JMP in the Upstream 8：在上游石油和天然氣環境中部署 XGBoost 算法原定會議日期：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 (Russ Wolfinger) @russ_wolfinger ),特聘研究員
XGBoost 是一種（相對）新的機器學習協議，才剛剛開始在上游能源和生產行業中部署。 這個決策樹集成模型正在通過風暴（嗯，好吧，這可能有點誇張，但是拜託！），獲勝Kaggle比賽並且非常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，也是 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部署梯度提升決策樹算法。 通過梯度提升，可以使用模型層來糾正先前模型所犯的錯誤，直到無法進行進一步改進或使用模型性能指標等停止標準作為閾值“（中等的). 在 JMP 中部署後，這為用戶提供了以下機會：a) 最多應用三個正交折疊進行模型驗證，b) b) 自動調諧，它部署 JMP 專利的 DOE 技術以快速迭代至最佳超參數，以及 c) JMP 的預測刻畫器以觀察模型並與之交互，以更好地了解如何改變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評估了美國德克薩斯州巴尼特頁岩 12 個月累計產量的一系列位置、地質和完井因素。
圖 2。 XGBoost 模型的預測與實際和預測刻畫器評估了美國德克薩斯州巴尼特頁岩 12 個月累計產量的一系列位置、地質和完井因素。
XGBoost 是一種（相對）新的機器學習協議，才剛剛開始在上游能源和生產行業中部署。 這個決策樹集成模型正在通過風暴（嗯，好吧，這可能有點誇張，但是拜託！），獲勝Kaggle比賽並且非常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部署梯度提升決策樹算法。 通過梯度提升，可以使用模型層來糾正先前模型所犯的錯誤，直到無法進行進一步改進或使用模型性能指標等停止標準作為閾值為止。
回复：上游中的 JMP 8：在上游石油和天然氣環境中部署 XGBoost 算法@russ_wolfinger創建了一個 JMP Pro加入適用於 JMP Pro 15 及更高版本。它為流行的 XGBoost 開源庫提供了一個點擊式界面，用於使用極端梯度提升樹進行預測建模。如果您試一試並有疑問，Russ 會在他的插件帖子中回答您的問題。
回复：上游中的 JMP 8：在上游石油和天然氣環境中部署 XGBoost 算法另一個優秀的博客， @Peter_Polito ！ 這確實在上游引起了轟動，根據網絡研討會期間收到的反饋，會有更多人想要學習。
