视频 1：创建模型的各种方法：模型构建、比较和选择
评论：
@Victor_G - Goos 提出的一些用于模型比较和选择（栅格图）的可视化和命题：https: //community.jmp.com/t5/JMP-Wish-List/Raster-plots-or-other-visualization-tools-to-help-model/idi-p/730968
@martindemel -当我说到基于树的模型时，我想到的是引导程序，抱歉说得不够准确
SVEM——自我验证集成模型：
发现峰会演讲 - SVEM：实验设计和分析的范式转变 (2021-EU-45MP-779) - JMP 用户社区
支持页面 - https://www.jmp.com/support/help/en/18.1/index.shtml#page/jmp/overview-of-selfvalidated-ensemble-models.shtml
@乔纳斯_林内 - SVEM 可能是一种在不违反设计结构的情况下使用某种验证的方法
@Victor_G - 或者使用统计分析，或者对过度拟合具有鲁棒性的机器学习算法（随机森林、SVM等）
重复实验更多用于可解释性（从因素影响中筛选出随机误差/变化/统计误差），我不会用它们进行预测建模，尤其是机器学习建模
视频 2：带约束的混合设计
评论：
@Bill_Worley - 混合模型可能是高度非线性的，最好从空间填充混合模型开始，以尝试更好地理解非线性。
@Victor_G或者按顺序进行：经典混合设计直至第二/第三阶，然后使用空间填充进行增强，以获得实验空间内的点。
视频 3：试验次数：我们可以在最优设计中使用 JMP 建议的最小次数吗？
评论：
@Bill_Worley - 尝试 Augment Designs
@Paul_J - 这让我很疑惑... JMP 如何确定推荐的运行次数？... 这能否让我们明白为什么要使用超过最低限度的次数？
@Victor_G - 通常比最低运行次数多运行 4 次
设计生成
@乔纳斯_林内 -
这也取决于您的选择。如果您将某些术语选择为“如果可能”，它将尝试通过从最小值添加的运行来构建这些效果。否则，它将添加重复项。JMP 会根据您的选择尽可能好地分配额外的运行。
@martindemel - 考虑一下你还会得到关于错误估计的信息
@Victor_G -
不仅正确的模型，而且你可以评估“自然”变异（随机噪声）
无需额外的运行，您就可以假设没有实验或测量噪声来拟合模型！
完全同意 Brian 的观点，一切都是有代价的/妥协的
视频 4：资源
