@malcolm_moore1
예측 프로파일러 관련 문제에 대해 질문이 있습니다. 이해하도록 도와주시면 감사하겠습니다. 적합 모델 함수를 사용하여 세 가지 응답을 개별적으로 적합하고, 각 응답에는 효과 선별 모드에서 여러 효과가 포함되는 모델을 구축했습니다. 모델을 구축한 후 가장 유의미한 효과를 파악하고 잔차의 정규성을 확인했습니다. 모델 진단이 완료된 후 예측 프로파일러를 사용하여 특정 목표 응답을 생성하는 요인 값을 탐색했습니다. 다음으로, 선호도 함수를 적용하여 응답을 목표 값으로 설정했습니다. 그 결과 종 모양의 선호도 곡선이 생성되었습니다. 그런 다음 선호도 최대화를 사용하여 응답이 목표 값과 일치하도록 요인 값을 조정했습니다. 그런데 예상치 못한 것을 발견했습니다. 예측 프로파일러에서 요인 선을 수동으로 조정한 후 선호도 최대화를 다시 클릭하면 결과 요인 값이 이전 값과 크게 달라지고, 요인 아래의 선호도 함수 모양도 바뀌는 경우가 있었습니다.
왜 이런 일이 일어날까요? 그리고 목표 응답을 달성하기 위한 가장 적합한 설정을 예측할 때 어떤 요인 값 집합을 신뢰해야 할까요?
안녕하세요 @로쿠산91 ,
당신이 설명한 상황은 꽤 흔한 일입니다. 모델링과 프로파일러에 더 많은 응답을 추가할수록, "최적의" 솔루션을 얻기 위해 더 많은 "절충"/타협이 필요할 수 있습니다. 대부분의 경우, 응답은 같은 방향과 패턴으로 진화하지 않으므로 좋은 타협으로 이어질 수 있는 단일 솔루션이 없을 수도 있습니다.
이 상황을 더 잘 시각화하려면 시뮬레이터를 사용하여 모델에서 데이터 포인트를 생성하고, 충분한 포인트와 무작위 균일 분포를 사용하여 요인 범위를 포괄하는 데이터를 생성하는 것입니다. 결과 데이터 테이블에는 예측 응답과 함께 전체 선호도 점수가 포함된 "Obj" 열이 포함됩니다.
그런 다음 이 표의 데이터 포인트를 표시하여 최적값이 어디에 있는지 확인할 수 있습니다. 최적값에 도달하는 데 도움이 되는 여러 가지 조합이 있다는 것을 알게 될 것입니다(여기서는 세 가지 요인에 대한 두 가지 응답을 예로 들었습니다). 이를 파레토 전선이라고 합니다.
다른 방법은 "최적화 및 바람직성" 항목의 "최대화 및 기억" 옵션을 다양한 시작점으로 여러 번 반복하는 것입니다. 하지만 이 방법은 어렵고, 완벽하지 않거나 오류가 발생할 가능성이 높습니다.
이 파레토 전선 솔루션이 도움이 되기를 바랍니다.
