JMP in the Upstream 8：在上游石油和天然气环境中部署 XGBoost 算法原定会议日期：2022 年 4 月 7 日
涵盖的主题：XGBoost、超参数、机器学习
演讲者：拉斯·沃尔芬格 (Russ Wolfinger) @russ_wolfinger ),特聘研究员
XGBoost 是一种（相对）新的机器学习协议，才刚刚开始在上游能源和生产行业中部署。 这个决策树集成模型正在通过风暴（嗯，好吧，这可能有点夸张，但是拜托！），获胜Kaggle比赛并且非常缓慢地进入石油和天然气领域。 Russ Wolfinger 是 SAS 杰出研究员、Kaggle 大师，也是 JMP 生命科学部门的长期负责人，他创建并改进了 XGBoost 插件，他在下面的视频中进行了演示。
为什么选择 XGBoost，它有何不同？ XGBoost部署梯度提升决策树算法。 通过梯度提升，可以使用模型层来纠正先前模型所犯的错误，直到无法进行进一步改进或使用模型性能指标等停止标准作为阈值“（中等的). 在 JMP 中部署后，这为用户提供了以下机会：a) 最多应用三个正交折叠进行模型验证，b) b) 自动调谐，它部署 JMP 专利的 DOE 技术以快速迭代至最佳超参数，以及 c) JMP 的预测刻画器以观察模型并与之交互，以更好地了解如何改变各个因素以优化感兴趣的响应。
图1。 模型超参数和拟合统计评估了美国德克萨斯州巴尼特页岩 12 个月累计产量的一系列位置、地质和完井因素。
图 2。 XGBoost 模型的预测与实际和预测刻画器评估了美国德克萨斯州巴尼特页岩 12 个月累计产量的一系列位置、地质和完井因素。
XGBoost 是一种（相对）新的机器学习协议，才刚刚开始在上游能源和生产行业中部署。 这个决策树集成模型正在通过风暴（嗯，好吧，这可能有点夸张，但是拜托！），获胜Kaggle比赛并且非常缓慢地进入石油和天然气领域。为什么选择 XGBoost，它有何不同？ XGBoost部署梯度提升决策树算法。 通过梯度提升，可以使用模型层来纠正先前模型所犯的错误，直到无法进行进一步改进或使用模型性能指标等停止标准作为阈值为止。
回复：上游中的 JMP 8：在上游石油和天然气环境中部署 XGBoost 算法@russ_wolfinger创建了一个 JMP Pro加入适用于 JMP Pro 15 及更高版本。它为流行的 XGBoost 开源库提供了一个点击式界面，用于使用极端梯度提升树进行预测建模。如果您试一试并有疑问，Russ 会在他的插件帖子中回答您的问题。
回复：上游中的 JMP 8：在上游石油和天然气环境中部署 XGBoost 算法另一个优秀的博客， @Peter_Polito ！ 这确实在上游引起了轰动，根据网络研讨会期间收到的反馈，会有更多人想要学习。
