Ottimizzazione bayesiana o tecniche simili "un esperimento alla volta".Vorrei saperne di più sull'ottimizzazione bayesiana o su tecniche simili "un esperimento alla volta" disponibili in JMP 18.
Inoltre, l'ottimizzazione bayesiana sarà disponibile in futuro anche sulla piattaforma JMP non Pro?
Grazie!
Esplorazione e visualizzazione dei datiProgettazione degli esperimentiOggetto: Ottimizzazione bayesiana o tecniche simili "un esperimento alla volta"La piattaforma Bayes Op si basa su alcune altre funzionalità di JMP Pro per le operazioni più complesse. Probabilmente rimarrà una funzionalità esclusiva della versione Pro anche in futuro.
A seconda di ciò che si sta cercando di fare, un piccolo DOE (Design of Experiments) con effetti principali e un numero minimo di prove potrebbe essere un buon punto di partenza. In seguito, si può utilizzare la progettazione aumentata (Augment Design) per aggiungere termini di ordine superiore per i fattori attivi, in modo da completare una porzione maggiore della superficie di risposta.
Oggetto: Ottimizzazione bayesiana o tecniche simili "un esperimento alla volta"Ciao @JaromW ,
Benvenuto nella community!
L'ottimizzazione bayesiana è attualmente una funzionalità integrata in JMP Pro. Se desideri approfondire l'argomento, ti consiglio queste risorse:
Puoi anche farti un'idea generale dell'ottimizzazione bayesiana con questo video: Nozioni di base sull'ottimizzazione bayesiana (video di YouTube).
Per ottenere il massimo dall'ottimizzazione bayesiana (ovvero, essere in grado di ottimizzare il proprio prodotto/sistema con pochissime iterazioni), è necessario un buon set di dati iniziale (con informazioni di alta qualità). La maggior parte delle persone inizia con dati storici, ma se non si dispone di dati precedenti, consiglio di iniziare con la progettazione di esperimenti (DoE), utilizzando piccoli disegni di screening se si hanno molti fattori (per filtrare i fattori importanti e attivi per le iterazioni di ottimizzazione bayesiana), oppure piccoli disegni di riempimento dello spazio (come l'ipercubo latino) se si hanno pochi fattori, al fine di ottenere un set di dati iniziale rappresentativo e di alta qualità.
DoE e BO sono complementari e, come sottolineato da @Byron_JMP , ci sono anche molte possibilità nel panorama DoE per apprendere in modo sequenziale con progetti di piccole dimensioni.
Spero che questa risposta ti sia d'aiuto.
Oggetto: Ottimizzazione bayesiana o tecniche simili "un esperimento alla volta"Ho due domande/osservazioni riguardo all'ottimizzazione bayesiana:
1. Esiste un modo per verificare se la soluzione non è subottimale?
2. Esiste un modo per individuare una soluzione ottimale robusta?
Oggetto: Ottimizzazione bayesiana o tecniche simili "un esperimento alla volta"Ciao @frankderuyck ,
Ecco alcune riflessioni in merito alle vostre domande:
- Non automaticamente. L'algoritmo BO può bloccarsi in un'area subottimale se l'esplorazione non è stata completata del tutto, a seconda della difficoltà di modellare la risposta e del rumore di misurazione/sperimentale. Ho appena provato un esempio di questa situazione utilizzando solo la modalità "Auto" per aggiungere nuove esecuzioni, e molto rapidamente il ciclo BO si è bloccato in un ottimo locale dopo poche esecuzioni, pensando che fosse l'ottimo da raggiungere. Pertanto, è una buona idea includere diverse esecuzioni del criterio MaxPro all'inizio del ciclo BO per forzare l'esplorazione, prima di tentare di raggiungere un ottimo.
- Stessa risposta. Strumenti di profilazione come Prediction Profiler e Design Space Profiler, alcune delle loro opzioni (come l'indicatore di sensibilità ) e altri strumenti di diagnostica per la modellazione possono aiutarti a visualizzare e comprendere la possibile robustezza del tuo optimum. Ma se vuoi davvero assicurarti che il tuo optimum sia sufficientemente robusto (e a seconda di cosa debba essere robusto il tuo optimum), potrebbero essere rilevanti piccoli studi di robustezza. Consulta questa serie di articoli del blog sui progetti robusti di Stat-Ease .
Spero che questa risposta ti sia d'aiuto.
Oggetto: Ottimizzazione bayesiana o tecniche simili "un esperimento alla volta"Grazie ancora Victor per la risposta chiara! Rimanere bloccati e perdersi su una collina non ottimale può essere un problema. Ho capito che c'è il rischio di finire in un percorso casuale che richiede più corse rispetto a un esperimento di progettazione ottimale. Quando ci si blocca, c'è una direzione da seguire per raggiungere il vero percorso ottimale con il minimo numero di corse?
Oggetto: Ottimizzazione bayesiana o tecniche simili "un esperimento alla volta"Ciao @frankderuyck ,
Non si tratta necessariamente del numero di esecuzioni, ma anche della distanza tra l'ottimo globale "reale" che si desidera raggiungere e quello trovato con l'algoritmo di ottimizzazione bayesiana (BO).
Nel mio esempio, convergo rapidamente a un optimum con una modalità automatica (4 run + 1 Replica Best Training Run aggiunta a 3 run storiche), ma l'optimum trovato in questa modalità automatica è a 3,5 - 3,6 per la risposta, mentre quello trovato in una modalità "guidata" (che impone 4 run MaxPro all'inizio del ciclo, per un totale di 8 run aggiunte) ha trovato l'optimum a 4,5 (ottimo atteso). Quindi, anche se la modalità automatica arriva a una soluzione più velocemente (in meno run), questa soluzione non sembra essere l'ottimo globale (a differenza della modalità "guidata").
A mio parere, quando ci si blocca, l'opzione migliore è forzare l'esplorazione dello spazio sperimentale, includendo esecuzioni che impongano il criterio MaxPro.
Oggetto: Ottimizzazione bayesiana o tecniche simili "un esperimento alla volta"Solo un altro punto di vista. Se penso alla superficie di risposta n-dimensionale, ci sono numerosi massimi locali, ma un solo ottimo globale. I massimi locali mostrano valori nella risposta che sono desiderati, ma sono appuntiti (piccoli e stretti). Ovvero, piccole variazioni nei fattori del modello possono allontanarti rapidamente da quei valori desiderati. I massimi globali tendono ad essere "piatti" (a plateau). Questo può anche essere definito come robusto o insensibile a piccole fluttuazioni nei fattori del modello (credo che questo sia lo scenario II nel blog a cui ha fatto riferimento Victor). Per "uscire" dal massimo locale, non lo si fa impostando i livelli, ma trovando altri fattori. Un'altra dimensione per "vedere" la superficie. La selezione dei fattori permette di muoversi in modo più efficace nello spazio n-dimensionale. Quindi "giocare con l'impostazione dei livelli", indipendentemente dal metodo, nello spazio di progettazione sarà meno efficace che aumentare lo spazio di progettazione.
Inoltre, la mia definizione di robusto implica l'assenza di interazioni tra rumore e fattori. Per sviluppare robustezza, è necessario identificare e manipolare il rumore almeno per la durata dell'esperimento. Per realizzare un disegno robusto nel modo più efficiente, i fattori di rumore devono essere manipolati durante la sperimentazione dei fattori di progetto. Questo non è un processo sequenziale. In altre parole, non è possibile determinare le impostazioni ottimali per i fattori di progetto e poi introdurre il rumore. Deve essere fatto simultaneamente in modo da poter stimare le interazioni tra rumore e fattori. I disegni RCBD e split-plot sono eccellenti per questo scopo.
