원래 세션 날짜: 2022년 4월 7일
다루는 주제: XGBoost, 하이퍼파라미터, 머신 러닝
발표자: Russ Wolfinger, 저명한 연구원
XGBoost는 (상대적으로) 새로운 기계 학습 프로토콜로, 업스트림 에너지 및 생산 산업에 이제 막 배포되기 시작했습니다. 이 의사 결정 트리 앙상블 모델은 폭풍 (글쎄요, 약간 과장된 표현일 수 있지만 어서오세요!), 승리 캐글 대회 그리고 아주 천천히, 석유와 가스로 나아가고 있습니다. SAS Distinguished Research Fellow, Kaggle Grandmaster 및 JMP Life Sciences 사업부의 오랜 책임자인 Russ Wolfinger는 XGBoost 추가 기능을 만들고 개선했으며, 이를 아래 비디오에서 시연합니다.
왜 XGBoost이며 어떻게 다른가요? XGBoost 그래디언트 부스트 결정 트리 알고리즘을 배포합니다. 그래디언트 부스팅을 통해 더 이상 개선할 수 없거나 모델 성능 메트릭과 같은 중지 기준이 임계값으로 사용될 때까지 모델 레이어를 사용하여 이전 모델에서 발생한 오류를 수정할 수 있습니다. "( 중간 ). JMP에 배포된 이것은 사용자에게 a) 모델 검증을 위해 최대 3개의 직교 폴드를 적용하고, b) 최적의 하이퍼파라미터로 빠르게 반복하기 위해 JMP 특허 DOE 기술을 배포하는 자동 튜닝, c) JMP의 예측 프로파일러에 대한 기회를 제공합니다. 관심 반응을 최적화하기 위해 개별 요인이 어떻게 변경될 수 있는지 더 잘 이해하기 위해 모델을 관찰하고 상호 작용합니다.
그림 1. 미국 텍사스주 Barnett Shale의 12개월 누적 생산에 대한 일련의 위치, 지질 및 완료 요인을 평가하는 모델 하이퍼파라미터 및 적합 통계.
그림 2. 미국 텍사스주 Barnett Shale의 12개월 누적 생산에 대한 일련의 위치, 지질 및 완료 요인을 평가하는 XGBoost 모델의 예측 대 실제 및 예측 프로파일러입니다.
