Optimización bayesiana o técnicas similares de "un experimento a la vez".Me gustaría obtener más información sobre la "optimización bayesiana" o técnicas similares de "un experimento a la vez" disponibles en JMP 18.
Además, ¿estará disponible la optimización bayesiana en la plataforma JMP que no sea Pro en algún momento?
¡Gracias!
Exploración y visualización de datosDiseño de experimentosRe: Optimización bayesiana o técnicas similares de "un experimento a la vez"La plataforma Bayes Op se basa en otras funciones de JMP Pro para realizar las tareas más complejas. Es probable que siga siendo una función de la versión Pro en el futuro.
Dependiendo de lo que intentes hacer, un diseño de experimentos (DOE) de efectos principales pequeño con el número mínimo de ensayos podría ser una buena manera de empezar. Luego, puedes usar el Diseño Aumentado para agregar términos de orden superior para los factores activos y así completar una mayor superficie de respuesta.
Re: Optimización bayesiana o técnicas similares de "un experimento a la vez"Hola @JaromW ,
¡Bienvenidos a la comunidad!
La optimización bayesiana es actualmente una plataforma de JMP Pro. Si desea obtener más información sobre la optimización bayesiana en JMP Pro, le recomiendo estos recursos:
También puedes obtener una comprensión rápida de la optimización bayesiana con este video: Conceptos básicos de la optimización bayesiana (video de YouTube).
Para sacar el máximo provecho de la optimización bayesiana (que permite optimizar el producto o sistema con muy pocas iteraciones), es necesario contar con un buen conjunto de datos inicial (con información de alta calidad). La mayoría de las personas comienzan con datos históricos, pero si no dispone de datos previos, recomiendo comenzar con el diseño de experimentos (DoE), ya sea utilizando diseños de selección pequeños si tiene muchos factores (para filtrar los factores importantes y activos para las iteraciones de la optimización bayesiana), o utilizando diseños de relleno de espacio pequeños (como el hipercubo latino) si tiene pocos factores, para obtener un conjunto de datos inicial representativo y de alta calidad.
El diseño de experimentos (DoE) y la optimización bayesiana (BO) son complementarios, y como señaló @Byron_JMP , también existen muchas posibilidades en el ámbito del DoE para aprender secuencialmente con diseños de tamaño reducido.
Espero que esta respuesta te ayude.
Re: Optimización bayesiana o técnicas similares de "un experimento a la vez"Tengo dos preguntas/comentarios con respecto a la optimización bayesiana:
1. ¿Existe alguna forma de comprobar si la solución no es subóptima?
2. ¿Existe alguna forma de detectar una solución óptima robusta?
Re: Optimización bayesiana o técnicas similares de "un experimento a la vez"Hola @frankderuyck ,
Aquí hay algunas reflexiones sobre sus preguntas:
- No automáticamente. El algoritmo BO puede quedarse estancado en una zona subóptima si la exploración no se ha completado, dependiendo de la dificultad para modelar la respuesta y del ruido de medición/experimental. Acabo de probar un ejemplo de esta situación usando solo el modo "Automático" para añadir nuevas ejecuciones, y muy rápidamente el bucle de BO se quedó atascado en un óptimo local tras unas pocas ejecuciones, creyendo que era el óptimo a alcanzar. Por lo tanto, es recomendable incluir varias ejecuciones con el criterio MaxPro al principio del bucle de BO para fomentar la exploración, antes de intentar alcanzar un óptimo.
- La misma respuesta. Los generadores de perfiles como Prediction Profiler y Design Space Profiler, algunas de sus opciones (como Sensitivity Indicator ) y otras herramientas de diagnóstico de modelado pueden ayudarle a visualizar y comprender la posible robustez de su óptimo. Pero si realmente desea asegurarse de que su óptimo sea suficientemente robusto (y dependiendo de con respecto a qué necesita ser robusto), pueden ser relevantes pequeños estudios de diseño de robustez. Consulte esta serie de blogs sobre diseños robustos de Stat-Ease .
Espero que esta respuesta te ayude.
Re: Optimización bayesiana o técnicas similares de "un experimento a la vez"Gracias de nuevo, Victor, por tu respuesta tan clara. Quedarse atascado y perderse en una colina subóptima puede ser un problema. Entiendo que existe el riesgo de terminar en un recorrido aleatorio que requiere más intentos que si uno hubiera comenzado con un diseño de experimentos óptimo. Cuando uno se queda atascado, ¿hay alguna dirección para llegar al óptimo real con el mínimo número de intentos?
Re: Optimización bayesiana o técnicas similares de "un experimento a la vez"Hola @frankderuyck ,
No se trata necesariamente de la cantidad de ejecuciones, sino también de la distancia entre el óptimo global "verdadero" que se desea alcanzar y el que se encontró con BO.
En mi ejemplo, converjo rápidamente a un óptimo con el modo automático (4 ejecuciones + 1 ejecución de entrenamiento con réplica añadida a 3 ejecuciones históricas), pero el óptimo encontrado en este modo automático está entre 3,5 y 3,6 para la respuesta, mientras que el encontrado en el modo "guiado" (que impone 4 ejecuciones de MaxPro al inicio del bucle, para un total de 8 ejecuciones añadidas) encontró el óptimo en 4,5 (óptimo esperado). Por lo tanto, aunque el modo automático llegue a una solución más rápido (en menos ejecuciones), esta solución no parece ser el óptimo global (a diferencia del modo "guiado").
En mi opinión, cuando uno se atasca, la mejor opción es forzar la exploración del espacio experimental, incluyendo ejecuciones que apliquen el criterio MaxPro.
Re: Optimización bayesiana o técnicas similares de "un experimento a la vez"Otro punto de vista. Si consideramos la superficie de respuesta n-dimensional, existen numerosos máximos locales, pero un óptimo global. Los máximos locales presentan valores deseados en la respuesta, pero son estrechos y con un pico pronunciado. Es decir, pequeños cambios en los factores del modelo pueden alejarnos rápidamente de esos valores deseados. Los máximos globales tienden a ser planos (con una meseta). Esto también se puede denominar robustez o insensibilidad a pequeñas fluctuaciones en los factores del modelo (creo que este es el escenario II en el blog al que hizo referencia Victor). Para salir del máximo local, no se ajusta el nivel, sino que se buscan otros factores. Otra dimensión para visualizar la superficie. La selección de factores permite moverse con mayor eficacia a través del espacio n-dimensional. Por lo tanto, experimentar con el ajuste de nivel, independientemente del método, en el espacio de diseño será menos efectivo que ampliar dicho espacio.
Además, mi definición de robustez se basa en la ausencia de interacciones entre factores y ruido. Para lograr robustez, es necesario identificar y manipular el ruido, al menos durante la duración del experimento. Para un diseño robusto más eficiente, los factores de ruido deben manipularse durante la experimentación con los factores de diseño. Este proceso no es secuencial. En otras palabras, no se pueden determinar los ajustes óptimos para los factores de diseño y luego introducir el ruido. Debe realizarse simultáneamente para poder estimar las interacciones entre factores y ruido. Los diseños de bloques completos aleatorizados (RCBD) y de parcelas divididas son excelentes para este propósito.
