Data della sessione originaria: 7 aprile 2022
Argomenti trattati: XGBoost, Iperparametri, machine learning
Relatore: Russ Wolfinger ( @russ_wolfinger ), Illustre ricercatore
XGBoost è un protocollo di apprendimento automatico (relativamente) nuovo che sta appena iniziando a essere implementato nel settore dell'energia e della produzione a monte. Questo modello di insieme ad albero decisionale sta conquistando il mondo tempesta (beh, ok, potrebbe essere un po' un'iperbole, ma andiamo!), vincendo Concorsi Kaggle e ogni tanto lentamente, facendosi strada nel petrolio e nel gas. Russ Wolfinger, SAS Distinguished Research Fellow, Kaggle Grandmaster e leader di lunga data nella divisione JMP Life Sciences ha creato e perfezionato un componente aggiuntivo XGBoost, che mostra nel video qui sotto.
Perché XGBoost e in cosa è diverso? XGBoost distribuisce un algoritmo dell'albero decisionale potenziato dal gradiente. Attraverso il potenziamento del gradiente, è possibile utilizzare livelli di modelli per correggere l'errore commesso dal modello precedente fino a quando non è possibile apportare ulteriori miglioramenti o viene utilizzato un criterio di arresto come le metriche delle prestazioni del modello come soglia "( medio ). Implementato in JMP, offre all'utente l'opportunità di a) applicare fino a tre piegature ortogonali per la convalida del modello, b) b) ottimizzazione automatica, che implementa la tecnologia DOE brevettata da JMP per iterare rapidamente gli iperparametri ottimali e c) il profiler di previsione di JMP per osservare e interagire con il modello per comprendere meglio come i singoli fattori possono essere modificati per ottimizzare la risposta di interesse.
Figura 1. Modello di iperparametri e statistiche di adattamento che valutano una serie di fattori di posizione, geologici e di completamento sulla produzione cumulativa di 12 mesi nel Barnett Shale, Texas, USA.
Figura 2. Predicted vs. actual e forecast profiler di un modello XGBoost che valuta una serie di fattori di posizione, geologici e di completamento sulla produzione cumulativa di 12 mesi nel Barnett Shale, Texas, USA.
@russ_wolfinger creato un JMP Pro Aggiungere funzionerà con JMP Pro 15 e versioni successive.Fornisce un'interfaccia point-and-click alla popolare libreria open source XGBoost per la modellazione predittiva con alberi potenziati con gradiente estremo.Se ci provi e hai domande, Russ risponde alle tue domande nel suo post sul componente aggiuntivo.
Un altro blog eccellente, @Pietro_Polito ! Questo sta davvero facendo girare la testa in Upstream e sulla base del feedback ricevuto durante il webinar, molti altri vorranno imparare.
