398682_zh-CN

liliconcom

利用 JMP® Pro 16 中的外推控制功能优化现实世界的采矿过程 (2021-US-30MP-844)

级别：初学者

 

陶新杰，高级研究统计师，陶氏

 

该案例研究旨在评估 12 种类型的起泡剂在采矿中矿物回收方面的表现。 除起泡剂类型外，输入变量还包括作为连续变量的粒度（编码值：0、0.35、1）和作为分类变量的水类型（A型、B型、C型）。 响应变量是矿物回收效率。

使用预测刻画器中的外推控制功能，当基于正则化 T 平方度量的粒度 = 1 时，观察到 B 型水的可能外推。 这种推断是由 DOE 中的不平衡引起的，其中 B 型水的测量仅在粒径 = 0.35 时进行。 开启外推控制以优化矿物回收效率以获得可靠的最优解。

当 DOE 被扩大到更加平衡时，外推问题就消失了。 外推控制功能提供了关于如何增强不平衡 DOE 可以在很大程度上提高预测模型的可用性的直接理解。

 

 

自动生成的成绩单...

 

扬声器	成绩单
乔什·斯汤顿	你好。
新街通	嗨乔希。
乔什·斯汤顿	嗨，这很有趣。
新街通	对很好。
乔什·斯汤顿	嗯，谢谢你同意这样做我很高兴听到你的演讲。
新街通	谢谢，那我们如何开始。
	或任何其他事情，在我们开始之前。
乔什·斯汤顿	是的，这只是一个快速清单，我只是想通过所以如果你有的话。
	你的我是你的手机，它仍然处于开启状态。
新街通	嗯，是的。
乔什·斯汤顿	是的，有一个。
新街通	很好的提醒谢谢。
乔什·斯汤顿	很快我就得到一个口头确认，你知道这是什么记录，就像你理解这是为 JMP 发现峰会记录的一样。
	会议，您将在工作用户社区中公开授予此录制和使用的权限。
	是的，是的，很好。
	形式他们很棒而且。
	我喜欢你的背景，一切看起来都很好，我想如果你的显示器设置在 1920 乘以 10 时，你知道你有你吗？
新街通	我其实没有。
	清楚地知道。
新街通	显示设置真快。
	我在我们认为看到 119 20 乘以 1080。
乔什·斯汤顿	哦完美。
新街通	耶，好样的。
乔什·斯汤顿	是的，这很完美，您将要使用外推控制功能和 JMP pro 16 优化的奖励挖掘过程 2021 us 30 MP。
	太好了，所以我要去。
	你想看看你是否可以开始演示只是让你的幻灯片继续下去。
	如果从您的角度来看一切都很好，我将停止我的视频静音并将其传递给您。
新街通	所以我们可以快速尝试，也可以。
乔什·斯汤顿	如果你想介绍，我可以确定。
	我们可以看到你的幻灯片。
新街通	是啊，所以我需要先分享我的屏幕。
	是的。
新街通	你看到我的屏幕。
	是的，好吧，所以我可能会做一些演示，我不太可能。
	我需要做一些演示所以当我这样做时，我可能会这样做，可以，然后回到幻灯片。
乔什·斯汤顿	没错，就是这样。
	而且您知道我们不会在视频中进行任何编辑，会删掉您知道的部分内容。
	但是，如果你犯了错误，你就会知道。
	你知道只是试着保持。
	有点滚动通过它我们都是人类在这里犯错是可以的。
	如果你认为你知道，但如果你真的认为这是你想看到的灾难性事件。
	现在你可以了。
	我们可以我们可以我们可以重新开始，这不是什么大不了的事，但是是的，但不要让一个小错误来打扰你，只是保持。
	你他会的。
	是啊。
新街通	我认为演示文稿大约需要 20 分钟。
	好吧，就是这样。
	要求之类的。
乔什·斯汤顿	你知道我不确定每个人都有点不同，但你知道我不知道。
	是的，不要太担心时间，这些都是更多的指导方针，只是试着让你知道。
	好的，丹，把你的研究拿出来，我们会没事的。
新街通	好吧听起来不错，所以如果是这样的话，我可能会开始介绍。
乔什·斯汤顿	是的，所以我会开始我的视频，然后是的，他想花一点时间，或者你可以随时开始，只要你准备好了。
新街通	哦，我不需要做任何生产是对的或。
乔什·斯汤顿	不，你能不能给它，你可以说你知道说出你的名字，你知道你将要经历什么。
	有点滚进去。
新街通	好吧好吧。
乔什·斯汤顿	好的，好的，我会关掉相机，然后去，但祝你好运，谢谢。
新街通	谢谢你。
	所以，我的名字是 Xinjie Tong，我的演讲是关于我们如何在现实世界的采矿问题中利用 JMP Pro 16 中的外推控制功能，我们试图优化采矿过程中的矿物去除效率。
	因此，我将介绍一个关于挖掘过程的案例研究，然后我们将进一步探讨也提到的外推控制指标，我们如何在考虑外推的情况下进行优化，以及使用 DOE 增强如何潜在地处理外推问题。
	这是一张幻灯片，介绍了目前在 JMP 16 Pro 中使用的外推控制指标，所有这些信息都来自 JMP 社区的视频。
	由 SAS 制作，您可以在底部找到参考，因此 JMP 中使用了两个主要指标。
	一种是杠杆，用于线性平台，特别是当我们拟合最小二乘时。 还有另一种
	度量标准称为正则化 Hotelling 的 T 平方，现在在非线性平台上实现，例如 GenReg，神经偏最小二乘。 所以对于杠杆，
	它是训练数据的设计矩阵以及预测点的函数。 所以它取决于模型形式。 同样对于线性模型，它与预测方差成正比。
	但不同的是，对于正则化 t 平方，它是一个无监督版本，因此它不是任何形式的模型的函数。
	这是我从该视频中窃取的方程式。
	这也是来自该视频的示例，用于展示当您考虑外推时优化如何不同。
	所以这里有一个例子，我们有三个输入变量，正如我们在这里看到的，MaxPulse 和 RunPulse 具有很强的正相关性。
	如果我们不考虑外推控制，模型会告诉我们蓝点是最优的。 但是，它不服从训练数据中的关系，所以不是很
	可靠的。该模型是外推的。 但是如果我们打开外推控制，它会提示这个红点，现在更现实了。 因此，它确实展示了外推控制如何真正有助于决策并避免不切实际的预测。
	那么现在，我将谈谈我在陶氏工作期间遇到的案例研究。 因此，本案例研究是关于采矿过程的，我们的目标是优化采矿条件以提高矿物去除效率。
	我们在这个数据集中有 120 行，我们有三个输入变量和一个输出变量。
	对于输入变量，我们有水类型，它是一个具有三个级别的分类变量，所以我将它们编码为 A、B 和 C 类型。
	我们还使用了 12 种类型的起泡剂，它们也是分类的。 我们有一个数值变量，即粒度，我将它们编码为 0、1 和 0.35。
	这里输出的是去除效率，它是一个介于 0 和 1 之间的值，并且这里的所有值都经过编码以保护实际信息。
	所以这个数据集的问题是由于设计阶段实际上存在一些共线性。 因此，如果我们可以查看这个图形构建器，我们可以非常轻松地使用图形构建器来可视化数据结构，它是 JMP 中的一个平台。
	所以在这里，我使用起泡剂类型作为包装，所以每个框都指一种类型的起泡剂，然后我们在 Y 轴上查看颗粒大小，在 X 轴上查看水的类型。
	所以这里的问题是当我们有 B 型水时，我们只会有一个级别的粒径，即在中间级别，所以当我们尝试估计粒径时存在共线性
	并与B型交互。所以在这种情况下它是不可估量的。
	由于这种不平衡或某些依赖性，我们将遇到外推问题，而这正是外推控制功能可以真正帮助我们防止由于数据集不完善而导致的任何风险的地方。
	因此，我继续构建模型并在 JMP 中使用不同的平台，这是为了比较指标以及它们如何潜在地影响我们的决策。
	在我拟合任何模型之前，我通常会开始这个评估设计，它们是……这是 JMP 的功能之一。 所以这个平台让我们问明白，
	给定一个数据集，可以从数据集中估计出哪些术语。 我将对此做一个快速演示。 所以这是我的数据集。 所以我有三个输入变量和一个输出变量。 我们能做的就是去能源部，
	设计诊断和评估设计。 所以在这里，Y响应是可选的，所以我将我的三个输入拖到这里，点击OK。
	现在它告诉我，如果我只考虑主要影响，它能够估计这些，我可以查看我的诊断，例如您在整个空间内的预测方差......设计空间以及一些诊断。
	但是，我确实想估计双向交互所以如果我点击双向交互，
	这个警报出现了，它告诉我这个数据集不能适合所有双向交互项，并且无法估计的项已被删除。
	如果我们看这里，我们确实注意到水的类型和特定大小之间的相互作用已被删除，这是由于我刚才提到的共线性问题。
	因此，如果我们在这里检查，这些诊断信息已经根据这套新的模型术语进行了更新。 所以现在我知道了
	由于共线性，我无法估计所有项，所以我只能从模型可以拟合的这些项开始。 然后我会回到我的幻灯片。 所以我将开始构建模型。
	所以我安装的第一个模型是在 GenReg 平台内。 原因是我的反应，这是一种效率。 这是一个介于 0 和 1 之间的值，我通常会考虑 beta 分布，这只能在这个 GenReg 中实现。
	然而，在我们的例子中，虽然它在零和一之间，但分布更像正态分布，在零和一附近没有高频，这使得使用正态分布存在问题。
	所以我所做的是我在这个 GenReg 中的模型中尝试了 beta 和 normal。 我还尝试了完整模型和模型缩减的各种方法。 所以
	我比较了 AICc 和 BIC，我意识到我可以使用正态分布，并且与完整模型相比，Lasso 缩减方法提供了更小的 AICc 或 BIC。 这可能是我将继续前进的那个。
	但是现在我们可以使用正态分布，我意识到我们实际上可以拟合相同的模型，但在不同的平台上。
	所以接下来我做的是一个使用过的拟合最小二乘，它是 JMP 中的一个线性平台，我在那里拟合了相同的模型。
	但是现在它允许我做的是使用杠杆作为外推控制指标，而在 GenReg 中，它使用的是正则化的 Hotelling 的 T 平方。 所以现在，我可以比较这两个指标的真正对比或相似程度。
	所以现在我们要进行指标比较和一些结果。 所以这是我的地图，所以我从相同的完整模型开始。
	我在 GenReg 中拟合模型，并在他们使用不同指标的地方拟合最小二乘。 除了比较指标之外，我还想看看我是使用完整模型还是通过更改模型形式来减少模型，这对指标的性能有何影响？
	所以在这里我将做另一个演示，我们还可以看到我们如何在分析器中使用外推控制功能。 所以我将从这个 GenReg 开始，它是同一个脚本。
	就这样，您...有关信息，我将单击模型对话。 所以这是建立模型的地方。 因此 Y 的效率，这些术语在评估设计中定义并使用 beta 或正常。
	然后点击运行。 所以我保存了两个模型。 第一个是带有模型缩减的正态分布。 第二个是完整模型的正态分布。 所以如果我们首先从一个完整的模型开始，我们可以做的是，我们点击这里打开分析器。
	在探查器中，
	这里的新功能是，我们现在可以单击外推控制，我们可以关闭警告。
	所以现在没有细节，所以如果我想看细节，我需要快速推断细节
	它向我们展示了指标中的阈值。 因此，如果我们可以沿着粒子大小移动并且度量正在发生变化，但它们在阈值之内，那么就没有警告。
	但是，如果我们转到存在共线性的 B 型，我们确实会在非常高的粒径或非常小的粒径下看到这种可能的外推警告。
	我们可以做的另一件事是，我们可以直接打开外推控制，而不是打开警告。 它的作用是只显示没有外推的范围。
	所以，现在我要提一下，这里的阈值是 16.3，如果我们拟合一个缩减模型呢？ 这是否会改变阈值以及外推区域？ 所以现在我可以转到我的简化模型，我可以打开我已经打开的分析器，这里是......
	如果我点击外推细节并打开它，我们会看到它具有相同的阈值和相同的外推范围。 所以这里这个正则化的 T 平方是无监督的，当我们使用完整模型与简化模型时它不会改变。
	如果我们不使用 GenReg，而是尝试拟合租赁平方，它是线性平台，并且可以使用杠杆进行模型外推。 所以这是我的完整模型。 我可以点击因子分析，打开分析器。
	与此处类似，我们可以单击外推控制并打开警告以及外推细节。
	所以这里的阈值是不同的，因为它是根据不同的方程计算的。 和以前一样，B型...A型和C型没有外推，但对于B型，实际上...都有外推变暖。
	如果我将其设置为 0.35，这是唯一没有外推的点。 为了更清楚地表明这一点，我可以打开我的外推控制，然后你会看到那个有 B 水的，
	它只能预测在实验中观察到的这一单一级别的粒度。 所以这告诉我们，
	给定数据集并使用杠杆作为衡量标准，当我们使用水时，我们无法预测任何其他粒径......水 B 型。
	所以这与使用正则化 T 平方的 GenReg 相比更加严格，因为在另一种情况下，它能够预测更窄的范围。 再一次，这是因为那个是无监督的，而这个更针对模型形式。
	所以这里我们有0.5的阈值，我在使用杠杆时确实尝试了简化模型，并且阈值也发生了变化，因为它取决于模型形式。 所以如果你有一个更小的模型，你就会有一个更小的阈值。 这是比较表。
	在这种特定情况下，我们确实看到杠杆比正则化的 T 平方更严格。
	所以现在，我对如何使用这种外推控制功能进行优化很感兴趣，因为这是我们项目的目标。
	所以这是我得到的最终输出。 所以这是绘制所有输入变量，蓝点是我在没有任何外推控制的情况下优化的那个。 它暗示了这一点，这在数据中没有被观察到。
	但是，如果我们确实考虑外推控制，它会建议与现在的训练数据更相似的东西，我们对它更有信心……信心。
	我们真正可以做的另一件事是在有或没有外推控制的情况下进行一些可视化。 所以我其实也想很快演示一下，
	因为我相信这是我最喜欢的未来，例如，如果我们决定...
	抱歉，为了清晰的可视化，我将关闭它。
	所以如果我们可以……如果我们决定使用这个分析器……这个模型，我们可以继续，确保我们打开外推控制，然后我们可以点击的是输出随机表。
	它的作用是生成模型无需任何外推即可预测的所有潜在条件。
	所以现在，我有 5,000 次运行，我可以单击此处非常轻松地查看每个参数的分布或直方图。
	如果我单击 A 类，我们可以看到模型可以预测粒度介于 0 和 1 之间的整个范围。
	C 型类似，但是当我们有 B 型时，由于额外的...
	对不起，外推。 所以有了这个，我们可以真正优化和模拟外推控制。
	而且，我们可以从这个文件中，我们可以使用图形生成器
	并生成这个图，如果我们没有外推控制，我们可以看到所有的范围，颜色是效率，预测效率。
	但是通过外推控制，我们无法预测所有这些范围，这是基于该模拟功能的非常好的可视化。
	现在，我的最后一个问题是，如果我真的想估计这些空间怎么办？ 为了做到这一点，我们必须修复数据或扩充数据，以便模型可以预测整个范围。 所以现在我们可以进行数据增强，这也是 JMP 能力的一部分。
	所以增强设计，我们可以做的是，我们可以添加一个新的块变量，以便新的运行可以分开......可以分组到第二个块中。
	此外，我们可以定义我们想要估计的模型项。 现在，我想估计所有双向交互。
	这是增强运行的可视化，所以红点是所有增强运行，现在因为我们将数据分配到
	水型为B型时，粒度的高低，可以估计所有项，不再存在共线性问题。 而且在分析器中，我们确实看到当我们拥有 B 型时，它能够预测整个范围。
	所以一些外卖。 可能有许多外推来源，例如当您在输入变量之间存在依赖关系时，或者您有任何其他无法估计但想要估计的项
	包含在您的模型中。 在任何预测建模世界中也是机器学习。 我们必须考虑外推控制，因为它是健全性检查
	对于预测世界，感谢 JMP 16 Pro，此功能使我们使用起来非常简单。 而且很容易演示数据集的结构如何影响模型的可用性。 所以
	因此，我做了这个，我想与更广泛的社区分享，以真正展示......这个功能有多么有用。 这就是我的全部介绍。 这是参考和一些免责声明。
乔什·斯汤顿	伟大的。
新街通	可以吗。
乔什·斯汤顿	谢谢你，那太棒了，我爱我。
	喜欢在他们的个人资料中看到预测器。
	轮廓。
	现在很棒的工作就是他一帆风顺。
新街通	谢谢，谢谢，我希望，不是太。
	好吧，我会说它是为初学者准备的，所以那里没有太多复杂性。
乔什·斯汤顿	这对我来说就像，你知道它会有一点进步，但不，那不是一个好主意，他开始谈论增强设计，这绝对是下一个层次。
	那。
	是的，就是这样，正如我所说，我们将把这种编辑剪掉，你知道正面和背面，然后它不应该确定他们什么时候希望将它放在网站上，但它会很快就会到那里。
	再次感谢您投入时间和精力与您分享此内容。
	与我们的社区。
新街通	嗯，当然咯。
	是的，听起来不错。
乔什·斯汤顿	好吧，保重，希望我们很快能在其中一个活动中见到你。
新街通	是的。
	谢谢，期待。
	谢谢你给我的机会。
乔什·斯汤顿	哦，是的，非常感谢，好的，再见。
新街通	再见，祝你有美好的一天。
	你也是。

爆发美国能源部统计和建模