如何增强贝叶斯优化算法以用于实验设计应用（QbD、鲁棒性）大家好，
在 ENBIS 贝叶斯课程中，我们提出了通过增强一系列贝叶斯优化实验来将数据集转换为适合 QbD/鲁棒性研究的数据集的想法，这对我们的客户来说是一个很好的用例。
我的问题是，在使用实验设计（DoE）菜单中的“增广”（Augment）工具时，如何准确确定所需的额外运行次数，以确保不存在混淆因素（例如，清晰的相关性颜色图）？在上面的三因子示例中，无论我应用的是简单的线性模型还是响应面模型（RSM），建议的增广运行次数始终为 8 次。
与自定义设计相比，更改模型会改变推荐的实验数量，我想知道这里是否可以做类似的事情，或者至少可以更清楚地了解在给定标准（D 效率、低相关性等）下需要多少额外的实验，而无需每次都手动增加数量和进行检查。
@Florian_Vogt @Phil_Kay @chris_gotwalt1
谢谢！
本
回复：如何增强贝叶斯优化算法以用于实验设计应用（QbD、鲁棒性）问得好。我很惊讶你不知道答案是统计学家的经典回答：视情况而定。
这真的要看情况而定。
你几乎不可能通过扩充贝叶斯优化项目的数据来获得相关性为零的设计。因此，最终结果几乎总是取决于可接受的相关性程度。而这很难决定。
我不太确定自定义设计中推荐运行次数的具体计算方法，但我认为大概是待估计模型参数的数量加上 5（误差自由度）。这个问题没有标准答案，但给出一个合理的“经验法则”相对容易。
我认为对实验者来说，最佳方案是考虑他们实际能够承受的实验次数，并创建 3 个不同的增强设计，每个设计包含不同次数的实验，但都不超过最大实验次数。之后，他们可以使用“比较设计”功能，快速便捷地比较这 3 个方案在不同设计诊断指标（包括效应相关性）上的差异。我认为其他软件都无法做到这一点，因此这是 JMP 的一个显著优势。
回复：如何增强贝叶斯优化算法以用于实验设计应用（QbD、鲁棒性）嗨@Phil_Kay ，
我当然应该想到！谢谢你的解释，这是一个很好的切入点，如果有人问起，我可以告诉你该如何应用。
谢谢，
本
回复：如何增强贝叶斯优化算法以用于实验设计应用（QbD、鲁棒性）后续问题：我对 JMP 的 BayesOpt 的理解（或许有些天真）是，它是一种基于高斯过程的有效替代 DOE Augment Design 的方法。这种理解是否错误？是否有通用的指导原则，说明何时应该使用 Augment Design 而不是再次使用 BayesOpt 来生成更多设计点？
回复：如何增强贝叶斯优化算法以用于实验设计应用（QbD、鲁棒性）顾名思义，其目标是优化，而非表征和建模。它的目的是尽快找到最佳设置（即，尽可能减少数据增强/运行次数）。找到最佳设置后，您可能就完成了任务。但在某些情况下，例如制药和生物技术领域，您还需要继续进行实验设计 (DOE)，以对周围表面进行建模。可以参考质量源于设计 (QbD) 和设计空间的概念。
