JMP 19 新特性简介，重点介绍贝叶斯优化
更多信息： https://www.jmp.com/en/software/new-release/new-in-jmp
问题 1：如果没有历史数据集，我们能否进行贝叶斯优化？
维克多：是的，你可以先进行空间填充运行来覆盖你的实验空间。
Jonas：它需要数据集中至少有一行数据以及一些初始列信息。如果您只从一行或几行数据开始，它会增加运行次数，以探索更多的设计空间。
是的，平台基本上需要一些元数据和列信息才能运行（至少在设计角色和编码方面是如此）。
胜利者：我会先从一个简单的基本设计开始。
Maria：贝叶斯优化开发者教程： https://community.jmp.com/t5/Learn-JMP-Events/Developer-Tutorial-Bayesian-Optimization/ev-p/894910 ?…
胜利者：您可以尝试使用范围设计 | 棱镜来检查您的响应的变异性及其与各因素相关的变异性。
温弗里德：关键在于名称：如果你认为可以尽快开始优化，这一点尤其有用。如果你还在理解问题的初期阶段，请使用其他设计工具，例如筛选因子或空间填充设计！
胜利者：范围界定设计 DoE JMP 插件 - JMP 用户社区
Winfried：使用任何顺序方法（例如 BO）时，都要注意时间趋势！记住，我们通常为什么要使用随机化！
胜利者：同样重要的是要强调，实验设计（DoE）并非一种静态的、单一设计就能解决所有问题的方法；与贝叶斯优化类似，你可以通过迭代，逐步完善你的设计：从筛选设计开始，逐步添加高阶效应，然后再添加空间填充……可能性是无穷的，而且你可以将这些步骤与贝叶斯优化结合起来。
温弗里德：使用任何顺序方法（例如BO）时，都要注意时间趋势！记住，我们通常为什么要使用随机化！ 
是的，BO 中没有像阻塞或其他我们能用 DoE 找到的、具有时间趋势鲁棒性的保护措施！
胜利者：优化方法概述： 优化方法的演变 | 作者：Victor Guiller | Medium
问题 2：是否有类似预测分析器的工具，可用于具有多个因素的设计空间？
胜利者：使用 Prediction Profiler 分析 6 个以上因子时，实际难点是什么？如何优化？您可以根据因子对响应的重要性来减少因子数量。
安东尼：也可以根据效应量来减少。这是个实际意义的问题。如果某些效应量与其他效应量相比非常小，你可以先减少这些效应量。
胜利者：使用独立因子时，PCA 可能无法很好地工作
安东尼：我用PCA来降低Y轴的维度，但我没有用它来处理多个X轴的情况。
胜利者：您还可以使用模拟器，创建包含预测结果的新数据集，并创建您自己的可视化效果。
问题 3：在 DOE 设计中纳入不同的起始材料产品质量。
您可以使用随机块在 DOE 运行中分配不同的批次/产品质量吗？
乔纳斯：可能是协变量因素？
安东尼：可以考虑将其视为一个因素、协变量或进行阻断处理。
Manlio：你可以使用块来处理不同的材料。
胜利者：这取决于你是想评估批次对平均响应还是方差响应的影响（模型中的固定效应还是随机效应），这些批次质量的代表性如何，以及你的目标。
问题 4：随着学习过程的进行，贝叶斯优化如何处理因子添加和移除的迭代？在我目前的工作流程中，设计和噪声因子会因实验而异。我很想知道贝叶斯优化会如何处理这种情况。
更多资源：
