<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" /> Ryan Parker , PhD, Développeur statisticien de recherche JMP, SAS
Les modèles de processus gaussiens sont un moyen courant d'imiter les résultats de modèles informatiques déterministes qui, à partir des données d'un processus scientifique, construisent les résultats associés à ces données. Les expériences sur ordinateur sont conçues pour collecter des échantillons de ces modèles sur la plage des entrées. Nous montrons comment construire un émulateur de processus gaussien pour les grands ensembles de données collectés à partir de ces expériences informatiques, telles que celles contenant plus de 2 500 observations, en utilisant une technique de vraisemblance approximative pour bloquer les observations disponibles dans la plateforme de processus gaussienne dans JMP Pro 13 . Cette technique permet d'utiliser le traitement en parallèle pour réduire considérablement le temps de calcul nécessaire pour estimer ces modèles. En outre, nous démontrons une autre nouvelle fonctionnalité de la plate-forme de processus gaussienne: la possibilité d'estimer des modèles avec des entrées catégorielles.
