貝葉斯優化或類似的「一次只進行一個實驗」技術我想了解更多關於 JMP 18 中提供的「貝葉斯優化」或類似的「一次只做一項實驗」技術。
另外，貝葉斯優化功能未來是否會在非專業版 JMP 平台上推出？
謝謝！
數據探索與視覺化實驗設計回覆：貝葉斯優化或類似的「一次只做一項實驗」技術Bayes Op平台依賴JMP Pro中的一些其他功能來完成繁重的運算工作。未來它很可能仍將是Pro版的專屬功能。
根據您的研究目標，採用最小運行次數的小規模主效果實驗設計 (DOE) 可能是個有效的起點。之後，可以使用增廣設計 (Augment Design) 來增加更高階的項來模擬有效因素，從而更全面地描述響應曲面。
回覆：貝葉斯優化或類似的「一次只做一項實驗」技術嗨@JaromW ，
歡迎加入社群！
貝葉斯優化目前是 JMP Pro 平台的一部分。如果您想了解更多關於 JMP Pro 中貝葉斯優化的信息，我推薦以下資源：
您還可以透過以下影片快速了解貝葉斯優化： 貝葉斯優化基礎知識（YouTube 影片）。
為了充分發揮貝葉斯優化（即以極少的迭代次數優化產品/系統）的優勢，首先需要一個高品質的初始資料集。大多數人會從歷史數據入手，但如果您沒有先驗數據，我建議您從實驗設計（DoE）開始。如果有很多因素，可以使用小型篩選設計（篩選貝葉斯優化迭代中重要的、活躍的因素）；如果只有少量因素，可以使用小型空間填充設計（例如拉丁超立方設計）來獲得具有代表性的高品質初始資料集。
DoE 和 BO 是互補的，正如@Byron_JMP所指出的那樣，在 DoE 領域也有很多可能性，可以透過小規模的設計進行順序學習。
希望這個回答對您有幫助。
回覆：貝葉斯優化或類似的「一次只做一項實驗」技術關於貝葉斯優化，我有兩個問題/意見：
1. 是否有辦法檢查該解決方案是否不是次優方案？
2. 是否有辦法檢測出穩健的最優解？
回覆：貝葉斯優化或類似的「一次只做一項實驗」技術嗨@frankderuyck ，
以下是我對您問題的一些思考：
- 並非總是如此。如果探索過程沒有完全完成，BO 演算法可能會陷入次優區域，這取決於響應建模的難度以及測量/實驗噪聲。我剛剛嘗試了一個僅使用“自動”模式添加新運行的例子，結果 BO 循環在幾次運行後就很快陷入了局部最優解，誤以為這就是最終最優解。因此，在 BO 循環開始時加入幾次 MaxPro 準則運行以強制進行探索是一個好方法，然後再嘗試達到最優解。
- 答案相同。像是預測分析器和設計空間分析器這樣的分析器，以及它們的一些選項（例如靈敏度指標）和其他建模診斷工具，可以幫助您視覺化並理解最優解的潛在穩健性。但如果您真的想確保最優解足夠穩健（取決於您的最優解需要穩健性的條件），那麼進行一些小規模的穩健性設計研究可能很有幫助。請參閱Stat-Ease 網站上關於穩健性設計的系列部落格文章。
希望這個回答對您有幫助。
回覆：貝葉斯優化或類似的「一次只做一項實驗」技術再次感謝 Victor 的清晰解答！在次優路徑上迷失方向確實很麻煩。我明白，這樣做有風險，可能會陷入隨機遊走，所需的運行次數比直接進行最優 DOE 實驗要多。那麼，當陷入困境時，是否有辦法以最少的運行次數找到真正的最優路徑呢？
回覆：貝葉斯優化或類似的「一次只做一項實驗」技術嗨@frankderuyck ，
這不一定是運行次數的問題，而是你想要達到的「真正」全局最優解與你用 BO 找到的全局最優解之間的距離的問題。
在我的範例中，使用自動模式（4 次運行 + 1 次複製最佳訓練運行，加上 3 次歷史運行）可以快速收斂到最優解，但該最優解對應的響應值在 3.5 到 3.6 之間。而「引導」模式（在循環開始時強制執行 4 次 MaxPro 運行，總共增加 8 次運行）找到的最優解對應的反應值在 4.5 之間（符合預期）。因此，即使自動模式能夠更快地找到解決方案（運行次數更少），但該解決方案似乎並非全局最優解（與「引導」模式不同）。
我認為，當你遇到困難時，最好的選擇是透過加入強制執行 MaxPro 標準的運行來強制探索實驗空間。
回覆：貝葉斯優化或類似的「一次只做一項實驗」技術這只是另一種視角。如果我考慮n維響應曲面，會發現存在許多局部極大值，但只有一個全域最優解。局部極大值代表了期望的反應值，但它們是尖峰狀的（範圍小且窄）。也就是說，模型因子的微小變化會導致反應值迅速偏離這些期望值。全域極大值則往往是「平台狀的」（平坦的）。這也可以稱為對模型因子的微小波動不敏感或具有魯棒性（我認為這就是Victor提到的博客中的第二種情況）。為了「擺脫」局部極大值，不能透過水平設定來實現，而是需要尋找其他因子。這是「觀察」曲面的另一個維度。因子選擇能夠最有效地引導你在n維空間中移動。因此，無論採用何種方法，「在設計空間中反覆調整水平設定」的效果都不如擴大設計空間。
此外，我對穩健性的定義是：不存在雜訊與因子之間的交互作用。為了實現穩健性，至少在整個實驗期間需要識別和控制噪音。為了最有效地進行穩健性設計，必須在設計因子實驗過程中同時控制雜訊因子。這並非順序操作。換句話說，你不能先確定設計因子的最佳設置，然後再引入雜訊。必須同時進行，以便估計雜訊與因子之間的交互作用。隨機區組設計（RCBD）和裂區設計非常適合此目的。
