Vídeo 1: Diversas formas de crear modelos: construcción de modelos, comparación y selección
Comentarios:
@Victor_G - Algunas visualizaciones y propuestas para la comparación y selección de modelos (gráficos rasterizados) propuestas por Goos: https://community.jmp.com/t5/JMP-Wish-List/Raster-plots-or-other-visualization-tools-to-help-model/idi-p/730968
@martindemel - bootstrapping es lo que pensé cuando dije modelos basados en árboles, perdón por ser impreciso
SVEM - Modelos de conjunto autovalidados:
Discovery Summit Talk - SVEM: un cambio de paradigma en el diseño y análisis de experimentos (2021-EU-45MP-779) - Comunidad de usuarios de JMP
Página de soporte: https://www.jmp.com/support/help/en/18.1/index.shtml#page/jmp/overview-of-selfvalidated-ensemble-models.shtml
@Jonas_Rinne - SVEM podría ser un método que utiliza algún tipo de validación sin violar la estructura de diseño.
@Victor_G - O utilizar análisis estadístico, o algoritmos de Machine Learning robustos al sobreajuste (bosques aleatorios, SVM, ...)
Las réplicas se utilizan más para la explicabilidad (clasificar el error aleatorio/variación/error estadístico de las influencias de los factores), no las usaría para modelado predictivo, particularmente para modelado de aprendizaje automático.
Vídeo 2: Diseño de mezclas con restricciones
Comentarios:
@Bill_Worley - Los modelos de mezcla pueden ser altamente no lineales y puede ser bueno comenzar con una mezcla que llene el espacio para intentar comprender mejor la no linealidad.
@Victor_G O hacerlo secuencialmente: diseño de mezcla clásica hasta el 2do/3er orden, y luego aumentar con relleno de espacio para tener puntos dentro del espacio experimental.
Vídeo 3: Número de ensayos: ¿podemos utilizar el mínimo recomendado por JMP en el Diseño Óptimo?
Comentarios:
@Bill_Worley - Prueba Augment Designs
@Paul_J - Esto me hace preguntarme... ¿Cómo decide JMP el número recomendado de ejecuciones? ... ¿Podría eso darnos una idea de por qué usar algo más que el mínimo?
@Victor_G - Muy a menudo, 4 carreras adicionales al número mínimo de carreras
Generación de diseño
@Jonas_Rinne -
También depende de tus elecciones. Si has elegido algunos términos como "si es posible", intentará incorporar estos efectos con las ejecuciones adicionales provenientes del mínimo. De lo contrario, agregará réplicas, por ejemplo. JMP intenta distribuir las ejecuciones adicionales lo mejor posible en función de tus elecciones.
@martindemel - Ten en cuenta que también recibirás información sobre la estimación del error.
@Victor_G -
No sólo es un modelo correcto, sino que también permite evaluar la variabilidad "natural" (ruido aleatorio)
Sin ejecuciones adicionales, ajusta un modelo con el supuesto de que no tiene ruido experimental ni de medición.
Estoy completamente de acuerdo con Brian, todo tiene un precio/compromiso.
Vídeo 4: Recursos
