477206_de-DE

liliconcom

JMP im Upstream 8: Einsatz von XGBoost-Algorithmen in der vorgelagerten Öl- und Gasumgebung

Ursprüngliches Sitzungsdatum: 7. April 2022

Behandelte Themen: XGBoost, Hyperparameter, maschinelles Lernen

Sprecher: Russ Wolfinger ( @russ_wolfinger ), Distinguished Research Fellow

 

XGBoost ist ein (relativ) neues maschinelles Lernprotokoll, das gerade erst in der vorgelagerten Energie- und Produktionsindustrie eingesetzt wird. Dieses Entscheidungsbaum-Ensemble-Modell erobert die Welt Sturm (Nun, ok, das ist vielleicht ein bisschen übertrieben, aber komm schon!), Gewinnen Kaggle-Wettbewerbe und nach und nach seinen Weg in Öl und Gas finden. Russ Wolfinger, SAS Distinguished Research Fellow, Kaggle Grandmaster und langjähriger Leiter der JMP Life Sciences Division, hat ein XGBoost-Add-In erstellt und verfeinert, das er im folgenden Video demonstriert.

 

Warum XGBoost und wie unterscheidet es sich? XGBoost setzt einen gradientengestützten Entscheidungsbaumalgorithmus ein. Durch Gradient Boosting ist man in der Lage, Modellschichten zu verwenden, um den Fehler des vorherigen Modells zu korrigieren, bis keine weitere Verbesserung mehr möglich ist oder ein Stoppkriterium wie Modellleistungsmetriken als Schwellenwert verwendet wird " ( Mittel ). In JMP bereitgestellt, bietet dies dem Benutzer die Möglichkeit, a) bis zu drei orthogonale Faltungen für die Modellvalidierung anzuwenden, b) b) Autotuning, das die von JMP patentierte DOE-Technologie einsetzt, um schnell zu optimalen Hyperparametern zu iterieren, und c) den Vorhersageprofiler von JMP Beobachten und interagieren Sie mit dem Modell, um besser zu verstehen, wie einzelne Faktoren geändert werden können, um die interessierende Reaktion zu optimieren.

 

Abbildung 1. Modellieren Sie Hyperparameter und passen Sie Statistiken an, die eine Reihe von Standort-, Geologie- und Fertigstellungsfaktoren für die 12-monatige kumulative Produktion im Barnett Shale, Texas, USA, bewerten.

Figur 2. Prognostizierter vs. tatsächlicher und vorhergesagter Profiler eines XGBoost-Modells, das eine Reihe von Standort-, Geologie- und Fertigstellungsfaktoren für die 12-monatige kumulative Produktion im Barnett Shale, Texas, USA, bewertet.

XGBoost ist ein (relativ) neues maschinelles Lernprotokoll, das gerade erst in der vorgelagerten Energie- und Produktionsindustrie eingesetzt wird. Dieses Entscheidungsbaum-Ensemble-Modell erobert die Welt Sturm (Nun, ok, das ist vielleicht etwas übertrieben, aber komm schon!), Gewinnen Kaggle-Wettbewerbe und nach und nach seinen Weg in Öl und Gas finden.Warum XGBoost und wie unterscheidet es sich? XGBoost setzt einen gradientengestützten Entscheidungsbaumalgorithmus ein. Durch Gradient Boosting ist man in der Lage, Modellschichten zu verwenden, um den Fehler des vorherigen Modells zu korrigieren, bis keine weitere Verbesserung mehr möglich ist oder ein Stoppkriterium wie Modellleistungsmetriken als Schwellenwert verwendet wird.

Betreff: JMP im Upstream 8: Einsatz von XGBoost-Algorithmen in der vorgelagerten Öl- und Gasumgebung

@russ_wolfinger ein JMP Pro erstellt Zusatz das funktioniert mit JMP Pro 15 und höher.Es bietet eine Point-and-Click-Schnittstelle zur beliebten Open-Source-Bibliothek XGBoost für die Vorhersagemodellierung mit Bäumen mit extremer Gradientenverstärkung.Wenn Sie es ausprobieren und Fragen haben, beantwortet Russ Ihre Fragen in seinem Add-In-Beitrag.

Betreff: JMP im Upstream 8: Einsatz von XGBoost-Algorithmen in der vorgelagerten Öl- und Gasumgebung

Wieder ein toller Blog, @Peter_Polito ! Dies sorgt bei Upstream für Aufsehen, und basierend auf dem während des Webinars erhaltenen Feedback werden viele mehr lernen wollen.