JMP 19 新特性簡介，重點在於貝葉斯最佳化
更多資訊： https://www.jmp.com/en/software/new-release/new-in-jmp
問題 1：如果沒有歷史資料集，我們能否進行貝葉斯最佳化？
維克多：是的，你可以先進行空間填充運作來涵蓋你的實驗空間。
Jonas：它需要資料集中至少有一行資料以及一些初始列資訊。如果您只從一行或幾行資料開始，它會增加運行次數，以探索更多的設計空間。
是的，平台基本上需要一些元資料和列資訊才能運作（至少在設計角色和編碼方面是如此）。
獲勝者：我會先從一個簡單的基礎設計開始。
Maria：貝葉斯優化開發者教學： https://community.jmp.com/t5/Learn-JMP-Events/Developer-Tutorial-Bayesian-Optimization/ev-p/894910 ?…
勝者：您可以嘗試使用範圍設計 | 棱鏡來檢查您的回應的變異性及其與各因素相關的變異性。
溫弗里德：關鍵在於名稱：如果你認為可以盡快開始優化，這一點尤其有用。如果你還在理解問題的初期階段，請使用其他設計工具，例如篩選因子或空間填充設計！
勝利者：範圍界定設計 DoE JMP 外掛 - JMP 用戶社群
Winfried：使用任何順序方法（例如 BO）時，請注意時間趨勢！記住，我們通常為什麼要使用隨機化！
勝者：還要強調的是，實驗設計（DoE）並非一種靜態的、單一設計就能解決所有問題的方法；與貝葉斯優化類似，你可以透過迭代，逐步完善設計：從篩選設計開始，逐步添加高階效應，再添加空間填充……可能性無窮無盡，而且你可以將這些步驟與貝葉斯優化結合起來。
溫弗里德：使用任何順序方法（例如BO）時，都要注意時間趨勢！記住，我們通常為什麼要使用隨機化！ 
是的，BO 中沒有像阻塞或其他我們能用 DoE 找到的、具有時間趨勢魯棒性的保護措施！
勝利者：優化方法概述： 優化方法的演變 | 作者：Victor Guiller | Medium
問題 2：是否有類似預測分析器的工具，可用於具有多個因素的設計空間？
勝利者：使用 Prediction Profiler 分析 6 個以上因子時，實際困難是什麼？如何優化？您可以根據因子對反應變數的重要性來減少因子數量。
安東尼：也可以根據效應量來減少。這是個實際意義的問題。如果某些效應量與其他效應量相比非常小，你可以先減少這些效應量。
結論： PCA 在使用獨立因子時可能效果不佳
安東尼：我用PCA來降低Y軸的維度，但沒用它處理過多個X軸。
勝者：您也可以使用模擬器，建立包含預測結果的新資料集，並建立您自己的視覺化效果。
問題 3：在 DOE 設計中納入不同的起始材料產品品質。
您可以使用隨機區塊在 DOE 運行中分配不同的批次/產品品質嗎？
喬納斯：可能是協變數因素？
安東尼：可以考慮將某個因素、協變數或進行阻斷處理。
Manlio：你可以使用塊來處理不同的材料。
勝利者：這取決於你是想評估批次對平均反應還是變異數反應的影響（模型中的固定效應還是隨機效應），這些批次品質的代表性如何，以及你的目標。
問題 4：隨著學習過程的進行，貝葉斯優化如何處理因子添加和移除的迭代？在我目前的工作流程中，設計和雜訊因子會因實驗而異。我很想知道貝葉斯優化會如何處理這種情況。
更多資源：
