CVA Features
Effiziente Datenanalyse,
Modellierung, Vorhersage
und Optimierung
CVA Features
Effiziente Datenanalyse,
Modellierung, Vorhersage
und Optimierung
Daten visualisieren und Einsichten gewinnen
Unterstützung bei der explorativen Datenanalyse, also bei der Visualisierung und ersten Analyse der Daten.
Definition von Wertebereichen und Restriktionen
- Histogramme
- Scatterplots
- Boxplots zur Analyse der Datenverteilung
- Automatische Ausreißererkennung
- Berechnung und Visualisierung von Korrelationen
- Vorschlag von Variablentransformationen zur Unterstützung der Modellierung
- Umfangreiche Reportingfunktionen (Export von Grafiken)
- Verarbeitung von gemischt-ganzzahligen und kategoriellen oder teilweise fehlenden Datenwerten
- Gruppierung von Variablen durch gruppenweise Deklaration von Restriktionen
Neue Experimente optimal planen
Modul für reale oder simulationsbasierte Experimente, um systematisch eine Menge von Experimenten zu generieren. Dabei stehen alle gängigen Verfahren der Versuchsplanung sowie weiterentwickelte Spezialansätze, wie space-filling zur Verfügung. Das Verfahren ermöglicht es, bereits vorhandene experimentelle Daten zu nutzen, um mit wenigen Zusatzexperimenten optimale Parametereinstellungen zu identifizieren.
Verfahren für die Erstellung von Versuchsplänen:
Fraktioniert faktoriell
Plackett-Burman
- Box-Behnken
- D-optimal
- Export nach Excel und zurück zur direkten Weiterverarbeitung
- Latin Hyper Squares
Space-filling
- Berücksichtigung von Restriktionen
- Sobol
Automatisch das bestmögliche Modell generieren, verstehen und benutzen
Automatische Generierung von Modellen aus Daten durch eine Vielzahl von (nichtlinearen) Modellierungsverfahren. Für alle Verfahren werden die Hyperparameter automatisch optimiert, wodurch das bestmögliche kreuzvalidierte Modell gefunden wird.
- Vermeidung von Overfitting durch Kreuzvalidierung der Modelle
- Einfache Erkennung des besten Modells durch Ampel-Ergebnisanzeige
- Direkte Anwendung der Modelle für Prognosen, Sensitivitätsanalysen oder Optimierung
- Bestimmung eines Konfidenzmaßes für alle Modelltypen
Auszug der Methoden zur Modellierung:
- Lineare Modelle
- Support Vector Machine
- Fuzzy Modelle mit Regelinspektionsmethoden
- Entscheidungsbäume
- Ensembles von Entscheidungsbäumen (»random forests«)
- Neuronale Netze (MLP, feed-forward)
- Gauß’sche Prozesse
- Partial least squares Regression (PLS)
- Hauptkomponentenregression
Das aus der automatischen Optimierung gewonnene beste Modell kann in vielfältiger Weise weiter verwendet und analysiert werden:
Modellbasierte Prognose
Ein- und zweidimensionale Sensitivitätsanalysen
- Diagramme für dreidimensionale Sensitivitätsanalyse
- Modellinspektion für geeignete Modellierungsverfahren
- Bestimmung von Parametereinflüssen über Sobol-Indices
- Reduktion des Parameterraumes über Dendrogramme
Vielfältige Visualisierungen
- Automatische Variablenselektion – Hierarchisches Clustern zur Komplexitätsreduktion
- Lineare Modelle mit automatischer Strukturerstellung der Modelle, Möglichkeit benutzerdefinierter Terme
- Variablenselektion für lineare Modelle mit Vorwärts- und Rückwärtsselektion
- Optimierung der Hyperparameter für alle Modelltypen
- Berechnung verschiedenster Gütekriterien für die Modellgüte
- Sensitivitätsanalyse der Modelle als Interaktive 2-D und 3-D Oberflächenplots
Optimale Produkte/Prozesse prognostizieren
Optimierungen können beispielsweise für einen optimalen Prozesszustand oder ein optimales Produktdesign durchgeführt werden. Dabei können auch mehrere, gegenläufige Zielkriterien berücksichtigt werden. Auch Minimierungs- und Maximierungsaufgaben, das Erreichen eines Zielwertes oder die Erfüllung einer Ungleichheit (Restriktionsziele) sind möglich.
Features:
- Verwendung von Modellen für die Formulierung von Zielkriterien
- Maximierung, Minimierung und Zielwerterreichung möglich
Gemischt-ganzzahlige Optimierung
Mehrere, auch gegenläufige Ziele durch Pareto-Optimierung möglich
Umfangreiche Inspektion der Optimierungsresultate durch graphische Visualisierung
- Zielfunktionseditor – Zielfunktionen können als mathematische Ausdrücke unter Verwendung von Modelloutputs formuliert werden
- Restriktionseditor – Restriktionen auf den Zielfunktionen können allgemein formuliert werden; inklusive Berücksichtigung algebraischer Restriktionen
- Weiterentwickelte Evolutionsstrategien zur Identifikation bestmöglicher Lösungen in hochdimensionalen multimodalen Suchräumen
- Keine Vorkenntnisse für die Durchführung der Optimierung erforderlich
Einflüsse von Parametern verstehen und kontrollieren
Interaktiv die Einflussparameter mittels Schiebereglern variieren und unmittelbar als Antwort auf die Variation visualisieren. Die Ausgangsbereiche können für ein Modell individuell einfärbt werden, wodurch „gute“ und „schlechte“ Bereiche einfacher identifiziert werden können. Dies ist besonders hilfreich im Bereich des Rapid Prototyping, da es ein interaktives Experimentieren mit dem durch das Modell repräsentierten Realsystem erlaubt.
Features:
- Exploration von Modellen durch interaktive Parametervariationen
- Parametervariationen über Schieberegler einstellbar
- Anwendung sowohl für Regressionsmodelle als auch Klassifikationsmodelle
- Einfache, visuelle und schnelle Bewertung für geplante Experimente
- Darstellung der Sensitivität einzelner Parameter
Batch-Modus für viele Modelle nutzen
Mit dem Zusatzmodul Command Line können Sie ClearVu Analytics auch ohne grafische Benutzeroberfläche verwenden. Dadurch können tausende von Modellen schnell im Batch-Modus auf Clustern berechnet werden. Auch häufige Modellaktualisierungen stehen auf diese Weise effizient zur Verfügung. Diese Vorgehensweise bietet sich besonders an, wenn zahlreiche Ausgangsvariable modelliert werden sollen oder sich Datenbestände häufig verändern.
- Nutzung aller Komponenten (Modellierung, Optimierung) als Command-line Aufrufe (ohne GUI)
- Versuchsplanung, Modellierung und Optimierung im Batch Modus
Kontakt
So erreichen Sie uns
Telefon
0231 97 00 340
Adresse
Joseph-von-Fraunhofer-Straße 20,
44227 Dortmund