Problema di trovare le impostazioni ottimali per una miscela con l'ottimizzazione bayesianaCon un DOE a 24 prove, sono riuscito a trovare modelli molto validi e impostazioni ottimali per una miscela ternaria e un effetto categoriale, come presentato nella discussione precedente; in allegato trovate nuovamente l'analisi e di seguito gli screenshot dei risultati di desiderabilità.
frankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.pngfrankderuyck_0-1788534496337.png
Con l'isomero 2 il risultato desiderabile è peggiore; al di sotto delle impostazioni quando si blocca l'isomero 2
frankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.pngfrankderuyck_1-1788534633931.png
Partendo da un set di riempimento dello spazio dei candidati a 9 run (vedere l'allegato Set di successo a 9 run) o da un set di Kowalski a 12 run, è possibile rilevare le impostazioni ottimali con l'isomero 1.
Tuttavia, partendo da un set di candidati a 6 run con riempimento dello spazio, ottengo sempre le impostazioni ottimali peggiori con l'Isomero 2, anche dopo diverse run aggiuntive con riempimento dello spazio! Cosa ho sbagliato e come posso ottenere da questo set di candidati a 6 run le impostazioni ottimali per l'Isomero 1?
Oggetto: Problema per trovare le impostazioni ottimali per una miscela con l'ottimizzazione bayesianaCiao @frankderuyck ,
Hai aggiornato la tua versione di JMP come discusso nella discussione precedente?
Esaminando il tuo ultimo file, avviando la piattaforma BayesOpt da zero utilizzando solo le 6 esecuzioni iniziali di riempimento dello spazio, i modelli sembrano già piuttosto buoni:
Victor_G_0-1788772508694.pngVictor_G_0-1788772508694.pngVictor_G_0-1788772508694.pngVictor_G_0-1788772508694.pngVictor_G_0-1788772508694.pngVictor_G_0-1788772508694.pngVictor_G_0-1788772508694.pngVictor_G_0-1788772508694.pngVictor_G_0-1788772508694.pngVictor_G_0-1788772508694.pngVictor_G_0-1788772508694.pngVictor_G_0-1788772508694.pngVictor_G_0-1788772508694.pngVictor_G_0-1788772508694.pngVictor_G_0-1788772508694.pngVictor_G_0-1788772508694.pngVictor_G_0-1788772508694.pngVictor_G_0-1788772508694.pngVictor_G_0-1788772508694.pngVictor_G_0-1788772508694.pngVictor_G_0-1788772508694.pngVictor_G_0-1788772508694.pngVictor_G_0-1788772508694.pngVictor_G_0-1788772508694.pngVictor_G_0-1788772508694.pngVictor_G_0-1788772508694.pngVictor_G_0-1788772508694.pngVictor_G_0-1788772508694.png
Quindi, invece di utilizzare il suggerimento automatico "Replica la migliore esecuzione di addestramento" (ho eliminato questa esecuzione dal batch), forzo manualmente l'uso della funzione di acquisizione " Deviazione standard massima multimodello " e aggiungo 1 esecuzione al batch corrente, poiché la differenziazione tra l'isomero 1 e l'isomero 2 è difficile a causa dell'incertezza delle previsioni del modello (è possibile visualizzare gli intervalli di confidenza tra i tipi di isomero sul Profiler).
Quando si riavvia la piattaforma con questa nuova esecuzione aggiunta, il profiler sembra essere più affidabile e la raccomandazione di esecuzione predefinita viene eseguita automaticamente con la funzione di acquisizione " Miglioramento massimo previsto ", con impostazioni vicine al tuo livello ottimale:
Victor_G_1-1788773154124.pngVictor_G_1-1788773154124.pngVictor_G_1-1788773154124.pngVictor_G_1-1788773154124.pngVictor_G_1-1788773154124.pngVictor_G_1-1788773154124.pngVictor_G_1-1788773154124.pngVictor_G_1-1788773154124.pngVictor_G_1-1788773154124.pngVictor_G_1-1788773154124.pngVictor_G_1-1788773154124.pngVictor_G_1-1788773154124.pngVictor_G_1-1788773154124.pngVictor_G_1-1788773154124.pngVictor_G_1-1788773154124.pngVictor_G_1-1788773154124.pngVictor_G_1-1788773154124.pngVictor_G_1-1788773154124.pngVictor_G_1-1788773154124.pngVictor_G_1-1788773154124.pngVictor_G_1-1788773154124.pngVictor_G_1-1788773154124.pngVictor_G_1-1788773154124.pngVictor_G_1-1788773154124.pngVictor_G_1-1788773154124.pngVictor_G_1-1788773154124.pngVictor_G_1-1788773154124.pngVictor_G_1-1788773154124.png
Una volta aggiunta questa corsa consigliata automaticamente, l'opzione successiva suggerita dalla piattaforma è quella di replicare questa corsa di allenamento ottimale:
Victor_G_2-1788773243902.pngVictor_G_2-1788773243902.pngVictor_G_2-1788773243902.pngVictor_G_2-1788773243902.pngVictor_G_2-1788773243902.pngVictor_G_2-1788773243902.pngVictor_G_2-1788773243902.pngVictor_G_2-1788773243902.pngVictor_G_2-1788773243902.pngVictor_G_2-1788773243902.pngVictor_G_2-1788773243902.pngVictor_G_2-1788773243902.pngVictor_G_2-1788773243902.pngVictor_G_2-1788773243902.pngVictor_G_2-1788773243902.pngVictor_G_2-1788773243902.pngVictor_G_2-1788773243902.pngVictor_G_2-1788773243902.pngVictor_G_2-1788773243902.pngVictor_G_2-1788773243902.pngVictor_G_2-1788773243902.pngVictor_G_2-1788773243902.pngVictor_G_2-1788773243902.pngVictor_G_2-1788773243902.pngVictor_G_2-1788773243902.pngVictor_G_2-1788773243902.pngVictor_G_2-1788773243902.pngVictor_G_2-1788773243902.png
Data la complessità relativamente bassa delle tue due risposte, è possibile partire da un progetto di riempimento dello spazio a 6 prove e ottenere una raccomandazione ottimale adeguata con l'aggiunta di 3 prove, a condizione che tu consideri quale funzione di acquisizione sia la più rilevante in base all'apprendimento dei modelli e ai loro comportamenti e che tu "imponi" manualmente questa opzione.
In allegato trovate la mia situazione di esecuzione con il vostro esempio a 6 esecuzioni. Realizzato con JMP Pro 19.1.3
MODIFICA: Ho dimenticato di includere la colonna Y nell'ottimizzazione. Tuttavia, posso ottenere buoni risultati anche senza considerarla, poiché sembra essere correlata negativamente alla colonna 6 2.
Considerando Y e le altre due risposte della Colonna 6, potrebbe essere necessaria un'ulteriore esecuzione di Deviazione standard massima multimodello (quindi due in totale, una dopo l'altra) prima che il Profiler mostri un buon ordinamento e comportamento dei diversi tipi di isomeri:
Victor_G_0-1788778413164.pngVictor_G_0-1788778413164.pngVictor_G_0-1788778413164.pngVictor_G_0-1788778413164.pngVictor_G_0-1788778413164.pngVictor_G_0-1788778413164.pngVictor_G_0-1788778413164.pngVictor_G_0-1788778413164.pngVictor_G_0-1788778413164.pngVictor_G_0-1788778413164.pngVictor_G_0-1788778413164.pngVictor_G_0-1788778413164.pngVictor_G_0-1788778413164.pngVictor_G_0-1788778413164.pngVictor_G_0-1788778413164.pngVictor_G_0-1788778413164.pngVictor_G_0-1788778413164.pngVictor_G_0-1788778413164.pngVictor_G_0-1788778413164.pngVictor_G_0-1788778413164.pngVictor_G_0-1788778413164.pngVictor_G_0-1788778413164.pngVictor_G_0-1788778413164.pngVictor_G_0-1788778413164.pngVictor_G_0-1788778413164.pngVictor_G_0-1788778413164.pngVictor_G_0-1788778413164.png Victor_G_0-1788778413164.png
Dopo aver aggiunto 2 esecuzioni di Max Multimodel Std Dev, è possibile avviare l'ottimizzazione imponendo il criterio Max Expected Improvement. Dovreste ottenere una soluzione simile a quella ottenuta con i precedenti tentativi riusciti (vedere il file Successful 6 Run Fast Flexible Filling Design starter 2).
Spero che questa risposta ti sia d'aiuto.
Oggetto: Problema per trovare le impostazioni ottimali per una miscela con l'ottimizzazione bayesianaCiao Victor, sì, ho aggiornato all'ultima versione di JMP. Purtroppo non riesco a riprodurre i tuoi risultati; BO inizia sempre con il riempimento dello spazio; quando la replica inizia all'isomero 2 e non sono soddisfatto della desiderabilità passo a Max Multimodel St dev ma non ho successo. In un precedente webcast su BO viene consigliato di passare a Max Max pro criterion ma anche questo non funziona. In allegato i miei risultati (ci sono 3 output Y123)
Oggetto: Problema per trovare le impostazioni ottimali per una miscela con l'ottimizzazione bayesianaCome fai a sapere che nella prima esecuzione di BO è necessario Max Multimodel St dev invece di space filling?
Oggetto: Problema per trovare le impostazioni ottimali per una miscela con l'ottimizzazione bayesianaCiao @frankderuyck ,
Consiglierei di ricominciare da capo con il tuo scenario, lasciando solo le 6 esecuzioni iniziali che riempiono lo spazio ed eliminando tutte le altre.
Si prega di riavviare la piattaforma BayesOpt da zero con le impostazioni predefinite e di forzare la piattaforma ad aggiungere 1 run con il criterio Max Multimodel Std Dev per due volte. Dovreste quindi ottenere gli stessi risultati per queste due run e potrete quindi forzare l'ottimizzazione con Max Expected Improvement, che suggerirà un ottimo vicino a quello ottenuto con il vostro DoE (e gli stessi input della seconda run Max Multimodel Std Dev).
Oggetto: Problema per trovare le impostazioni ottimali per una miscela con l'ottimizzazione bayesianaNon riesco a riprodurre i tuoi risultati partendo da Max Multimodel St Dev.
Oggetto: Problema per trovare le impostazioni ottimali per una miscela con l'ottimizzazione bayesianaHo dimenticato di rispondere a questa parte del criterio:
- Il criterio Maximize MaxPro è un'esplorazione dello spazio di progettazione indipendente dal modello. Non prende in considerazione i risultati e l'apprendimento derivanti dal modello del processo gaussiano, ma è solo un'opzione basata sulla massimizzazione delle distanze tra i punti. L'obiettivo è aggiungere punti/esperimenti nelle aree dello spazio di progettazione in cui questo è "vuoto" (massimizzando la distanza tra i punti esistenti e i nuovi punti suggeriti).
- Massimizzare la deviazione standard multimodello è un'esplorazione dello spazio di progettazione basata su modelli. Prende in considerazione i risultati e gli insegnamenti derivanti dal modello del processo gaussiano e raccomanda i punti in cui l'incertezza della previsione è maggiore.
Nel tuo scenario a 6 iterazioni, i modelli non sono male all'inizio: R² per Y è il più basso, ma è a 0,3566, quindi il modello è stato in grado di cogliere qualcosa. R² per Y2 e Y3 è molto alto, quindi l'esplorazione senza modello probabilmente non è la migliore azione successiva; è più interessante sfruttare l'apprendimento dei modelli e cercare di ridurre l'incertezza nelle loro previsioni.
Spero che questa risposta ti sia d'aiuto.
Oggetto: Problema per trovare le impostazioni ottimali per una miscela con l'ottimizzazione bayesianaNon sono sicuro di cosa tu abbia fatto, ma sembra che tu sia riuscito a raggiungere l'ottimo usando solo 1 esecuzione con il criterio Max Multimodel Std Dev e 1 esecuzione con Max Expected Improvement? Quindi missione compiuta?
Da parte mia, ho avuto bisogno di 2 esecuzioni con Max Multimodel Std Dev e 1 esecuzione con Max Expected Improvement (con gli stessi input della seconda esecuzione con Max Multimodel Std Dev) per avvicinarmi all'ottimo.
Oggetto: Problema per trovare le impostazioni ottimali per una miscela con l'ottimizzazione bayesianaValore predefinito di R² = 0,25? All'inizio non aumentare a 0,7?
Oggetto: Problema per trovare le impostazioni ottimali per una miscela con l'ottimizzazione bayesianaNon ci sono regole fisse al riguardo. Il team di sviluppo di JMP BayesOpt ha scelto una soglia di 0,25 per guidare il modello verso la fase di esplorazione (R² < 0,25) o di sfruttamento (R² > 0,25), ma si tratta di una regola empirica basata sul loro lavoro e sulle simulazioni, e non dovrebbe essere l'unico criterio di scelta. Esistono sempre scenari specifici in cui questa soglia potrebbe non essere adeguata.
Invece, esamina il modello, il profiler e i grafici e individua l'azione migliore per migliorare le informazioni raccolte, ad esempio:
- Imporre l'esplorazione senza modello per garantire che lo spazio di progettazione sia sufficientemente esplorato (criterio Max Pro),
- Imporre l'esplorazione basata su modelli per sfruttare i primi modelli iniziali e ridurre le loro incertezze di previsione (criterio Multimodel Std Dev o Bayesian Desirability Std Dev),
- Bilanciare l'esplorazione e lo sfruttamento (criterio del limite superiore di confidenza), oppure
- Sfrutta le previsioni dei tuoi modelli e inizia l'ottimizzazione (criterio di massimo miglioramento atteso o massima desiderabilità bayesiana).
Oggetto: Problema per trovare le impostazioni ottimali per una miscela con l'ottimizzazione bayesianaNessun successo dopo il doppio Max Multimodel Std Dev, bassa desiderabilità all'Isomero 1 e BO torna all'Isomero 2
Oggetto: Problema per trovare le impostazioni ottimali per una miscela con l'ottimizzazione bayesianaFrank, per favore inizia SOLO con le tue 6 esecuzioni iniziali di riempimento dello spazio, senza alcuno script BO nella tabella (rimuovi gli script ed elimina tutte le altre righe).
Successivamente, avvia la piattaforma BayesOpt con le impostazioni predefinite, rimuovi qualsiasi raccomandazione automatica di batch e aggiungi 1 Max Multimodel Std Dev per 2 iterazioni, e dovresti essere in grado di ottenere risultati vicini al tuo ottimo con l'isomero 1 (e corrispondenti ai miei test). Non appena saranno state aggiunte le due esecuzioni consecutive di Max Multimodel Std Dev, dovresti vedere un ordine corretto dei tipi di isomero:
Victor_G_0-1788783078290.pngVictor_G_0-1788783078290.pngVictor_G_0-1788783078290.pngVictor_G_0-1788783078290.pngVictor_G_0-1788783078290.pngVictor_G_0-1788783078290.pngVictor_G_0-1788783078290.pngVictor_G_0-1788783078290.pngVictor_G_0-1788783078290.pngVictor_G_0-1788783078290.pngVictor_G_0-1788783078290.pngVictor_G_0-1788783078290.pngVictor_G_0-1788783078290.pngVictor_G_0-1788783078290.pngVictor_G_0-1788783078290.pngVictor_G_0-1788783078290.png
Oggetto: Problema per trovare le impostazioni ottimali per una miscela con l'ottimizzazione bayesianaCiao Victor, ho seguito le tue istruzioni (cfr. allegato) e non riesco a replicare i tuoi risultati. I modelli costruiti con i 6 modelli iniziali di riempimento dello spazio sono scadenti, quindi non capisco perché iniziare da qui con la deviazione standard di Max Multimodel: i risultati non imparano molto dai modelli di processo gaussiano scadenti.
Oggetto: Problema per trovare le impostazioni ottimali per una miscela con l'ottimizzazione bayesianaNel tuo risultato hai solo 2 output; ce ne devono essere tre
Oggetto: Problema per trovare le impostazioni ottimali per una miscela con l'ottimizzazione bayesianaE dopo solo 6 iterazioni iniziali di riempimento dello spazio Gaussiano Y1 è molto scarso, quindi sono necessarie ulteriori iterazioni di riempimento dello spazio per ottenere prestazioni del modello accettabili; sfortunatamente, ogni volta di nuovo, BO rileva l'isomero 2 come ottimale (?)
Oggetto: Problema per trovare le impostazioni ottimali per una miscela con l'ottimizzazione bayesianaHo lo stesso problema a partire dalla prima serie di 10 prove di riempimento dello spazio DOE (cfr. allegato), cosa è andato storto? Abbiamo verificato in laboratorio e la soluzione ottimale corretta è con l'Isomero 1. L'Isomero 2 dà risultati peggiori e l'Isomero 3 è totalmente inaccettabile. È importante notare che a partire dalla nona prova di riempimento dello spazio iniziale DOE, il BO si converte rapidamente all'impostazione corretta dell'Isomero 1!
Oggetto: Problema per trovare le impostazioni ottimali per una miscela con l'ottimizzazione bayesiana9 prove di riempimento dello spazio DOE riuscite. Strano che con un numero inferiore di prove i risultati siano OK
Oggetto: Problema per trovare le impostazioni ottimali per una miscela con l'ottimizzazione bayesianaEcco alcune risposte alle vostre numerose domande:
- È possibile replicare i risultati, visualizzare i valori di input e di risposta per la seconda esecuzione di Max Multimodel Std Dev nel tuo file e nel mio. Se dopo questa seconda esecuzione si forza la piattaforma BayesOpt ad aggiungere un'esecuzione con Max Expected Improvement (invece della raccomandazione automatica del criterio di esecuzione di riempimento dello spazio MaxPro), questa seconda esecuzione aggiunta verrà ripetuta e sarà vicina all'ottimo che ti aspetti con l'isomero 1.
- Nei file che ho inviato avevo tre output: Y, Colonna 6 1 e Colonna 6 2.
- Le esecuzioni con il criterio di riempimento dello spazio MaxPro migliorano indirettamente il modello forzando l'esplorazione dello spazio di progettazione massimizzando le distanze tra i punti di progettazione esistenti e quelli nuovi. L'effetto sul modello non è certo e dipende dalla complessità della risposta. Per questo motivo, nella Guida di JMP e nella mia risposta, menziono questa opzione come un'esplorazione "senza modello". D'altra parte, Multimodel Std Dev e Bayesian Desirability Std Dev sono esplorazioni dello spazio di progettazione basate su un modello: utilizzano il modello e le sue incertezze di previsione per raccomandare esperimenti nell'area in cui l'incertezza è maggiore.
Quindi, per ottenere prestazioni del modello accettabili, sono necessari entrambi:- Le simulazioni di riempimento dello spazio servono a garantire una buona copertura dello spazio di progettazione e ad assicurarsi che il modello sia in grado di generalizzare il comportamento appreso e che tale comportamento sia rappresentativo del fenomeno reale nello spazio di progettazione.
- Vengono eseguite analisi di deviazione standard bayesiane/multimodello per garantire la riduzione delle incertezze di previsione e raggiungere un livello di precisione accettabile.
Si prega di consultare la mia precedente spiegazione qui .
Ci vuole molto tempo per esaminare tutti i tuoi diversi scenari. Quello che devi ricordare è:
- L'ottimizzazione bayesiana ha come obiettivo il raggiungimento dei target: non appena viene raggiunto un risultato accettabile (in base alle condizioni specificate), il ciclo convergerà verso di esso, indipendentemente da quanto l'ottimo sia globale o locale. Pertanto, a seconda di quanto siano "rigide" le specifiche del target (e di quanto sia complessa la superficie di risposta), si potrebbe verificare una convergenza prematura oppure no.
- Nella piattaforma BayesOpt, la fase di esplorazione/sfruttamento viene impostata automaticamente in base alla soglia di R² (valore predefinito = 0,25): se l'R² del modello è inferiore alla soglia, verrà consigliata l'esecuzione di run di riempimento dello spazio MaxPro. Se è superiore alla soglia, verrà avviata la fase di sfruttamento con run basate sul criterio di miglioramento atteso massimo. Le altre opzioni devono essere impostate manualmente.
- Consiglio vivamente di dedicare del tempo all'analisi e allo studio del vostro modello; BayesOpt può sembrare un ciclo di sperimentazione automatica, con buoni suggerimenti predefiniti per gli esperimenti, ma è possibile ottenere risultati migliori imponendo l'esecuzione di test specifici necessari per i modelli.
- I diversi scenari, con un numero variabile di esecuzioni di riempimento dello spazio, forniscono una quantità e una precisione di informazioni differenti. Minore è il numero di esecuzioni iniziali, più difficile sarà il compito, e quindi maggiore attenzione e cura dovranno essere dedicate ai modelli, fornendo esecuzioni adeguate con le informazioni corrette, esplorando lo spazio di progettazione con esecuzioni di riempimento dello spazio MaxPro o migliorando le incertezze del modello con esecuzioni di deviazione standard bayesiane/multimodello. La strategia e la scelta delle funzioni di acquisizione, il numero di esecuzioni parallele o sequenziali, ecc., dovrebbero essere guidate dalle informazioni disponibili, dalla precisione e dall'apprendimento dei modelli ottenuti.
Spero che questa risposta ti aiuti a comprendere i tuoi risultati differenti. Ti prego di leggere attentamente i file che ti ho inviato in precedenza: sei riuscito a riprodurre i miei risultati, devi solo forzare le stesse esecuzioni utilizzando il Profiler e le funzioni di acquisizione dedicate (e non lasciare che la selezione automatica funzioni, il che ti dà un'esecuzione finale che occupa spazio con MaxPro).
Oggetto: Problema per trovare le impostazioni ottimali per una miscela con l'ottimizzazione bayesianaCiao Victor, nella tua esecuzione iniziale di successo di cui sopra vedo solo 2 output, Colonna 6.1 e Colonna 6.2, vedi sotto. C'è un terzo output Y, non lo vedo.
frankderuyck_0-1788860113377.pngfrankderuyck_0-1788860113377.pngfrankderuyck_0-1788860113377.pngfrankderuyck_0-1788860113377.pngfrankderuyck_0-1788860113377.png
Incluso YI non riesce a rilevare le impostazioni ottimali corrette neanche con 10 esecuzioni vedi allegato (ho ricodificato i 3 output come Y1, Y2 e Y3)
Cosa ho sbagliato? È importante che lo capiamo.
Dopo 9 prove iniziali funziona sempre perfettamente, perché?
Oggetto: Problema per trovare le impostazioni ottimali per una miscela con l'ottimizzazione bayesiana"Esecuzioni di riempimento dello spazio per garantire una buona copertura dello spazio di progettazione --> Ho utilizzato il riempimento dello spazio flessibile veloce, OK? È necessaria una valutazione del DOE iniziale? Ho visto diversi webinar in cui si parte da un numero molto limitato di esecuzioni iniziali, a volte persino da un OFAT; immagino che questo funzioni solo quando il modello è semplice e quando i dati non sono troppo rumorosi, giusto? Non è sempre così e non lo sappiamo in anticipo.
Assicurati che il modello sia in grado di generalizzare il comportamento appreso e che questo comportamento sia rappresentativo del fenomeno reale nello spazio di progettazione" - > Nei miei esempi i modelli hanno R² > 0,8, ci sono altri criteri?
Oggetto: Problema per trovare le impostazioni ottimali per una miscela con l'ottimizzazione bayesianaCiao @frankderuyck ,
@frankderuyck ha scritto:
Ciao Victor, nella tua esecuzione iniziale di successo di cui sopra vedo solo 2 output, Colonna 6.1 e Colonna 6.2, vedi sotto. C'è un terzo output Y, non lo vedo.
Nel mio primo post avevo già accennato al fatto di aver dimenticato la colonna Y, ma la piattaforma BayesOpt è stata in grado di ottimizzare tutte e 3 le risposte poiché Y sembrava essere correlata negativamente con la colonna 6 2. Quindi, alla fine, anche ottimizzando solo con 2 risposte invece di 3, sono riuscito a trovare un ottimo vicino al tuo per tutte e 3 le risposte. Gli altri test che ho effettuato sono stati realizzati con tutte e 3 le risposte.
@frankderuyck ha scritto:
Incluso YI non riesce a rilevare le impostazioni ottimali corrette neanche con 10 esecuzioni vedi allegato (ho ricodificato i 3 output come Y1, Y2 e Y3)
Cosa ho sbagliato? È importante che lo capiamo.
Dopo 9 prove iniziali funziona sempre perfettamente, perché?
Non ripeterò tutto quello che ho scritto nel post precedente, mi dispiace. Troverai tutte le informazioni su come ottimizzare con successo il tuo modello partendo da 6 o 9 iterazioni di space filling nelle mie risposte precedenti, sulla diagnostica del tuo modello, sulla scelta della funzione di acquisizione, ecc. Non posso fisicamente valutare tutti gli scenari che fornisci.
@frankderuyck ha scritto:
"Esecuzioni di riempimento dello spazio per garantire una buona copertura dello spazio di progettazione --> Ho utilizzato il riempimento dello spazio flessibile veloce, OK? È necessaria una valutazione del DOE iniziale? Ho visto diversi webinar in cui si parte da un numero molto limitato di esecuzioni iniziali, a volte persino da un OFAT; immagino che questo funzioni solo quando il modello è semplice e quando i dati non sono troppo rumorosi, giusto? Non è sempre così e non lo sappiamo in anticipo.
Sì, partire da un progetto flessibile e veloce che riempie lo spazio è spesso una buona idea, poiché questo tipo di progetto è in grado di gestire molti tipi di vincoli e fattori, quindi è una buona scelta. Vedi il mio commento precedente sul numero di prove in relazione alla quantità e alla precisione delle informazioni a seconda della complessità della superficie di risposta.
@frankderuyck ha scritto: Assicurati che il modello sia in grado di generalizzare il comportamento appreso e che questo comportamento sia rappresentativo del fenomeno reale nello spazio di progettazione" - > Nei miei esempi i modelli hanno R² > 0,8, ci sono altri criteri?
R² è una delle metriche del modello, ma ce ne sono molte altre. Consiglierei innanzitutto un'analisi grafica, osservando il grafico dei valori effettivi rispetto a quelli previsti, poiché è molto più informativo. Permette di verificare se il modello apprende la tendenza generale, se l'imprecisione del modello è locale (in valori di risposta alti o bassi) o globale, ecc.
Oggetto: Problema per trovare le impostazioni ottimali per una miscela con l'ottimizzazione bayesianaPotresti gentilmente inviarmi i risultati del tuo esame del sangue occulto nelle tre risposte? Grazie.
Oggetto: Problema per trovare le impostazioni ottimali per una miscela con l'ottimizzazione bayesianaGuarda la mia prima risposta! Ho allegato due file, uno realizzato con l'ottimizzazione di due risposte (ma funziona anche per le tre risposte) e l'altro realizzato per le tre risposte: https://community.jmp.com/t5/Discussions/Problem-to-find-optimal-settings-for-a-mixture-with-Bayesian/mp/969382/highlight/true#M110464
