JMP in the Upstream 8：在上游油气环境中部署 XGBoost 算法原会议日期：2022 年 4 月 7 日
涵盖的主题：XGBoost、超参数、机器学习
演讲者：拉斯沃尔芬格，特聘研究员
XGBoost 是一种（相对）新的机器学习协议，它才刚刚开始部署在上游能源和生产行业。 这个决策树集成模型正在引领世界风暴（好吧，好吧，这可能有点夸张，但是来吧！），获胜Kaggle 比赛如此缓慢地进入石油和天然气领域。 Russ Wolfinger 是 SAS 杰出研究员、Kaggle 大师和 JMP 生命科学部门的长期负责人，他创建并改进了 XGBoost 插件，他在下面的视频中进行了演示。
为什么选择 XGBoost，它有何不同？ XGBoost部署了梯度增强决策树算法。 通过梯度提升，可以使用模型层来纠正先前模型所造成的错误，直到无法进一步改进或使用停止标准（例如模型性能指标）作为阈值" (中等的）。 部署在 JMP 中，这为用户提供了 a) 应用最多三个正交折叠进行模型验证的机会，b) b) 自动调整，部署 JMP 专利 DOE 技术以快速迭代到最佳超参数，以及 c) JMP 的预测分析器观察模型并与之交互，以更好地了解如何更改各个因素以优化感兴趣的响应。
图1。 模型超参数和拟合统计数据，评估美国德克萨斯州 Barnett 页岩 12 个月累积产量的一系列位置、地质和完井因素。
图 2。 XGBoost 模型的预测与实际和预测剖面仪评估了美国德克萨斯州 Barnett 页岩 12 个月累积产量的一系列位置、地质和完井因素。
XGBoost 是一种（相对）新的机器学习协议，它才刚刚开始部署在上游能源和生产行业。 这个决策树集成模型正在引领世界风暴（好吧，好吧，这可能有点夸张，但是来吧！），获胜Kaggle 比赛如此缓慢地进入石油和天然气领域。为什么选择 XGBoost，它有何不同？ XGBoost部署了梯度增强决策树算法。 通过梯度提升，可以使用模型层来纠正先前模型所造成的错误，直到无法进一步改进或使用停止标准（例如模型性能指标）作为阈值。
