Einführung in die neuen Funktionen von JMP 19 mit Schwerpunkt auf Bayes'scher Optimierung
Weitere Informationen: https://www.jmp.com/en/software/new-release/new-in-jmp
Frage 1: Können wir eine Bayes'sche Optimierung starten, wenn wir keinen historischen Datensatz haben?
Sieger: Ja, Sie können mit raumfüllenden Läufen beginnen, um Ihren experimentellen Raum abzudecken.
Jonas: Es benötigt mindestens eine Zeile in einem Datensatz sowie einige anfängliche Spalteninformationen. Falls Sie nur mit einer oder wenigen Zeilen beginnen, werden weitere Durchläufe hinzugefügt, um den Designraum umfassender zu erkunden.
Ja, grundsätzlich benötigt die Plattform einige Metadaten und Spalteninformationen, um funktionieren zu können (zumindest im Hinblick auf die Designrolle und die Codierung).
Sieger: Ich würde zunächst mit einem einfachen Grunddesign beginnen.
Maria: Entwickler-Tutorial zur Bayes'schen Optimierung: https://community.jmp.com/t5/Learn-JMP-Events/Developer-Tutorial-Bayesian-Optimization/ev-p/894910?…
Sieger: Sie können Scoping Designs | Prism verwenden, um die Variabilität Ihrer Antwort und deren Variabilität in Bezug auf die Faktoren zu überprüfen.
Winfried : Der Name sagt es schon: Das ist besonders nützlich, wenn Sie glauben, bald mit der Optimierung beginnen zu können. Wenn Sie sich noch in der Anfangsphase der Problemanalyse befinden, verwenden Sie andere Designwerkzeuge wie Screening-Faktoren oder raumfüllende Designs!
Sieger:Scoping Design DoE JMP Add-In - JMP User Community
Winfried: Bei sequenziellen Methoden wie BO sollte man den zeitlichen Trend beachten! Denkt daran, warum wir im Allgemeinen Randomisierung verwenden!
Sieger: Es ist außerdem wichtig zu betonen, dass DoE keine statische Methode ist, die mit einem einzigen Design alle Fragen beantwortet. Ähnlich wie bei der Bayes'schen Optimierung kann man iterativ vorgehen und das Design schrittweise erweitern: Man beginnt mit einem Screening-Design, ergänzt es um Effekte höherer Ordnung und dann um raumfüllende Modelle. Die Möglichkeiten sind immens, und diese Schritte lassen sich mit der Bayes'schen Optimierung kombinieren.
Winfried: Achte bei sequenziellen Methoden wie BO auf den Zeittrend! Denk daran, warum wir im Allgemeinen Randomisierung verwenden! 
Ja, in BO gibt es keinen Schutz wie Blocking oder andere robuste Designs für Zeittrends, die wir mit DoEs finden können!
Sieger: Überblick über Optimierungsmethoden: Die Entwicklung von Optimierungsmethoden | von Victor Guiller | Medium
Frage 2: Gibt es ein Tool wie Prediction Profiler, das man für Designräume mit vielen Faktoren verwenden könnte?
Sieger: Worin besteht die praktische Schwierigkeit bei der Verwendung des Prediction Profilers für 6 oder mehr Faktoren? Optimierung? Sie könnten die Anzahl der Faktoren basierend auf deren Bedeutung für Ihre Zielgröße(n) reduzieren.
Anthony: Man könnte die Reduzierung auch anhand der Effektstärke vornehmen. Es geht um die praktische Relevanz. Wenn einige Werte im Vergleich zu anderen sehr niedrig sind, könnte man zunächst bei diesen die Reduzierung vornehmen.
Sieger: Die PCA funktioniert möglicherweise nicht gut mit unabhängigen Faktoren.
Anthony: PCA habe ich zur Dimensionsreduktion bei Y-Werten verwendet. Ich habe es noch nicht für mehrere X-Werte verwendet.
Sieger: Sie können auch den Simulator verwenden, einen neuen Datensatz mit Vorhersagen erstellen und Ihre eigenen Visualisierungen erstellen.
Frage 3: Einbeziehung unterschiedlicher Ausgangsmaterialqualitäten in die DOE-Designs.
Sie können Zufallsblöcke verwenden, um verschiedene Chargen-/Produktqualitäten über Ihre DOE-Läufe zu verteilen?
Jonas: Vielleicht Kovariaten?
Anthony: Als Optionen fallen mir ein: als Faktor behandeln, Kovariate, Blockierung.
Manlius: Man könnte Blöcke für verschiedene Materialien verwenden.
Sieger: Das hängt davon ab, ob Sie den Einfluss der Charge auf die mittlere Antwort im Vergleich zur Varianz der Antwort bewerten möchten (feste vs. zufällige Effekte im Modell), wie repräsentativ diese Chargenqualitäten sind und welche Ziele Sie verfolgen.
Frage 4: Wie geht die Bayes'sche Optimierung mit der iterativen Hinzufügung und Entfernung von Faktoren im Lernprozess um? In meinem aktuellen Workflow ändern sich die Design- und Störfaktoren von Experiment zu Experiment. Mich interessiert, wie BayesOpt dies handhabt.
Weitere Ressourcen:
