원래 세션 날짜: 2022년 4월 7일
다루는 주제: XGBoost, 하이퍼파라미터, 기계 학습
연사: 러스 울핑거( @russ_wolfinger ), 저명한 연구위원
XGBoost는 업스트림 에너지 및 생산 산업에 배포되기 시작한 (상대적으로) 새로운 기계 학습 프로토콜입니다. 이 결정 트리 앙상블 모델은 폭풍 (음, 알겠습니다. 약간 과장된 표현일 수 있지만 어서!), 이겼습니다. 캐글 대회 그리고 아주 천천히, 석유와 가스로 나아가고 있습니다. SAS 저명한 연구원이자 Kaggle Grandmaster이자 JMP 생명 과학 부문의 오랜 책임자인 Russ Wolfinger는 XGBoost 추가 기능을 만들고 개선했으며 아래 비디오에서 이를 시연합니다.
XGBoost가 필요한 이유와 차이점은 무엇입니까? XGBoost 그래디언트 부스트 결정 트리 알고리즘을 배포합니다. 그래디언트 부스팅을 통해 모델 레이어를 사용하여 더 이상 개선할 수 없거나 모델 성능 메트릭과 같은 중지 기준이 임계값으로 사용될 때까지 이전 모델에서 발생한 오류를 수정할 수 있습니다. " ( 중간 ). JMP에 배포된 이 기능은 사용자에게 a) 모델 검증을 위해 최대 3개의 직교 접기를 적용하고, b) b) 최적의 하이퍼파라미터로 신속하게 반복하기 위해 JMP 특허 DOE 기술을 배포하는 자동 튜닝, c) JMP의 예측 프로파일러를 통해 다음 작업을 수행할 수 있는 기회를 제공합니다. 관심 있는 반응을 최적화하기 위해 개별 요인을 어떻게 변경할 수 있는지 더 잘 이해하기 위해 모델을 관찰하고 상호 작용합니다.
그림 1. 미국 텍사스주 Barnett Shale에서 12개월 누적 생산에 대한 일련의 위치, 지질 및 완료 요인을 평가하는 모델 하이퍼파라미터 및 적합 통계.
그림 2. 미국 텍사스주 Barnett Shale에서 12개월 누적 생산에 대한 일련의 위치, 지질 및 완료 요인을 평가하는 XGBoost 모델의 예측 대 실제 및 예측 프로파일러.
@russ_wolfinger JMP Pro를 만들었습니다. 애드인 JMP Pro 15 이상에서 작동합니다.익스트림 그래디언트 부스트 트리를 사용한 예측 모델링을 위해 널리 사용되는 XGBoost 오픈 소스 라이브러리에 대한 포인트 앤 클릭 인터페이스를 제공합니다.시도해 보고 질문이 있으면 Russ가 추가 기능 게시물에서 질문에 답변합니다.
또 다른 훌륭한 블로그, @Peter_Polito ! 이것은 Upstream에서 진정한 주목을 받고 있으며 웨비나 중에 받은 피드백을 기반으로 더 많은 사람들이 배우고 싶어할 것입니다.
