477206_es-ES

liliconcom

JMP en Upstream 8: implementación de algoritmos XGBoost en el entorno upstream de petróleo y gas

Fecha original de la sesión: 7 de abril de 2022

Temas tratados: XGBoost, hiperparámetros, aprendizaje automático

Ponente: Russ Wolfinger, Investigador Distinguido

 

XGBoost es un protocolo de aprendizaje automático (relativamente) nuevo que recién comienza a implementarse en la industria de Upstream Energy and Production. Este modelo de conjunto de árboles de decisión está tomando al mundo por tormenta (bueno, está bien, eso podría ser un poco hipérbole, ¡pero vamos!), ganar Competiciones de Kaggle y muy lentamente, abriéndose camino hacia el petróleo y el gas. Russ Wolfinger, SAS Distinguished Research Fellow, Kaggle Grandmaster y líder durante mucho tiempo en la división JMP Life Sciences, ha creado y perfeccionado un complemento XGBoost, que demuestra en el siguiente video.

 

¿Por qué XGBoost y en qué se diferencia? XGBoost implementa un algoritmo de árbol de decisión potenciado por gradiente. A través del aumento de gradiente, uno puede usar capas de modelos para corregir el error cometido por el modelo anterior hasta que no se pueda hacer más mejora o se use como umbral un criterio de parada, como las métricas de rendimiento del modelo. " ( Medio ). Implementado en JMP, esto brinda al usuario la oportunidad de a) aplicar hasta tres pliegues ortogonales para la validación del modelo, b) b) ajuste automático, que implementa la tecnología DOE patentada por JMP para iterar rápidamente a hiperparámetros óptimos, y c) el generador de perfiles de predicción de JMP para observe e interactúe con el modelo para comprender mejor cómo se pueden modificar los factores individuales para optimizar la respuesta de interés.

 

Figura 1. Hiperparámetros del modelo y estadísticas de ajuste que evalúan una serie de factores de ubicación, geológicos y de terminación en la producción acumulada de 12 meses en Barnett Shale, Texas, EE. UU.

Figura 2. Perfilador de predicción versus real y predicción de un modelo XGBoost que evalúa una serie de factores de ubicación, geológicos y de finalización en la producción acumulada de 12 meses en Barnett Shale, Texas, EE. UU.

Este video se está procesando actualmente. Vuelva a intentarlo en unos minutos.

(ver en Mis videos)

XGBoost es un protocolo de aprendizaje automático (relativamente) nuevo que recién comienza a implementarse en la industria de Upstream Energy and Production. Este modelo de conjunto de árboles de decisión está tomando al mundo por tormenta (bueno, está bien, eso podría ser un poco hipérbole, ¡pero vamos!), ganar Competiciones de Kaggle y muy lentamente, abriéndose camino hacia el petróleo y el gas.¿Por qué XGBoost y en qué se diferencia? XGBoost implementa un algoritmo de árbol de decisión potenciado por gradiente. A través del aumento de gradiente, se pueden utilizar capas de modelos para corregir el error cometido por el modelo anterior hasta que no se pueda realizar ninguna mejora adicional o se utilice como umbral un criterio de detención, como las métricas de rendimiento del modelo.