Problema para encontrar la configuración óptima para una mezcla con optimización bayesiana.Con un diseño de experimentos de mezcla de 24 ejecuciones, pude encontrar modelos muy buenos y configuraciones óptimas para una mezcla ternaria y un efecto categórico, lo cual se presentó en la discusión anterior; adjunto nuevamente el análisis y, a continuación, capturas de pantalla de los resultados de deseabilidad.
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 el isómero 2, el resultado de deseabilidad es peor; por debajo de la configuración al bloquear el isómero 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
A partir de un conjunto de 9 ejecuciones de candidatos que llenan el espacio (ver archivo adjunto Ejecución exitosa de 9 ejecuciones) o un conjunto de Kowalski de 12 ejecuciones, se pueden detectar los ajustes óptimos con el isómero 1.
Sin embargo, partiendo de un conjunto de candidatos de 6 ejecuciones para llenar el espacio, siempre obtengo la configuración óptima más deficiente con el isómero 2, ¡incluso después de varias ejecuciones adicionales para llenar el espacio! ¿Qué hice mal y cómo puedo obtener la configuración óptima del isómero 1 a partir de este conjunto de candidatos de 6 ejecuciones?
Re: Problema para encontrar la configuración óptima para una mezcla con optimización bayesianaHola @frankderuyck ,
¿Actualizaste tu versión de JMP como se comentó en la discusión anterior?
Al observar su último archivo, cuando se inicia la plataforma BayesOpt desde cero utilizando solo las 6 ejecuciones iniciales de llenado de espacio, los modelos ya parecen bastante buenos:
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
Así que, en lugar de usar la recomendación automática "Replicar la mejor ejecución de entrenamiento" (eliminé esta ejecución en el lote), fuerzo manualmente el uso de la función de adquisición " Máxima desviación estándar multimodelo " y agrego 1 ejecución en el lote actual, ya que la diferenciación entre el isómero 1 y el 2 es difícil debido a la incertidumbre de las predicciones del modelo (puedes ver los intervalos de confianza entre los tipos de isómeros en el Profiler).
Al reiniciar la plataforma con esta ejecución recién agregada, el generador de perfiles parece ser más confiable y la recomendación de ejecución predeterminada se realiza automáticamente con la función de adquisición " Máxima mejora esperada ", con configuraciones cercanas a su óptimo:
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 vez que se agrega esta carrera recomendada automáticamente, la siguiente opción que recomienda la plataforma es replicar esta mejor carrera de entrenamiento:
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
Por lo tanto, dada la complejidad relativamente baja de sus dos respuestas, es posible partir de un diseño de llenado de espacio de 6 ejecuciones y obtener una recomendación óptima adecuada con 3 ejecuciones adicionales, siempre que considere qué función de adquisición es la más relevante dado el aprendizaje de los modelos y sus comportamientos, y que "imponga" manualmente esta opción.
Adjunto mi situación de ejecuciones con su ejemplo de 6 ejecuciones. Realizado con JMP Pro 19.1.3.
EDIT: He omitido la columna Y en la optimización. Sin embargo, puedo obtener buenos resultados incluso sin considerarla, ya que parece estar correlacionada negativamente con la columna 6 2.
Al considerar Y y las otras dos respuestas de la columna 6, es posible que necesite una ejecución adicional de Max Multimodel Std Dev (dos en total, una tras otra), antes de que el Profiler muestre un buen orden y comportamiento de los diferentes tipos de isómeros:
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
Una vez que haya agregado 2 ejecuciones de Max Multimodel Std Dev, puede iniciar la optimización aplicando el criterio Max Expected Improvement. Debería obtener una solución cercana a la obtenida en sus intentos anteriores exitosos (consulte el archivo Successful 6 Run Fast Flexible Filling Design starter 2).
Espero que esta respuesta te ayude.
Re: Problema para encontrar la configuración óptima para una mezcla con optimización bayesianaHola Victor, sí, actualicé a la última versión de JMP. Desafortunadamente, no puedo reproducir tus resultados; BO siempre comienza con el llenado de espacio; cuando comienza la replicación en el isómero 2 y no estoy satisfecho con la deseabilidad, paso a Max Multimodel St dev, pero no tengo éxito. En un webcast anterior sobre BO se recomendó cambiar a Max Max pro criterion, pero tampoco funciona. Adjunto mis resultados (hay 3 salidas Y123).
Re: Problema para encontrar la configuración óptima para una mezcla con optimización bayesiana¿Cómo sabes que en la primera ejecución de BO es necesario Max Multimodel St dev en lugar de llenar el espacio?
Re: Problema para encontrar la configuración óptima para una mezcla con optimización bayesianaHola @frankderuyck ,
Recomendaría comenzar desde cero su escenario, dejando solo los 6 espacios que llenan las ejecuciones iniciales y eliminando todas las demás ejecuciones.
Reinicie la plataforma BayesOpt desde cero con la configuración predeterminada y fuerce a la plataforma a agregar una ejecución con el criterio Max Multimodel Std Dev dos veces. Debería obtener los mismos resultados en ambas ejecuciones, y luego puede forzar la optimización con Max Expected Improvement; le recomendará un óptimo cercano al que obtuvo con su DoE (y con los mismos datos de entrada que la segunda ejecución de Max Multimodel Std Dev).
Re: Problema para encontrar la configuración óptima para una mezcla con optimización bayesianaNo puedo reproducir tus resultados al comenzar con Max Multimodel St Dev.
Re: Problema para encontrar la configuración óptima para una mezcla con optimización bayesianaOlvidé responder a esta parte del criterio:
- Maximizar el criterio MaxPro es una exploración independiente del modelo de tu espacio de diseño. No considera los resultados ni el aprendizaje del modelo de proceso gaussiano; es solo una opción basada en maximizar las distancias entre puntos. El objetivo es añadir puntos/experimentos en áreas del espacio de diseño que están "vacías" (maximizar la distancia entre los puntos existentes y los nuevos puntos recomendados).
- Maximizar la desviación estándar multimodelos es una exploración del espacio de diseño basada en modelos. Considera los resultados y el aprendizaje del modelo de proceso gaussiano y recomienda puntos en el área donde la incertidumbre de predicción es mayor.
En tu escenario de 6 ejecuciones, los modelos no son malos al principio: el R² para Y es el más bajo, pero está en 0,3566, por lo que el modelo ha podido detectar algo. El R² para Y2 e Y3 es muy alto, por lo que la exploración sin modelos probablemente no sea la mejor opción a seguir; es más interesante aprovechar el aprendizaje de los modelos e intentar reducir la incertidumbre en sus predicciones.
Espero que esta respuesta te ayude.
Re: Problema para encontrar la configuración óptima para una mezcla con optimización bayesianaNo estoy seguro de lo que has hecho, pero parece que lograste llegar al óptimo usando solo 1 ejecución con el criterio Max Multimodel Std Dev y 1 ejecución con Max Expected Improvement. ¿Entonces, misión cumplida?
Por mi parte, necesité 2 ejecuciones con Max Multimodel Std Dev y 1 ejecución con Max Expected Improvement (con los mismos datos de entrada que la segunda Max Multimodel Std Dev) para acercarme al óptimo.
Re: Problema para encontrar la configuración óptima para una mezcla con optimización bayesiana¿R² predeterminado = 0,25? ¿Al inicio no aumenta a 0,7?
Re: Problema para encontrar la configuración óptima para una mezcla con optimización bayesianaNo existen reglas estrictas al respecto. El equipo de desarrollo de JMP BayesOpt ha elegido un umbral de 0,25 para guiar al modelo hacia la fase de exploración (R² < 0,25) o explotación (R² > 0,25), pero esta es una regla general basada en su trabajo y simulaciones, y no debería ser el único criterio. Siempre existen escenarios específicos donde este umbral puede no ser adecuado.
En cambio, observe el modelo, el perfilador y los gráficos, y encuentre la mejor acción que mejore la información recopilada, ya sea mediante:
- Imponer la exploración sin modelo para garantizar que el espacio de diseño se explore suficientemente (criterio Max Pro),
- Aplicar la exploración basada en modelos para aprovechar los primeros modelos iniciales y reducir sus incertidumbres de predicción (desviación estándar multimodelos o criterio de desviación estándar de deseabilidad bayesiana).
- Equilibrar la exploración y la explotación (criterio de límite superior de confianza), o
- Aprovecha las predicciones de tus modelos y comienza a optimizar (criterio de Máxima Mejora Esperada o Máxima Deseabilidad Bayesiana).
Re: Problema para encontrar la configuración óptima para una mezcla con optimización bayesianaSin éxito tras duplicar la desviación estándar multimodelo máxima, baja deseabilidad en el isómero 1 y BO vuelve al isómero 2.
Re: Problema para encontrar la configuración óptima para una mezcla con optimización bayesianaFrank, por favor, comienza ÚNICAMENTE con tus 6 ejecuciones iniciales de llenado de espacio, sin ningún script de BO en la tabla (elimina los scripts y borra cualquier otra fila).
Luego, inicie la plataforma BayesOpt con la configuración predeterminada, elimine cualquier recomendación automática de lotes y agregue 1 Max Multimodel Std Dev durante 2 iteraciones, y debería poder obtener resultados cercanos a su óptimo con el isómero 1 (y que coincidan con mis pruebas). Tan pronto como se hayan agregado las dos ejecuciones consecutivas de Max Multimodel Std Dev, debería ver un orden correcto de los tipos de isómeros:
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
Re: Problema para encontrar la configuración óptima para una mezcla con optimización bayesianaHola Victor, seguí tus instrucciones (ver archivo adjunto) y no puedo replicar tus resultados. Los modelos construidos con los 6 espacios iniciales que llenan el espacio son deficientes, así que no entiendo por qué empezar aquí con Max Multimodel st deviation: los resultados no están aprendiendo mucho de los modelos de procesos gaussianos deficientes.
Re: Problema para encontrar la configuración óptima para una mezcla con optimización bayesianaEn tu resultado solo tienes 2 salidas; debe haber tres.
Re: Problema para encontrar la configuración óptima para una mezcla con optimización bayesianaY después de solo 6 ejecuciones iniciales de llenado de espacio, Gaussian Y1 es muy pobre, por lo que se requieren ejecuciones adicionales de llenado de espacio para obtener un rendimiento aceptable del modelo; desafortunadamente, cada vez nuevamente, BO detecta el isómero 2 como óptimo (?).
Re: Problema para encontrar la configuración óptima para una mezcla con optimización bayesianaTengo el mismo problema a partir de las 10 ejecuciones iniciales del DOE de llenado de espacio (ver archivo adjunto). ¿Qué salió mal? Lo comprobamos en el laboratorio y la solución óptima correcta es con el isómero 1. El isómero 2 da peores resultados y el isómero 3 es totalmente inaceptable. Es importante destacar que, a partir de las 9 ejecuciones iniciales del DOE de llenado de espacio, ¡el BO se convierte rápidamente a la configuración correcta del isómero 1!
Re: Problema para encontrar la configuración óptima para una mezcla con optimización bayesianaSe completó con éxito el espacio de 9 ejecuciones del DOE. Es extraño que con un número menor de ejecuciones los resultados sean correctos.
Re: Problema para encontrar la configuración óptima para una mezcla con optimización bayesianaAlgunas respuestas a sus numerosas réplicas:
- Puedes replicar los resultados; consulta los valores de entrada y respuesta de la segunda ejecución de Max Multimodel Std Dev en tu archivo y en el mío. Si después de esta segunda ejecución fuerzas a la plataforma BayesOpt a añadir una ejecución con Max Expected Improvement (en lugar de la recomendación automática del criterio de ejecución MaxPro space filling), esta segunda ejecución añadida se repetirá y se aproximará al óptimo que esperas con el isómero 1.
- En los archivos que envié, obtuve tres resultados: Y, Columna 6 1 y Columna 6 2.
- Las ejecuciones del criterio de llenado del espacio de MaxPro mejoran indirectamente el modelo al forzar la exploración del espacio de diseño maximizando las distancias entre los puntos de diseño existentes y los nuevos. El efecto sobre el modelo no es seguro, ya que depende de la complejidad de la respuesta. Por ello, en la ayuda de JMP y en mi respuesta menciono esta opción como una opción de exploración "sin modelo". Por otro lado, la Desviación estándar multimodelos y la Desviación estándar de deseabilidad bayesiana son exploraciones del espacio de diseño basadas en modelos: utilizan el modelo y sus incertidumbres de predicción para recomendar experimentos en áreas donde la incertidumbre es mayor.
Por lo tanto, para obtener un rendimiento aceptable del modelo, se necesitan ambas cosas:- Las pruebas de llenado de espacio se realizan para garantizar una buena cobertura del espacio de diseño y asegurar que el modelo sea capaz de generalizar el comportamiento aprendido, y que este comportamiento sea representativo del fenómeno real en el espacio de diseño.
- Se realizan ejecuciones de desviación estándar bayesiana/multimodelo para garantizar la reducción de las incertidumbres de predicción hasta alcanzar un nivel de precisión aceptable.
Por favor, consulte mi explicación anterior aquí .
Analizar todos tus diferentes escenarios requiere mucho tiempo. Lo que debes recordar es:
- La optimización bayesiana tiene como objetivo alcanzar tus metas: en cuanto se obtiene un resultado aceptable (según tus condiciones), el bucle converge hacia él, independientemente de si el óptimo es global o local. Por lo tanto, dependiendo de cuán estrictas sean tus especificaciones objetivo (y cuán compleja sea la superficie de respuesta), es posible que se produzca una convergencia prematura o no.
- Por defecto, en la plataforma BayesOpt, la exploración/explotación se configura automáticamente en función del umbral R² (valor predeterminado = 0,25): si el R² del modelo está por debajo del umbral, se recomendarán ejecuciones de llenado de espacio MaxPro. Si está por encima del umbral, se iniciará la explotación con el criterio de mejora máxima esperada. Las demás opciones deben configurarse manualmente.
- Recomiendo encarecidamente dedicar tiempo a analizar e investigar su modelo; BayesOpt puede parecer un bucle de experimentación automático, con buenas recomendaciones de experimentos predeterminados, pero puede obtener mejores resultados si impone ejecuciones específicas necesarias para los modelos.
- Los distintos escenarios, con diferentes números de ejecuciones de relleno de espacio, proporcionan información con distinta cantidad y precisión. Cuantas menos ejecuciones tengas al inicio, más difícil será la tarea, por lo que deberás prestar más atención a los modelos, realizando ejecuciones adecuadas con la información correcta, ya sea explorando el espacio de diseño con ejecuciones de relleno de espacio de MaxPro o mejorando las incertidumbres del modelo con ejecuciones de desviación estándar bayesiana/multimodelo. La estrategia y la elección de las funciones de adquisición, el número de ejecuciones paralelas o secuenciales, etc., deben guiarse por la información disponible, la precisión y el aprendizaje de los modelos obtenidos.
Espero que esta respuesta te ayude a comprender tus diferentes resultados. Por favor, lee atentamente los archivos que te envié anteriormente; pudiste reproducir mis resultados. Solo necesitas ejecutar las mismas funciones usando el Profiler y las funciones de adquisición específicas (y no permitir que la selección automática funcione, ya que te da una ejecución final con MaxPro que ocupa todo el espacio).
Re: Problema para encontrar la configuración óptima para una mezcla con optimización bayesianaHola Victor, en tu exitosa ejecución inicial de 6 arriba, solo veo 2 resultados, Columna 6.1 y Columna 6.2, ver abajo. Hay una tercera Y, no la veo.
frankderuyck_0-1788860113377.pngfrankderuyck_0-1788860113377.pngfrankderuyck_0-1788860113377.pngfrankderuyck_0-1788860113377.pngfrankderuyck_0-1788860113377.png
Incluyendo YI no puede detectar la configuración óptima correcta tampoco con 10 ejecuciones ver archivo adjunto (codifiqué las 3 salidas como Y1, Y2 y Y3)
¿Qué hice mal? Es importante que lo entendamos.
Con 9 ejecuciones iniciales siempre funciona a la perfección, ¿por qué?
Re: Problema para encontrar la configuración óptima para una mezcla con optimización bayesiana"Ejecuciones de llenado de espacio para asegurar una buena cobertura del espacio de diseño --> He usado llenado de espacio rápido y flexible, ¿de acuerdo? ¿Es necesaria la evaluación del DOE inicial? Vi varios seminarios web donde se comienza con ejecuciones iniciales muy limitadas, a veces incluso con un OFAT; supongo que esto solo funcionará cuando el modelo sea simple y cuando los datos no sean demasiado ruidosos, ¿correcto? Este no siempre es el caso y no lo sabemos de antemano.
Asegúrese de que el modelo sea capaz de generalizar el comportamiento aprendido y que este comportamiento sea representativo del fenómeno real en el espacio de diseño" - > En mis ejemplos, los modelos tienen R² > 0,8, ¿hay otros criterios?
Re: Problema para encontrar la configuración óptima para una mezcla con optimización bayesianaHola @frankderuyck ,
@frankderuyck escribió:
Hola Victor, en tu exitosa ejecución inicial de 6 arriba, solo veo 2 resultados, Columna 6.1 y Columna 6.2, ver abajo. Hay una tercera Y, no la veo.
En mi primera publicación, ya mencioné que olvidé la columna Y, pero la plataforma BayesOpt pudo optimizar las tres respuestas, ya que Y parecía estar correlacionada negativamente con la columna 6. Así que, al final, incluso optimizando solo con dos respuestas en lugar de tres, logré encontrar un óptimo cercano al tuyo para las tres. Las demás pruebas que realicé se llevaron a cabo con las tres respuestas.
@frankderuyck escribió:
Incluyendo YI no puede detectar la configuración óptima correcta tampoco con 10 ejecuciones ver archivo adjunto (codifiqué las 3 salidas como Y1, Y2 y Y3)
¿Qué hice mal? Es importante que lo entendamos.
Con 9 ejecuciones iniciales siempre funciona a la perfección, ¿por qué?
No voy a repetir todo lo que escribí en mi publicación anterior, lo siento, encontrarás toda la información sobre cómo tener éxito en tu optimización comenzando con 6 o 9 ejecuciones de llenado de espacio en mis respuestas anteriores, sobre el diagnóstico de tu modelo, la elección de la función de adquisición, etc. Físicamente no puedo evaluar todos los escenarios que proporcionas.
@frankderuyck escribió:
"Ejecuciones de llenado de espacio para asegurar una buena cobertura del espacio de diseño --> He usado llenado de espacio rápido y flexible, ¿de acuerdo? ¿Es necesaria la evaluación del DOE inicial? Vi varios seminarios web donde se comienza con ejecuciones iniciales muy limitadas, a veces incluso con un OFAT; supongo que esto solo funcionará cuando el modelo sea simple y cuando los datos no sean demasiado ruidosos, ¿correcto? Este no siempre es el caso y no lo sabemos de antemano.
Sí, comenzar con un diseño flexible y rápido que ocupe todo el espacio suele ser una buena idea, ya que este tipo de diseño puede manejar muchos tipos de restricciones y factores, por lo que es una buena opción. Consulte mi comentario anterior sobre la relación entre el número de ejecuciones y la cantidad y precisión de la información, que depende de la complejidad de la superficie de respuesta.
@frankderuyck escribió: Asegúrese de que el modelo sea capaz de generalizar el comportamiento aprendido y que este comportamiento sea representativo del fenómeno real en el espacio de diseño" - > En mis ejemplos, los modelos tienen R² > 0,8, ¿hay otros criterios?
R² es una métrica del modelo, pero existen muchas otras. Recomiendo comenzar con un análisis gráfico, observando la gráfica de valores reales frente a valores predichos, ya que son mucho más informativas. Permiten comprobar si el modelo aprende la tendencia general, si la imprecisión del modelo es local (en valores de respuesta altos o bajos) o global, etc.
Re: Problema para encontrar la configuración óptima para una mezcla con optimización bayesiana¿Podrías enviarme tus resultados de BO con las tres respuestas? Gracias.
Re: Problema para encontrar la configuración óptima para una mezcla con optimización bayesiana¡Mira mi primera respuesta! He adjuntado dos archivos: uno optimizado para dos respuestas (pero que funciona para las tres) y otro optimizado para las tres: https://community.jmp.com/t5/Discussions/Problem-to-find-optimal-settings-for-a-mixture-with-Bayesian/mp/969382/highlight/true#M110464
