Ryan Parker , PhD, JMP Research Statisticien Développeur, SAS
Les modèles de processus gaussiens sont un moyen courant d'émuler les résultats de modèles informatiques déterministes qui, à partir des données d'entrée d'un processus scientifique, construisent les résultats associés à ces données. Les expériences informatiques sont conçues pour collecter des échantillons de ces modèles sur toute la plage des données d'entrée. Nous montrons comment construire un émulateur de processus gaussien pour de grands ensembles de données issus de ces expériences informatiques, par exemple ceux contenant plus de 2 500 observations, en utilisant une technique de vraisemblance approximative pour bloquer les observations, disponible dans la plateforme de processus gaussien de JMP Pro 13. Cette technique permet l'utilisation du traitement parallèle afin de réduire considérablement le temps de calcul nécessaire à l'estimation de ces modèles. Nous présentons également une autre nouveauté de la plateforme de processus gaussien : la possibilité d'estimer des modèles avec des entrées catégorielles.
