如何增強貝葉斯最佳化演算法以用於實驗設計應用（QbD、穩健性）大家好，
在 ENBIS 貝葉斯課程中，我們提出了透過增強一系列貝葉斯最佳化實驗來將資料集轉換為適合 QbD/穩健性研究的資料集的想法，這對我們的客戶來說是一個很好的用例。
我的問題是，在使用實驗設計（DoE）選單中的「增廣」（Augment）工具時，如何準確地確定所需的額外運行次數，以確保不存在混淆因素（例如，清晰的相關性顏色圖）？在上面的三因子範例中，無論我應用的是簡單的線性模型還是響應曲面模型（RSM），建議的增廣運行次數始終為 8 次。
與自訂設計相比，更改模型會改變建議的實驗數量，我想知道這裡是否可以做類似的事情，或者至少可以更清楚地了解在給定標準（D 效率、低相關性等）下需要多少額外的實驗，而無需每次都手動增加數量和進行檢查。
@Florian_Vogt @Phil_Kay @chris_gotwalt1
謝謝！
本
回覆：如何增強貝葉斯最佳化演算法以用於實驗設計應用（QbD、穩健性）問得好。我很驚訝你不知道答案是統計學家的經典回答：視情況而定。
這真的要看情況而定。
你幾乎不可能透過擴充貝葉斯優化專案的數據來獲得相關性為零的設計。因此，最終結果幾乎總是取決於可接受的相關性程度。而這很難決定。
我不太確定自訂設計中推薦運行次數的具體計算方法，但我認為大概是待估計模型參數的數量加上 5（誤差自由度）。這個問題沒有標準答案，但給出一個合理的「經驗法則」相對容易。
我認為對實驗者來說，最佳方案是考慮他們實際上能夠承受的實驗次數，並創建 3 個不同的增強設計，每個設計包含不同次數的實驗，但不得超過最大實驗次數。之後，他們可以使用「比較設計」功能，快速且方便地比較這 3 個方案在不同設計診斷指標（包括效應相關性）上的差異。我認為其他軟體都無法做到這一點，因此這是 JMP 的一個顯著優勢。
回覆：如何增強貝葉斯最佳化演算法以用於實驗設計應用（QbD、穩健性）嗨@Phil_Kay ，
我當然應該想到！謝謝你的解釋，這是一個很好的切入點，如果有人問起，我可以告訴你該如何應用。
謝謝，
本
回覆：如何增強貝葉斯最佳化演算法以用於實驗設計應用（QbD、穩健性）後續問題：我對 JMP 的 BayesOpt 的理解（或許有些天真）是，它是一種基於高斯過程的有效替代 DOE Augment Design 的方法。這種理解是否錯誤？是否有通用的指導原則，說明何時應該使用 Augment Design 而不是再次使用 BayesOpt 來產生更多設計點？
回覆：如何增強貝葉斯最佳化演算法以用於實驗設計應用（QbD、穩健性）顧名思義，其目標是優化，而非表徵和建模。它的目的是盡快找到最佳設定（即，盡可能減少資料增強/運行次數）。找到最佳設定後，您可能就完成了任務。但在某些情況下，例如製藥和生物技術領域，您還需要繼續進行實驗設計 (DOE)，以對周圍表面進行建模。可以參考品質源自於設計 (QbD) 和設計空間的概念。
