影片 1：創建模型的各種方法：模型建構、比較和選擇
評論：
@Victor_G - Goos 提出的一些模型比較和選擇（柵格圖）的視覺化和命題： https 
/community.jmp.com/t5/JMP-Wish-List/Raster-plots-or-other-visualization-tools-to- help -型號/idi-p/730968
@martindemel -引導是我在說基於樹的模型時想到的，抱歉不精確
SVEM - 自驗證整合模型：
探索高峰會演講 - SVEM：實驗設計與分析的典範轉移 (2021-EU-45MP-779) - JMP 使用者社群
支援頁面 - https://www.jmp.com/support/help/en/18.1/index.shtml#page/jmp/overview-of-selfvalidated-ensemble-models.shtml
@喬納斯_林內 - SVEM 可能是一種在不違反設計結構的情況下使用某種驗證的方法
@Victor_G - 或使用統計分析，或對過度擬合具有穩健性的機器學習演算法（隨機森林，SVM，...）
重複更多地用於可解釋性（根據因素影響對隨機誤差/變化/統計誤差進行排序），我不會將它們用於預測建模，特別是機器學習建模
影片 2：有約束的混料設計
評論：
@比爾_沃利 - 混合模型可能是高度非線性的，最好從填充空間的混合模型開始，嘗試更好地理解非線性。
@Victor_G或按順序進行：經典混合設計高達二階/三階，然後用空間填充進行增強以在實驗空間內有點。
影片 3：試驗次數：我們可以使用 JMP 在最佳化設計中建議的最小值嗎？
評論：
@比爾_沃利 - Try Augment Designs
@Paul_J - 這讓我想知道... JMP 如何決定建議的運行次數？ ……這是否能讓我們了解為什麼要使用超過最小值的東西？
@Victor_G - 通常，比最低運行次數多 4 次
設計生成
@喬納斯_林內 -
這也取決於您的選擇。如果您選擇了一些術語作為“如果可能”，它將嘗試透過來自最小值的添加運行來建立這些效果。否則，它將添加例如重複項。 JMP 正在嘗試根據您的選擇盡可能最佳地分配額外運行。
@martindemel - 考慮到您還將獲得有關誤差估計的信息
@Victor_G -
不僅是正確的模型，而且您可以評估“自然”變異性（隨機雜訊）
無需額外運行，您就可以假設沒有實驗或測量雜訊來擬合模型！
完全同意布萊恩的觀點，這一切都是有代價/妥協的
影片 4：資源
