Bayes'sche Optimierung oder ähnliche „ein Experiment nach dem anderen“-TechnikenIch möchte mehr über „Bayes'sche Optimierung“ oder ähnliche „ein Experiment nach dem anderen“-Techniken erfahren, die in JMP 18 verfügbar sind.
Wird die Bayes'sche Optimierung irgendwann auch auf der Nicht-Pro-JMP-Plattform verfügbar sein?
Danke!
Datenexploration und -visualisierungVersuchsplanungBetreff: Bayes'sche Optimierung oder ähnliche „ein Experiment nach dem anderen“-TechnikenDie Bayes-Op-Plattform nutzt für rechenintensive Aufgaben einige andere Funktionen in JMP Pro. Es ist wahrscheinlich, dass sie auch zukünftig eine Pro-Funktion bleiben wird.
Je nachdem, was Sie erreichen möchten, kann ein kleines Versuchsdesign mit Haupteffekten und minimaler Versuchsanzahl ein sinnvoller Einstieg sein. Anschließend können Sie mithilfe von Augment Design höhere Terme für aktive Faktoren hinzufügen, um die Antwortfläche besser abzudecken.
Betreff: Bayes'sche Optimierung oder ähnliche „ein Experiment nach dem anderen“-TechnikenHallo @JaromW ,
Willkommen in der Community!
Bayesianische Optimierung ist aktuell eine JMP Pro-Plattform. Wenn Sie mehr über Bayesianische Optimierung in JMP Pro erfahren möchten, kann ich Ihnen folgende Ressourcen empfehlen:
Einen schnellen Überblick über die Bayes'sche Optimierung erhalten Sie auch mit diesem Video: Grundlagen der Bayes'schen Optimierung (YouTube-Video).
Um die Vorteile der Bayes'schen Optimierung optimal zu nutzen (Ihr Produkt/System mit wenigen Iterationen zu optimieren), benötigen Sie einen guten Ausgangsdatensatz mit qualitativ hochwertigen Informationen. Die meisten Anwender beginnen mit historischen Daten. Falls Sie jedoch keine Vordaten haben, empfehle ich Ihnen, mit Versuchsplanung (DoE) zu beginnen. Verwenden Sie dazu entweder kleine Screening-Designs, wenn Sie viele Faktoren haben (um wichtige und aktive Faktoren für die Bayes'sche Optimierung herauszufiltern), oder kleine raumfüllende Designs (wie z. B. Latin Hypercube), wenn Sie nur wenige Faktoren haben, um einen repräsentativen und qualitativ hochwertigen Ausgangsdatensatz zu erhalten.
DoE und BO ergänzen sich, und wie @Byron_JMP hervorhebt, gibt es im DoE-Bereich auch viele Möglichkeiten, sequenziell mit kleinen Designs zu lernen.
Ich hoffe, diese Antwort hilft Ihnen.
Betreff: Bayes'sche Optimierung oder ähnliche „ein Experiment nach dem anderen“-TechnikenIch habe zwei Fragen/Anmerkungen zur Bayes'schen Optimierung:
1. Gibt es eine Möglichkeit zu überprüfen, ob die Lösung nicht suboptimal ist?
2. Gibt es eine Möglichkeit, eine robuste optimale Lösung zu ermitteln?
Betreff: Bayes'sche Optimierung oder ähnliche „ein Experiment nach dem anderen“-TechnikenHallo @frankderuyck ,
Hier einige Gedanken zu Ihren Fragen:
- Nicht automatisch. BO kann in einem suboptimalen Bereich stecken bleiben, wenn die Exploration nicht vollständig abgeschlossen ist. Dies hängt von der Schwierigkeit der Modellierung der Zielgröße und dem Mess-/Experimentalrauschen ab. Ich habe dies gerade anhand eines Beispiels mit dem „Auto“-Modus getestet, um neue Läufe hinzuzufügen. Die BO-Schleife blieb nach wenigen Läufen in einem lokalen Optimum stecken, da sie dieses fälschlicherweise für das optimale hielt. Daher ist es ratsam, zu Beginn der BO-Schleife mehrere MaxPro-Kriteriumsläufe einzufügen, um die Exploration zu erzwingen, bevor man versucht, ein Optimum zu erreichen.
- Gleiche Antwort. Profiler wie der Prediction Profiler und der Design Space Profiler, einige ihrer Optionen (z. B. der Sensitivitätsindikator ) sowie andere Modellierungs- und Diagnosewerkzeuge können Ihnen helfen, die mögliche Robustheit Ihres Optimums zu visualisieren und zu verstehen. Wenn Sie jedoch wirklich sichergehen wollen, dass Ihr Optimum robust genug ist (und je nachdem, gegen welche Anforderungen an die Robustheit Ihres Optimums), können kleinere Robustheitsstudien sinnvoll sein. Lesen Sie dazu die Blogreihe von Stat-Ease über robuste Versuchsplanung.
Ich hoffe, diese Antwort hilft Ihnen.
Betreff: Bayes'sche Optimierung oder ähnliche „ein Experiment nach dem anderen“-TechnikenNochmals vielen Dank, Victor, für die klare Antwort! Sich an einem suboptimalen Hügel festzufahren und zu verirren, kann problematisch sein. Ich verstehe, dass die Gefahr besteht, in einem zufälligen Pfad zu landen, der mehr Läufe erfordert, als wenn man gleich mit einem optimalen Versuchsplan (DOE) begonnen hätte. Gibt es, wenn man feststeckt, eine Möglichkeit, mit minimaler Anzahl an Läufen zum optimalen Pfad zu gelangen?
Betreff: Bayes'sche Optimierung oder ähnliche „ein Experiment nach dem anderen“-TechnikenHallo @frankderuyck ,
Es geht nicht unbedingt um die Anzahl der Durchläufe, sondern auch um den Abstand zwischen dem "wahren" globalen Optimum, das Sie erreichen möchten, und demjenigen, das Sie mit BO gefunden haben.
In meinem Beispiel konvergiere ich im Automatikmodus schnell zu einem Optimum (4 Läufe + 1 Wiederholung des besten Trainingslaufs zusätzlich zu 3 historischen Läufen). Das im Automatikmodus gefundene Optimum liegt jedoch bei 3,5–3,6 für die Antwortvariable, während im „geführten“ Modus (mit 4 MaxPro-Läufen zu Beginn der Schleife, insgesamt also 8 zusätzlichen Läufen) das Optimum bei 4,5 liegt (erwartetes Optimum). Obwohl der Automatikmodus also schneller zu einer Lösung gelangt (mit weniger Läufen), scheint diese Lösung nicht das globale Optimum zu sein (anders als im „geführten“ Modus).
Meiner Meinung nach ist die beste Option, wenn man nicht weiterkommt, die Erkundung des experimentellen Raums zu erzwingen, indem man Läufe einbezieht, die das MaxPro-Kriterium erzwingen.
Betreff: Bayes'sche Optimierung oder ähnliche „ein Experiment nach dem anderen“-TechnikenEine andere Sichtweise. Betrachtet man die n-dimensionale Antwortfläche, so gibt es zahlreiche lokale Maxima, aber nur ein globales Optimum. Die lokalen Maxima zeigen zwar erwünschte Werte in der Antwortfunktion, sind aber spitz (klein und schmal). Das heißt, kleine Änderungen der Modellfaktoren können schnell zu Abweichungen von diesen gewünschten Werten führen. Globale Maxima hingegen verlaufen eher plateauartig (flach). Dies kann auch als Robustheit oder Unempfindlichkeit gegenüber kleinen Schwankungen der Modellfaktoren bezeichnet werden (ich glaube, dies entspricht Szenario II in dem von Victor erwähnten Blog). Um ein lokales Maximum zu überwinden, verwendet man nicht die Niveaueinstellung, sondern sucht nach anderen Faktoren. Eine weitere Dimension, um die Oberfläche zu betrachten. Die Faktorauswahl führt am effektivsten durch den n-dimensionalen Raum. Daher ist das „Herumexperimentieren mit der Niveaueinstellung“ im Designraum, unabhängig von der Methode, weniger effektiv als die Erweiterung des Designraums.
Meine Definition von Robustheit umfasst die Abwesenheit von Wechselwirkungen zwischen Rauschen und Faktoren. Um Robustheit zu erreichen, ist es notwendig, Rauschen zumindest für die Dauer des Experiments zu identifizieren und zu kontrollieren. Für ein effizientes robustes Design müssen die Rauschfaktoren während der Experimente zur Bestimmung der Designfaktoren manipuliert werden. Dies erfolgt nicht sequenziell. Anders ausgedrückt: Man kann nicht zuerst die optimalen Einstellungen für die Designfaktoren festlegen und dann Rauschen einführen. Beides muss simultan geschehen, damit die Wechselwirkungen zwischen Rauschen und Faktoren abgeschätzt werden können. RCBD- und Split-Plot-Designs eignen sich hervorragend für diesen Zweck.
