Die Bayesianische Optimierung, auch BayesOpt genannt, ist eine neue Plattform in JMP Pro 19. Mit ihr können Sie Ihre vorhandenen Daten nutzen, um ein Modell anzupassen und anschließend anhand dieses Modells intelligent zu entscheiden, wo Sie als Nächstes Stichproben ziehen. Diese neuen Beobachtungen werden genutzt, um das Modell zu aktualisieren und noch bessere Stichproben zu finden. Dieser Prozess kann mit einer minimalen Anzahl von Durchläufen beginnen, wodurch weniger Ressourcen für suboptimale Stichproben verschwendet werden und mehr Zeit für die Erforschung neuer Möglichkeiten bleibt.
Bevorzugen Sie ein Video? Sehen Sie es sich hier an.
Probleme mit Leichtigkeit lösen
BayesOpt verfügt über einen integrierten Automatikmodus für Ihre „Standardprobleme“. Finden Sie heraus, wo Sie als Nächstes suchen müssen, ohne sich in den Details zu verlieren.
Vielseitig einsetzbar
Alternativ steht eine Reihe interaktiver Anpassungsoptionen für komplexere Probleme zur Verfügung oder wenn Sie sich selbst in die Details vertiefen möchten.
Vertrauen und Transparenz
BayesOpt-Ergebnisse sind verständlich und interpretierbar. Die Plattform erkennt und protokolliert automatisch, wie und warum Proben ausgewählt werden, um Ihre Exploration zu dokumentieren. Sie können diese Gründe auch manuell innerhalb der Plattform bearbeiten, um Ihre Dokumentation anzupassen.
Darüber hinaus basiert die Plattform auf dem bekannten Prediction Profiler und seinen integrierten Erwünschtheitsfunktionen, sodass Sie sofort loslegen können. Und Sie müssen die Vorschläge der Plattform nicht für bare Münze nehmen! Neben den automatischen Vorschlägen bietet BayesOpt zuverlässige und interpretierbare Metriken, die Ihnen fundierte Entscheidungen auf Basis seiner Empfehlungen ermöglichen.
Verfolgen Sie Ihren Fortschritt
Erhalten Sie mit dem integrierten Desirability-Run-Diagramm sofortiges Feedback zum Fortschritt Ihres Projekts über die Beispieliterationen hinweg.
Erweitern Sie Ihre Möglichkeiten, ohne von vorne zu beginnen
Keine Branche stagniert lange. Mit BayesOpt bleiben Sie immer auf dem Laufenden, auch wenn sich Ihre Optionen nach Beginn Ihrer Produktentwicklung ändern. Nutzen Sie für kontinuierliche Variablen die Profilerachsen, um den zu untersuchenden Bereich direkt in der Plattform zu erweitern, bevor Sie einen neuen Kandidatensatz zur Auswahl generieren. Für komplexere Änderungen an Faktoren und Einschränkungen laden Sie einen beliebigen benutzerdefinierten Kandidatensatz in die Plattform.
Zusätzlich zur Auswahl von Beispielpunkten aus einem Kandidatensatz können Sie mit dem Profiler Vorhersagen untersuchen und von dort aus Beispielpunkte auswählen.
Vorschau
Um den intuitiven Workflow von BayesOpt zu demonstrieren, sehen wir uns ein kleines Beispiel an. Unten sehen Sie eine neu simulierte Version des Tiretread-Beispiels aus unserem Beispielindex, der in Ihrem JMP-Exemplar enthalten ist. Ich werde die BayesOpt-Plattform nutzen, um die Abriebreaktion zu maximieren und gleichzeitig die Ziele für Länge und Härte abzugleichen. Da BayesOpt die Profiler-Wünsche so stark nutzt, habe ich diese vor dem Ausführen der Plattform festgelegt.
Starten Sie die Plattform über das Analysemenü, um zu beginnen.
BayesOpt verfügt über einen typischen Startdialog für eine Modellierungsplattform in JMP. Sie müssen an dieser Stelle nur die Y- und X-Zeichen angeben, da wir uns am Anfang des BayesOpt-Prozesses befinden. Beachten Sie, dass Sie hier die Batchgröße auswählen können, d. h. die Anzahl der Zeilen, die im automatischen Modus hinzugefügt werden. Der Standardwert ist eins, für diese erste Demo lege ich die Batchgröße jedoch auf zwei fest.
Die BayesOpt-Plattform ist in Registerkarten unterteilt. Beginnen wir mit der Registerkarte „Modellübersicht“, die wichtige Informationen zu allen Antworten enthält. Als Erstes sollten wir uns die Zusammenfassung aller RSqs ansehen. Der Auto-Modus-Algorithmus prüft die RSqs, um festzustellen, ob die Modelle gut genug für die Arbeit sind. Unten sehen Sie, dass die RSq für das Abrasionsmodell unter unseren Standards liegt und rot hervorgehoben ist. Darunter sehen wir das Diagramm der beobachteten Erwünschtheit, das unseren Fortschritt fortlaufend verfolgt. In diesem Fall sehen wir, dass die ersten fünf Läufe nicht sehr gut waren. Über aufeinanderfolgende Iterationen hinweg möchten wir einen Aufwärtstrend dieser Werte sehen.
Der Rest dieser Registerkarte ist eine recht standardmäßige JMP-Plattform mit Diagrammen zu tatsächlichen und vorhergesagten Ergebnissen sowie einem Profiler. Über die Schaltfläche unten können Sie die Spuren der Standardfehler der Vorhersagen anzeigen. Wechseln wir nun zur Registerkarte „Batchauswahl“. Die automatische Auswahl der Plattform hat die beiden im Startdialog angeforderten Läufe gefunden. Standardmäßig wird davon ausgegangen, dass Sie im automatischen Modus bleiben möchten, und der Bericht bleibt sehr kompakt.
Da wir eine Antwort mit einem niedrigen RSq haben, hat sich die Plattform entschieden, in der Space-Filling-Explorationsphase zu bleiben. Sie verwendet ein Space-Filling-Kriterium (MaxPro Space Filling), das dazu beiträgt, dass Gaußsche Prozessmodelle besser passen.
Klicken Sie hier auf „Tabelle erstellen“. Die Läufe werden automatisch zur Tabelle hinzugefügt, und wir sind mit dieser Runde fertig. Zurück zur Tabelle sehen wir, dass die beiden Läufe hinzugefügt wurden, zusammen mit einer Spalte „Iteration“ und einer Spalte „Grund hinzugefügt“, die den Grund für die Läufe auflistet.
Ich verwende meinen Simulator, um neue Antworten zu erstellen und die Plattform erneut zu starten.
Nach dem Neustart der Plattform können wir sehen, dass die beiden raumfüllenden Durchläufe zu einer besseren Übereinstimmung der Antworten geführt haben, die neuen Antworten jedoch nicht wesentlich besser sind als die ursprünglichen fünf.
Auf der Registerkarte „Batchauswahl“ sehen wir, dass es sich bei den beiden Läufen nicht um raumfüllende Läufe handelt, da wir von der Phase „Raumfüllen“ zur Phase „Modellverfeinerung“ gewechselt sind. Wir können auf „Tabelle erstellen“ klicken und den Vorgang wiederholen.
Wenn wir zwei Chargen überspringen, sehen wir erneut, dass die Modelle alle noch gut sind, und unser Laufdiagramm zeigt, dass die zweite Charge zwar nicht zu signifikant verbesserten Antworten führte, die dritte jedoch schon!
Auf der Registerkarte „Batch-Auswahl“ sehen wir, dass der bisher beste Trainingslauf repliziert wird. Das bedeutet, dass wir zur dritten Phase des Bayes-Optimierungsalgorithmus, der Bestätigungs-/Challenge-Phase, übergegangen sind. In dieser Phase versuchen wir zunächst zu bestätigen, dass wir den besten Lauf haben, und gleichzeitig benachbarte Läufe zu finden, die dieses Optimum herausfordern. Wir könnten hier aufhören, gehen aber noch einen Schritt weiter, um zu sehen, was passiert.
Nach einer weiteren Iteration sehen wir, dass wir im Wesentlichen das gleiche Ergebnis erhalten und der Auto-Modus-Algorithmus im Bestätigungs-/Challenge-Modus bleibt. Wir können zwar nicht ausschließen, dass noch Verbesserungspotenzial besteht, aber dieses Ergebnis deutet darauf hin, dass wir unsere besten Einstellungen möglicherweise bereits gefunden haben.
Vielen Dank, dass Sie die neue Plattform zur Bayesschen Optimierung erkunden. Wir freuen uns darauf, Ihnen weitere Funktionen und Details dieser Plattform näherzubringen, sobald die Veröffentlichung näher rückt, und arbeiten an vielen spannenden Verbesserungen für zukünftige Versionen.
Weiterführende Literatur
Frazier, PI (2018). Ein Tutorial zur Bayesschen Optimierung. arXiv-Preprint arXiv:1807.02811 .
