JMP in the Upstream 8：在上游油氣環境中部署 XGBoost 算法原會議日期：2022 年 4 月 7 日
涵蓋的主題：XGBoost、超參數、機器學習
演講者：拉斯沃爾芬格，特聘研究員
XGBoost 是一種（相對）新的機器學習協議，它才剛剛開始部署在上游能源和生產行業。 這個決策樹集成模型正在引領世界風暴（好吧，好吧，這可能有點誇張，但是來吧！），獲勝Kaggle 比賽如此緩慢地進入石油和天然氣領域。 Russ Wolfinger 是 SAS 傑出研究員、Kaggle 大師和 JMP 生命科學部門的長期負責人，他創建並改進了 XGBoost 插件，他在下面的視頻中進行了演示。
為什麼選擇 XGBoost，它有何不同？ XGBoost部署了梯度增強決策樹算法。 通過梯度提升，可以使用模型層來糾正先前模型所造成的錯誤，直到無法進一步改進或使用停止標準（例如模型性能指標）作為閾值" (中等的）。 部署在 JMP 中，這為用戶提供了 a) 應用最多三個正交折疊進行模型驗證的機會，b) b) 自動調整，部署 JMP 專利 DOE 技術以快速迭代到最佳超參數，以及 c) JMP 的預測分析器觀察模型並與之交互，以更好地了解如何更改各個因素以優化感興趣的響應。
圖1。 模型超參數和擬合統計數據，評估美國德克薩斯州 Barnett 頁岩 12 個月累積產量的一系列位置、地質和完井因素。
圖 2。 XGBoost 模型的預測與實際和預測剖面儀評估了美國德克薩斯州 Barnett 頁岩 12 個月累積產量的一系列位置、地質和完井因素。
XGBoost 是一種（相對）新的機器學習協議，它才剛剛開始部署在上游能源和生產行業。 這個決策樹集成模型正在引領世界風暴（好吧，好吧，這可能有點誇張，但是來吧！），獲勝Kaggle 比賽如此緩慢地進入石油和天然氣領域。為什麼選擇 XGBoost，它有何不同？ XGBoost部署了梯度增強決策樹算法。 通過梯度提升，可以使用模型層來糾正先前模型所造成的錯誤，直到無法進一步改進或使用停止標準（例如模型性能指標）作為閾值。
