918498_fr-FR

liliconcom

Désirabilité personnalisée dans l'optimisation bayésienne

Je tente d'effectuer une optimisation bayésienne multivariée dans JMP Pro. Veuillez m'excuser si ma question paraît naïve, mais comment définir des critères de désirabilité personnalisés pour chaque réponse et les conserver d'une itération à l'autre ? Lorsque j'utilise l'option « Définir les critères de désirabilité », il n'est pas clair si ces critères sont pris en compte lors de la sélection des lots ou des itérations suivantes de l'optimisation bayésienne.

Modélisation prédictive et apprentissage automatiqueRe: Désirabilité personnalisée dans l'optimisation bayésienne

Salut @OliverPickburn ,

Une fois que vous avez défini ou modifié les critères de pertinence de vos réponses, vous pouvez utiliser l'option « Enregistrer les critères de pertinence » dans le triangle rouge situé à côté de Profileur de prédiction augmenté (ou à côté de n'importe quel Profiler) :

• Situation initiale avec ses aspects souhaitables :
  
  L'exécution ajoutée avec la valeur par défaut « Amélioration maximale attendue » présente les valeurs de facteur suivantes :
  

• Si je modifie le niveau de préférence de MODULUS pour le minimiser, puis que j'enregistre les préférences et que je relance la plateforme avec les mêmes paramètres :
  

  L'exécution ajoutée par défaut a changé :

  

Pour répondre complètement à votre question, modifier les critères de désirabilité ne changera pas l'ensemble de candidats créé pour classer les points à tester lors des prochaines itérations, mais cela modifiera le classement et la sélection des points car ils seront liés à la fonction d'acquisition et aux fonctions de désirabilité.

Comme pour les plans d'expériences (DoE), la plateforme d'optimisation bayésienne utilise et exploite plusieurs métadonnées/informations provenant des propriétés des colonnes (codage, rôle de conception, limites de réponse, etc.) ou du script de la table (contraintes...).

J'espère que ma réponse est claire.

Re: Désirabilité personnalisée dans l'optimisation bayésienne

C'est clair Victor et merci pour votre réponse.

C'est un peu détourné, étant donné que BayesOpt est axé sur l'optimisation, mais ça fonctionne et ça me convient. Il faudra juste que je pense à définir les limites de réponse avant d'exécuter la plateforme à l'avenir.

Merci encore

Oliver