 시연합니다. 우리는 기존 디자인의 빈 공간을 채우기 위한 Augment "공간 채우기" 옵션의 개념을 기반으로 개선된 "틈 채우기" 디자인을 제공합니다.

자동 생성된 대본...

스피커	성적 증명서
제임스 위스노스키	팀 발견에 오신 것을 환영합니다. Andrew Carl과 Darryl Ahner, 그리고 저는 적응형 샘플링 기법과 두 가지 새로운 샘플링 기법을 소개하게 되어 매우 기쁩니다.
	실험 설계를 강화하는 측면에서 실무자들에게 정말 유용한 정보를 제공할 것입니다. 제가 하고 싶은 것은 몇 가지를 살펴보는 것입니다.
	제가 이 모든 과정이 어떻게 시작되었는지에 대해 이야기해 온 과정들이죠. 하지만 DOE와 설계 증강에 대해 생각해 보면, JMP에는 이미 강력한 기능이 있습니다.
	그래서 우리가 매우 대규모 시뮬레이션 연구를 진행하면서 발견한 것은 우리가 여기서 한 부분을 놓치고 있다는 것입니다.
	갭 필링 설계와 적응적 샘플링 설계. 그리고
	핵심은 적응적 표본 추출 설계가 반응에 초점을 맞춘다는 것입니다.
	그래서 이건 표준 설계에서 증강을 고려하고 설계 공간을 살펴보고 X 행렬을 살펴보는 것과는 꽤 다릅니다. 이제 실제로 목표나 반응을 고려할 겁니다. 결국 이렇게 될 겁니다.
	흥미로운 부분에서 추가 샘플을 테스트할 수 있도록 완전히 새로운 기능을 제공합니다. 따라서 반응 표면 방법론에서 생각하는 것처럼, 상승만큼 깊은 곳에서 높은 기울기 영역에 접근하고자 합니다.
	이제 우리는 시뮬레이션에서 많은 변수와 수천 번의 실행을 통해 이를 자동화할 것입니다.
	좋은 소식은 작은 디자인을 다루는 실무자에게도 꽤 잘 맞는다는 것입니다.
	이제 여러분께 보여드릴 추가 기능에 대해 간략히 살펴보겠습니다. 그리고 Andrew가 이에 대한 기술적인 세부 사항에 대해 간략히 설명하겠습니다.
	그래서 제가 사과하고 싶은 한 가지는 이것이 JMP 추가 기능이 아닌 PowerPoint 중심이 될 것이라는 것입니다.
	두 가지 이유 때문에... JMP 데모보다는... 두 가지 이유 때문에, 주로 우리의
	시간이 좀 남았는데, 다룰 자료가 너무 많은데다가, JMP 활용도도 이 적응형 샘플링에서 만드는 알고리즘에 정말 중요한 요소입니다.
	궁극적으로 JMP의 포인트 앤 클릭은 우리가 개발한 매우 간단한 사용자 인터페이스이지만 그 뒤에는 무엇이 있습니까?
	알고리즘은 JMP의 힘입니다. 잠깐, 갭 필링 디자인은 꽤 명확합니다. 여기에 몇 가지 갭이 있는 걸 볼 수 있는데, 어쩌면 이건 좀 과장된 표현일지도 모르겠네요.
	하지만 실제로는 차원의 저주가 작용할 수 있는 매우 많은 요소가 있을 수 있으며 설계에 이러한 허점이 생길 수 있습니다.
	그리고 보시다시피, 우리는 이것을 일종의 일꾼인 공간 채우기 디자인으로 확장할 수 있습니다.
	우리 작업의 많은 부분, 특히 자극 호출에 있어서 증강에 있어서는 그다지 나쁘지 않아 보입니다. 새로운 파란색 점들을 보면
	포인트, 우리가 추가한 포인트들은 그렇게 나쁘지 않아 보여요. 그런데 좀 더 자세히 살펴보면, 우리가 많은 것들을 복제하기 시작했다는 걸 알 수 있어요.
	우리가 이미 완료했고 우리가 생각했던 만큼 그 구멍을 채우지 못했을 수도 있습니다. 특히 파란색을 제거하고 볼 수 있을 때
	아직 빈틈이 꽤 많습니다. 그래서 적응형 샘플링을 개발하면서, 그 빈틈 중 하나는 바로 몇몇 빈틈을 메워야 한다는 것을 깨달았습니다.
	이런 디자인들 중 상당수가 그렇습니다. 그래서 저희는 저희 도구에 알고리즘을 추가했는데, 바로 경계 탐색기라는 겁니다. 이 알고리즘은 바로 이런 특정 작업을 수행합니다...
	어떤 디자인이든 이 기능은 구멍을 채우는 데 특정 기능을 수행하며, 이 기능이 다양한 응용 프로그램에서 매우 유용할 수 있음을 알 수 있습니다.
	이 특정 슬라이드나 그래프를 보면 파란색 점들이 이제 구멍에 더 집중되어 있고, 나머지 영역에도 분산되어 있는 것을 볼 수 있습니다. 하지만...
	훨씬 더 균일해 보이는 색상을 적용할 수 있으며, 우리는 그 공간을 매우 잘 채웠습니다.
	이는 우리의 전반적인 목표인 능동적 샘플링에 필요한 유틸리티에 가깝습니다. 그리고 우리가 찾은 이 유틸리티의 주요 용도는
	자율 시스템은 많은 주목을 받았고, 특히 국방부에서 많은 생산과 테스트를 거쳤습니다.
	자율 시스템에서는 두 가지 주요 사항이 있다고 생각할 수 있습니다. 자율 시스템에서 실제로 살펴보는 것은 정말 필요한 것인가요?
	시스템에 위치를 알려주는 센서가 있고, 그 센서에 반응하는 알고리즘이나 소프트웨어가 있습니다. 그러니까 일종의 센서죠.
	우리가 주로 집중하고 있는 알고리즘 소프트웨어 통합입니다. 그리고 그것이 구동하는 것은 정말로 매우 복잡한 시뮬레이션 모델입니다.
	수천 번이나 실행되었습니다. 하지만 더 중요한 것은, 이러한 자율 시스템에는 성능에 한계가 있다는 것을 발견했습니다.
	예를 들어, 군대에서 리더-추종자 모델을 예로 들어 보겠습니다. 군인이 매우 중무장한 차량을 운전하는 경우를 생각해 보겠습니다.
	호송대에 트럭 한 대만 있으면 나머지 호송대는 자율적으로 움직이게 되고, 호송대에는 군인이 없을 겁니다.
	아니면 최신 테슬라 픽업트럭을 생각해 보세요. 자동 내비게이션이 탑재되어 있죠? 그래서 우리는 이 시스템들을 테스트하고 싶어 하고, 결국 많은 테스트를 해야 합니다. 그리고 무슨 일이 일어나는지...
	예를 들어, 이 테슬라 차량의 경우, 시속 30마일(약 48km)로 주행할 때는 괜찮고 장애물을 피할 수 있습니다. 하지만 시속 30.1마일(약 56km)에서는 알고리즘 사양을 벗어나는 회피 기동을 해야 할 것입니다. 그래서
	우리가 경계가 존재한다고 말할 때, 바로 그 경계가 존재한다는 것을 의미합니다. 경계가 매우 가파르죠.
	반응의 변화, 즉 기울기가 매우 높은 영역이 있습니다. 바로 여기에 우리가 주목해야 할 부분이 있습니다.
	우리는 평평한 표면 같은 것에는 관심이 없습니다. 정말 흥미로운 부분은 바로 거기이고, 우리는 그걸 다루고 싶습니다.
	솔직히 말해서, 우리가 발견한 것은 이 문제를 더 많이 반복할수록 우리의 해결책은 더 좋아진다는 것입니다. 우리는 완전히
	이 과정을 반복적인 과정으로 진행하는 것이 좋습니다. 따라서 적응적인 부분은 테스트를 수행하고 새로운 좋은 점을 도출한 후, 그 결과가 어떤지 확인하고 다음 실행에 적용하는 것입니다.
	이것이 우리의 적응적 샘플링입니다.
	이 아이디어의 기원은 존스홉킨스 대학교 응용물리학 연구실에서 진행한 연구에서 비롯되었습니다. 그들은 군과 협력하여 정말 훌륭한 연구를 진행하고 있습니다.
	그들의 저널 기사 중 하나에서 이 내용을 검토하면서, '이건 정말 훌륭하구나. 그리고 JMP를 활용하면 많은 실무자들이 더 쉽게 접근할 수 있는 솔루션을 만들어낼 수도 있겠구나'라는 생각이 들었습니다. 왜냐하면
	존스홉킨스는 매우 구체적이고 어느 정도 통합이 필요한데, 그것은 매우 중요한 것이 아닙니다.
	소규모 테스트 팀에서도 사용할 수 있도록 말이죠. 그래서 바로 사용할 수 있는 사람들에게 이 기능을 제공하고 싶습니다.
	시스템 및 소프트웨어 저널(Journal of Systems and Software)의 이 논문은 저희의 경계 탐색 도구의 원천과 같습니다. 결과적으로 저희는 좋은 아이디어들을 많이 활용했지만, 다양한 접근 방식을 생각해 낼 수 있었습니다.
	그리고 다른 방법들도 있습니다. 특히 JMP Pro의 기본 기능을 활용하고, 그 과정에서 우리가 진행했던 갭 필링 디자인처럼 일부 개발도 활용했습니다.
	지금,
	이 예제 문제에 관해서는 아마도 제가 가서 설명하는 것이 가장 좋을 것 같습니다.
	여기 데모에서 바로 보여드리겠습니다. 여기 그래프를 보면 알 수 있죠... 이걸 사용해 보겠습니다... 테슬라 예시로 돌아가 보겠습니다. 자동 내비게이션 유형의 활동을 한다고 가정해 보겠습니다. 입력 요소가 두 개 있고,
	속도와 교통량 밀도가 있습니다. 테슬라 알고리즘을 생각해 봅시다. 왼쪽 차선으로 합류하려고 하니까, 추월해야 한다고 해야 할까요? 그래서 합류해야 합니다. 테슬라의 속도와 교통량 밀도가 그 중 하나일 겁니다.
	그리고 여기 이 부분에 더 낮은 숫자가 있을 수도 있습니다. 그래서 2에서 10까지의 숫자를 생각해 볼 수 있고, 충돌 확률 같은 반응도 생각해 볼 수 있을 겁니다.
	따라서 저속/저밀도에서는 충돌 가능성이 매우 낮지만 고속/저밀도에서는 충돌 가능성이 매우 낮습니다.
	밀도가 높으면 확률이 매우 높습니다. 하지만 제가 강조하고 선택한 부분은 매우 가파르다는 것입니다.
	경계 영역을 따라 성능 차이가 발생합니다. 따라서 시뮬레이션을 진행하면서 알고리즘에 대한 소프트웨어 테스트를 점점 더 많이 수행하게 되면,
	여기서 더 많은 점수를 얻는다고 해서 큰 도움이 되지 않는다는 점을 알아두세요. 우리는 밀도가 낮고 속도가 느린 곳에서 잘한다는 것을 알고 있습니다. 우리가 하고 싶은 것은 여기 경계선 안의 영역을 제대로 공략하는 것입니다. 그래서 그것이 우리의 문제입니다.
	여기서 내 경계 조건을 따르는 200개의 새로운 점을 어떻게 생성할 수 있나요?
	이제, 제가 한 일은 X1과 X2입니다. 다시 한번, 속도를 생각해 보세요...
	속도와 밀도도 고려했습니다. 그리고 여기에 아무 의미도 없는 예측 변수를 추가했습니다. 그리고 반응도 고려했습니다. 이렇게 하려면 경계 탐색기를 열고 적응 샘플링을 실행하기만 하면 됩니다.
	두 가지 응답(필요한 만큼 응답을 추가할 수 있습니다)과 세 가지 입력 요소가 있습니다. 그리고 여기에는 몇 가지 설정이 있는데, 전역 최소값과 최대값을 타겟팅할지 여부와 경계를 표시합니다.
	그리고 궁극적으로는 여러분이 어느 정도 통제력을 가지고 있다는 것을 보여드리겠습니다. 그렇다면 이 알고리즘에서 우리가 실제로 찾고 있는 것은 최근접 이웃들이 무엇을 하고 있는가 하는 것입니다. 만약 모든 최근접 이웃들이 같은 반응을 보인다면, 즉,
	사고라니, 별로 흥미로운 곳은 아니네요. 큰 차이가 있는 곳을 보고 싶어요. 그리고 가장 가까운 이웃이 있는 곳이 바로 거기예요.
	이제 작동하게 됩니다. 계속해서 실행해 보겠습니다. 지금 보시는 것은 알고리즘이 JMP의 예측 스크리닝 기본 기능을 사용했다는 것입니다.
	다행히 정규 분포를 사용하지 않습니다. 부트스트랩 포레스트를 사용하는 것을 보실 수 있습니다. 앤드류가 이 방법이 어디에 사용되었는지 설명할 것입니다.
	그리고 궁극적으로
	여기서 우리가 할 일은 경계선을 따라 위치하는 새로운 점들을 생성하는 것입니다. 이 점들을 생성하는 데 30초 정도 걸렸고, 여기서부터는 그냥 계속 진행해서
	내 새로운 포인트입니다. 그래서 내 새로운 포인트가 그 경계를 따라 있다는 것을 알 수 있습니다. 아마도 다른 것을 넣으면 가장 쉽게 볼 수 있을 것입니다.
	1.
	그래서 바로 여기서, 아마도 나는
	여기 색상을 아주 빨리 바꿔보세요.
	그러면 섭동의 중간 지점을 보여드리겠습니다.
	이제 모든 새로운 지점이 어디에 있는지 확인할 수 있습니다. 음영 처리된 지점은 원래 지점이고, 이제 해당 경계에서 생성된 모든 새로운 지점을 확인할 수 있습니다.
	그러니 당연히 질문은, 어떻게, 어떻게 그걸 했느냐는 겁니다.
	그럼 제가 할 일은 프레젠테이션으로 돌아가는 것입니다.
	그리고 그 다음부터는 앤드류에게 넘겨서 경계점을 찾는 방법에 대해 좀 더 기술적인 세부 사항을 설명해 드리겠습니다. 생각했던 것만큼 간단하지 않거든요.
앤드류 칼	좋아요. 고맙습니다, 짐. 먼저 갭 메우기에 대해 잠깐 이야기해 보겠습니다. 이 기능은 Beast Tool 전체에 통합되었을 뿐만 아니라, 추가로 추가되었거든요.
	독립형 도구이기도 합니다. 따라서 열을 선택하고, 해당 열을 채우려는 공간을 정의하는 간단한 인터페이스를 갖추고 있습니다.
	연속형 요인의 경우 코딩 열 속성을 읽어 높은 값과 낮은 값을 구하고 명목형 요인도 사용할 수 있습니다.
	또한 사용자 정의 디자인이나 공간 채우기 디자인에서 이를 생성했고 허용되지 않는 조합이 있는 경우 허용되지 않는 조합 스크립트에서 읽힙니다.
	허용된 공간 내에서만 간격을 채웁니다. 따라서 사용자는 열과 새로 실행할 횟수를 지정합니다.
	고차원 공간에서 아주 간단한 예를 보여드리겠습니다. 3차원의 경우입니다. 속이 빈 원통을 꺼낸 정육면체에 빈틈을 메우는 과정을 거쳤는데, 이 두 가지를 함께 켜서 어떻게 들어맞는지 살펴보겠습니다.
	그리고 색상을 끄고 무슨 일이 일어나는지 살펴보세요.
	이렇게 하면 고차원 공간에서 변수별 그래프에서는 볼 수 없었던 빈틈을 메울 수 있어서 좋습니다. 그러면 어떻게 해야 할까요?
	그래서 우리가 하는 일은 원래 지점을 가져오는 것입니다. 이 경우 검은색 대신 빨간색으로 표시되어 있고 두 간격이 어디에 있었는지 확인할 수 있습니다.
	그리고 우리는 전체 공간에 대한 공간 채우기 설계에서 후보 실행 세트를 오버레이합니다.
	이전 및 새 후보 실행의 연결된 데이터 테이블에 대해 표시기 열, 연속 표시기 열이 있고 이전 지점을 1로, 후보 지점을 0으로 레이블을 지정합니다. 이 연결된 공간에서 이제 10개의 가장 가까운 이웃을 맞춥니다.
	모델을 지표 열에 연결하고 여기에서 예측을 저장합니다. 따라서 후보는 가장 작은 예측, 이 경우 파란색으로 실행합니다.
	디자인에 추가하고 싶은 갭 포인트입니다. 이 작업을 한 번에 진행하면 가장 큰 갭이 지나치게 강조되는 경향이 있습니다. 그래서 실제로는
	10중 프로세스에서는 새로운 점의 1/10을 가져와서 여기에서 볼 수 있듯이 선택한 다음 이를 추가한 다음 k-최근접 이웃 알고리즘을 다시 실행하여 새로운 점을 선택하고 모든 공간을 보다 균일하게 채웁니다.
	그러니까 그건 단지 하나의 옵션일 뿐이에요...틈 채우기는 경계 탐색기에서 사용할 수 있는 옵션 중 하나예요.
	그래서 짐은 우리가 아무리 많은 응답이나 요인을 사용해도 되고, 연속형 응답과 명목형 응답, 연속형 요인과 명목형 요인을 모두 가질 수 있다는 것을 보여주었습니다.
	사실... 지속적으로 발생하는 요소들을 01로 정규화하여 더 동등한 입장에서 볼 수 있도록 할 것입니다.
	그리고 여기에 들어가는 개별 응답에 대해, 우리는 각 응답을 개별적으로 반복하여 요인 공간 내에서 각 응답의 경계를 찾을 것입니다.
	그리고 마지막으로, 모든 응답을 한 번에 고려하는 랜덤 포레스트를 사용하는 다변량 도구가 있습니다.
	그러면 GUI와 사용자 인터페이스에서 사용할 수 있는 다양한 옵션이 알고리즘 내에서 어떻게 나타나는지 살펴보겠습니다.
	따라서 이러한 연속 열에 대한 정규화를 수행한 후 첫 번째 단계는 모든 연속형 및 명목형 응답에 대한 예측 변수를 검토하는 것입니다.
	그리고 이 작업의 목적은 각 특정 반응과 관련된 예측 변수를 찾아내는 것입니다.
	사용자 인터페이스에는 설명된 변이의 비율, 즉 각 변수의 기여도에 대한 기본 설정이 .05입니다. 따라서 이 경우 X1과 X2는 응답 Y1에 대해 유지되고 X3 노이즈는 제거됩니다.
	다음 단계는 최근접 이웃 알고리즘을 실행하는 것입니다. 기본값인 5를 사용하지만, 이는 사용자가 변경할 수 있는 옵션입니다.
	그리고 우리는 이것이 얼마나 잘 예측되는지에 관심이 없으며 이것을 단순히 방법으로 사용하는 것에만 관심이 있습니다.
	가장 가까운 다섯 이웃에 도달하는 방법입니다. 다섯 이웃의 행은 몇 개이고, 그 거리는 얼마입니까? 현재 행으로부터의 거리는 얼마입니까?
	그리고 우리는 가장 가까운 이웃에 대한 이 정보를 사용하여 각 지점을 식별하고, 각 지점이 경계 지점이 될 확률을 구할 것입니다.
	여기서는 split을 사용하고 연속형 또는 명목형 응답에 대해 다른 방법을 사용해야 합니다. 명목형 응답의 경우, 현재 열의 응답을 연결합니다.
	이 연결 이웃 열에는 가장 가까운 5개 이웃의 응답이 순서대로 나열되어 있습니다.
	그리고 우리는 concat neighbors 열을 기반으로 경계 확률을 식별하는 데 사용하는 간단한 휴리스틱을 가지고 있습니다.
	모든 응답이 동일하다면 경계점이 될 확률이 낮다고 합니다.
	만약 응답 중 적어도 하나가 다르다면, 그것은 경계, 아니 경계 지점일 확률이 중간이라고 합니다.
	두 개 이상의 응답이 다르면 경계점일 확률이 높습니다. 사용된 행도 기록합니다. 이 경우 경계 쌍입니다. 즉, 현재 행과 다른 응답을 갖는 가장 가까운 이웃입니다.
	우리는 원래의 공간 채우기 설계에서 이러한 경계 확률을 표시할 수 있습니다.
	짐이 앞서 언급했듯이, 우리는 경계 탐색 도구를 실행하기 전에 먼저 공간 채우기 디자인을 실행했습니다. 공간을 탐색하고 몇 가지 반응을 얻었습니다.
	이제 이를 적용해서 경계 확률을 계산했습니다. 경계 확률이 실제 경계와 일치하는 것을 볼 수 있습니다.
	연속적인 반응의 경우, 우리는 가장 가까운 5개의 이웃으로부터 연속적인 반응을 가져오고, 각각에 대한 열을 추가하고, 그 표준 편차를 취합니다.
	이웃의 표준 편차가 가장 큰 점은 가장 가파른 경사 영역에 있는 점이며, 이러한 점이 경계점이 될 가능성이 더 큽니다.
	또한 우리는 정보 측정 기준을 얻기 위해 표준 편차를 평균 거리로 곱합니다.
	그렇게 하면 이웃의 표준 편차가 같은 두 지점에 대해 이미 존재하는 지점이 더 적은 희소 지역에 있는 지점의 가중치가 높아집니다.
	이제 우리는 이러한 연속적인 정보 측정 항목을 가지고 있고, 이를 각 지점에 대해 높음, 중간, 낮음의 확률로 나누는 방법을 알아내야 합니다.
	그래서 우리가 하는 일은 분포를 맞추는 것입니다. 정규 3분산 혼합 분포를 사용하고, 높은 확률 지점에 대한 임계값으로 가장 큰 분포인 평균을 사용합니다.
	그리고 우리는 가장 큰 정규 분포와 두 번째로 큰 정규 분포의 밀도의 교점을 중간 확률 지점의 차단점으로 사용합니다.
	따라서 이러한 차단점을 식별한 후, 이를 적용하여 경계 확률 열을 형성합니다.
	그리고 사용된 행 중 가장 가까운 행도 유지합니다. 이 경우 연속 응답의 경우, 현재 역할과 절대값이 가장 큰 응답을 갖는 이웃이 됩니다.
	이제 연속형 반응과 명목형 반응 모두에 대해 동일한 출력을 얻습니다. 경계 확률과 사용된 행이 있습니다. 이제 경계점을 식별했으므로,
	경계를 따라 새로운 지점을 생성하려면 이를 사용해야 합니다.
	그래서 첫 번째이자 어떤 면에서는 가장 좋은 방법은
	경계를 타겟팅하고 확대하는 것을 중간점 방법이라고 합니다. 각 경계 쌍, 각 행과 그 행에 대해 수행하는 작업은 가장 가까운 이웃을 사용하는 것입니다.
	이전에 식별된...죄송하지만 가장 가까운 이웃은 아니지만 응답 명목상의 차이 측면에서 가장 관련성이 높거나 연속 응답의 측면에서 가장 큰 차이가 있는 이웃입니다.
	연속형 요인의 경우, 두 점 각각의 좌표 평균을 구하여 중간점을 만듭니다. 이것이 여기 그래프에서 볼 수 있는 것입니다. 따라서 점을 하나 더 추가하겠습니다.
	빨간색 원에서. 명목 요인의 경우 경계 쌍에 대해 우리가 하는 일은 해당 요인의 수준을 취하는 것입니다.
	두 지점에 각각 존재하는 명목 요인을 무작위로 하나 선택합니다. 이 방법의 좋은 점은 두 지점이 동일하다면, 두 지점의 명목 요인에 대한 중간 지점도 같은 수준이 된다는 것입니다.
	두 번째 방법은 섭동법이라고 부르는데, 식별된 각 경계점에 무작위 편차를 추가하는 것입니다.
	따라서 높은 경계...높은 확률 지점에 대해 우리는 매체에 대해 두 개의 그러한 섭동 지점을 추가하고, 하나를 추가합니다.
	그리고 여기에, 연속형 요인에 대해 임의 편차를 추가합니다. 정규분포는 0을 의미하고, 표준 편차는 정규화된 공간에서 .075이며, 이 .075는 사용자가 조정할 수 있는 값입니다.
	사용자 인터페이스 내에서 경계 주변의 확산 ​​정도를 늘리거나 줄일 수 있습니다.
	그리고 명목 요인에 대해서는, 각 명목 요인의 수준을 무작위로 선택합니다. 이제 높은 확률로...
	두 번째 섭동점을 얻는 높은 확률 경계점에서 우리가 하는 일은 두 번째 경계점에서 명목 요인 설정을 모두 원래 지점과 같도록 제한하는 것입니다.
	따라서 우리는 경계를 식별하고 경계 탐색기에서 지정된 각 응답에 대한 중간점과 섭동점을 만드는 과정을 수행합니다.
	그렇게 하면 모든 것을 연결한 다음 모든 응답에 대해 식별된 모든 중간 지점을 살펴보게 됩니다.
	이제 다변량 기법을 사용하여 추가 실행을 생성합니다. 사용자는 원하는 실행 수를 지정할 수 있고, 이러한 중간점 및 섭동 방법은 고정된 수의 실행만 생성하며,
	데이터에 따르면, 그 지역의 지형이 그랬다고 할 수 있겠습니다.
	따라서 우리가 하는 일은 모든 응답에 대해 식별된 모든 교란과 중간 지점을 취하는 갭 채우기 설계와 유사한 것입니다.
	그리고 후보점들의 공간 채우기 설계를 통해 전체 공간을 채웠습니다. 후보점들을 연속 지표에서 0, 중간점들을 1, 그리고 섭동점들을 0.01로 표시했습니다.
	이 지표에 랜덤 포레스트를 적용합니다. 그런 다음 살펴보겠습니다. 후보 공간 채우기 지점에 대한 예측을 저장합니다.
	그리고 이 경계 지표의 가장 큰 예측값을 갖는 후보 실행을 수행합니다.
	그리고 이 랜덤 포레스트 방법을 사용하여 추가하는 것들이 있습니다. 이 방법은 다변량 방법이기 때문에, 설계 공간의 특정 영역이 여러 응답의 경계가 되는 경우, 해당 영역에 더 많은 강조와 추가 실행이 적용됩니다.
	이제 세 가지 유형의 점을 함께 보여드리겠습니다.
	이제 Jim이 말한 내용을 다시 강조하자면, 이 작업은 여러 번 반복되어야 하므로 경계 탐색기 도구에서 이 정보를 수집해야 합니다.
	그런 다음 원래 데이터 세트에 다시 연결합니다. 그런 다음 해당 응답을 받은 후 Boundary Explorer를 다시 실행하면
	반복 작업을 통해 경계와 영향을 확대하고, 더 많은 경계를 찾을 수도 있습니다. 따라서 교란 지점이 가장 유용합니다.
	아직 우주를 탐험하고 있는 초기 반복의 경우 더 퍼져 있고 랜덤 포레스트 방법은 이후 반복에 더 적합합니다.
	현재 반복의 중간점뿐만 아니라 이전에 기록된 중간점도 사용하므로 더 많은 중간점을 사용할 수 있습니다. 데이터 테이블에는 추가된 중간점의 유형을 기록하는 열이 있습니다. 따라서 이전의 모든 중간점도 사용할 것입니다.
	따라서 우리가 이 예제에 대한 표면 플롯을 계단 함수로 살펴보면, 새로운 점과 중간점, 섭동점이 모두 경계인 절벽을 따라 떨어지는 것을 볼 수 있습니다. 이것이 바로 우리가 보고 싶었던 것입니다.
	따라서 사용자 인터페이스에 대한 마지막 두 가지 옵션이나 갭 채우기 실행을 나타내기 위한 옵션도 있으며, 연속형 요인에 대한 전역 최소 최대 또는 일치 대상을 열 속성으로 설정한 경우 이를 대상으로 지정할 수도 있습니다.
	여기서 마지막 예를 하나 보여드리자면, 두 협곡이 평면을 통과하고 있고, 이 두 협곡이 교차하는 지점에 깊은 우물이 있는 예가 있습니다.
	그리고 초기 공간 채우기 지점을 실행했는데, 이는 응답에 대한 아이디어를 얻기 위해 표시되는 지점입니다. 그리고 경계 탐색기 도구를 두 번 반복 실행하면,
	여기가 모든 새로운 점들이 배치되는 위치이고, 두 선의 중간쯤에 틈이 보입니다. 그 틈은 무엇일까요?
	표면 지형을 살펴보면, 저 틈들은 협곡 바닥인데, 실제로는 가파르지 않습니다. 그래서 작은 지역에 걸쳐 국지적으로 평평합니다.
	하지만 이 모든 점들, 이 모든 중간점들,
	평면이 아니라 가파른 절벽에 배치했는데, 바로 우리가 원했던 위치입니다. 여기서 최소 지점을 켜고 끄는 것을 보면, 그 지점들이 우물 바닥에 닿는 것을 볼 수 있습니다. 그래서 최소 지점도 공략할 수 있었습니다.
	따라서 우리 도구는 두 가지의 뚜렷하고 분리된 것을 제시합니다.
	옵션, 새로운 도구. 연속형 요인에 대한 코딩 속성이 설정된 모든 데이터 테이블에서 사용할 수 있는 간격 채우기 기능이 필요합니다.
	그리고 그 자체로 요인 공간을 살펴보지 않고 응답을 살펴보고 높은 기울기...높은 변화 영역을 타겟팅하여 추가 실행을 추가하는 데 사용할 수 있는 경계 탐색기 도구가 있습니다.

고급 통계 모델링기본 데이터 분석 및 모델링소비자 및 시장 조사실험 설계대량 맞춤화예측 모델링 및 머신 러닝품질 및 공정 엔지니어링신뢰성 분석