アップストリームでの JMP 8: アップストリームの石油およびガス環境での XGBoost アルゴリズムの展開元のセッション日: 2022 年 4 月 7 日
対象トピック: XGBoost、ハイパーパラメータ、機械学習
スピーカー: ラス・ウルフィンガー ( @russ_wolfinger )、特別研究員
XGBoost は (比較的) 新しい機械学習プロトコルであり、上流のエネルギーおよび製造業界で展開され始めたばかりです。 このデシジョン ツリー アンサンブル モデルは世界を席巻しています嵐（まあ、それは少し誇張かもしれませんが、どうぞ！）、勝つKaggle コンテストそしてゆっくりと、石油とガスへの道を歩んでいます。 SAS Distinguished Research Fellow であり、Kaggle Grandmaster であり、JMP ライフ サイエンス部門の長年のリーダーである Russ Wolfinger は、XGBoost アドインを作成および改良しました。
XGBoost の理由とその違いは? XGBoost勾配ブースト決定木アルゴリズムを展開します。 勾配ブースティングにより、モデルのレイヤーを使用して、以前のモデルによって発生したエラーを修正することができます。それ以上の改善を行うことができないか、モデルのパフォーマンス メトリックなどの停止基準がしきい値として使用されるまでです。 " (中くらい）。 これを JMP に展開すると、ユーザーは、a) モデルの検証に最大 3 つの直交フォールドを適用する、b) JMP が特許を取得した DOE テクノロジを展開して最適なハイパーパラメータを迅速に反復するオートチューニング、および c) JMP の予測プロファイラーを使用して、次のことができるようになります。モデルを観察して操作することで、個々の因子を変更して目的の応答を最適化する方法をよりよく理解できます。
図1。 米国テキサス州バーネット頁岩における 12 か月の累積生産量に関する一連の場所、地質学的および完了要因を評価するモデル ハイパーパラメータと適合統計。
図 2. 米国テキサス州バーネット頁岩における 12 か月の累積生産量について、一連の場所、地質学的および完了要因を評価する XGBoost モデルの予測対実際および予測プロファイラー。
XGBoost は (比較的) 新しい機械学習プロトコルであり、上流のエネルギーおよび製造業界で展開され始めたばかりです。 このデシジョン ツリー アンサンブル モデルは世界を席巻しています嵐（まあ、それは少し誇張かもしれませんが、どうぞ！）、勝つKaggle コンテストそしてゆっくりと、石油とガスへの道を進んでいます。XGBoost の理由とその違いは? XGBoost勾配ブースト決定木アルゴリズムを展開します。 勾配ブースティングにより、モデルのレイヤーを使用して、それ以上の改善を行うことができなくなるか、モデルのパフォーマンス メトリックなどの停止基準がしきい値として使用されるまで、以前のモデルによって発生したエラーを修正できます。
Re: アップストリームでの JMP 8: アップストリームの石油およびガス環境での XGBoost アルゴリズムの展開@russ_wolfinger JMP Pro を作成しました加えるJMP Pro 15 以降で動作します。これは、人気のある XGBoost オープン ソース ライブラリへのポイント アンド クリック インターフェイスを提供し、極端な勾配ブースト ツリーによる予測モデリングを行います。試してみて質問がある場合は、Russ がアドインの投稿で質問に答えます。
Re: アップストリームでの JMP 8: アップストリームの石油およびガス環境での XGBoost アルゴリズムの展開別の優れたブログ、 @ピーター_ポリート! これはアップストリームの注目を集めており、ウェビナー中に受け取ったフィードバックに基づいて、さらに多くの人が学習したいと考えています.
