398682_ja-JP

liliconcom

JMP® Pro 16 の外挿制御機能を利用して、実世界のマイニング プロセスを最適化する (2021-US-30MP-844)

レベル: 初心者

 

Xinjie Tong 氏、ダウ社上級研究統計学者

 

このケーススタディは、採掘におけるミネラル回収のパフォーマンスに関して、12 種類の泡立て器を評価することを目的としています。 泡立て器の種類に加えて、入力変数には、連続変数として粒子サイズ (コード値: 0、0.35、1) とカテゴリ変数として水の種類 (タイプ A、タイプ B、タイプ C) も含まれます。 応答変数はミネラル回収効率です。

予測プロファイラーの外挿制御機能を使用して、正則化された T 平方メトリックに基づいて粒子サイズ = 1 の場合に、水タイプ B に対して可能な外挿が観察されました。 この外挿は、水タイプ B の測定が粒子サイズ = 0.35 でのみ行われた DOE の不均衡によって引き起こされました。 外挿制御は、鉱物回収効率を最適化して信頼性の高い最適解を達成するために有効にされました。

DOE がよりバランスの取れたものになるように拡張されると、外挿の問題はなくなりました。 外挿制御機能により、不均衡な DOE を拡張することで、予測モデルの使いやすさが大幅に向上する方法をすぐに理解できました。

 

 

自動生成されたトランスクリプト...

 

スピーカー	成績証明書
ジョシュ・スタントン	こんにちは。
トン・シンジェ	こんにちはジョシュ。
ジョシュ・スタントン	こんにちは、それは zingy です。
トン・シンジェ	いいね。
ジョシュ・スタントン	そうですね、これを行うことに同意していただきありがとうございます。あなたのプレゼンテーションを聞くのが楽しみです。
トン・シンジェ	ありがとうございます。
	またはその他のこと、開始する前に。
ジョシュ・スタントン	はい、簡単なチェックリストがあります。確認したかっただけです。何かあれば。
	あなたの私はまだオンになっているあなたの電話です。
トン・シンジェ	まあ、そうだろう。
ジョシュ・スタントン	はい、あります。
トン・シンジェ	素晴らしいリマインダーありがとう。
ジョシュ・スタントン	そして、これが何を記録しているのかを知っているので、これがJMPディスカバリーサミットのために記録されていることを理解しているように、口頭で確認する必要があります.
	この記録と使用を許可するために、ジョブ ユーザー コミュニティで公開されます。
	はい、はい、大丈夫です。
	格式高くて。
	私はあなたの背景が好きです。
トン・シンジェ	私は実際にはしません。
	明確に知っています。
トン・シンジェ	設定を表示します。
	119 の 20 倍の 1080 だと思います。
ジョシュ・スタントン	ああ完璧。
トン・シンジェ	はい、いいです。
ジョシュ・スタントン	はい、それで完璧です。これを行うには、外挿制御機能と JMP pro 16 の最適化された報酬マイニング プロセスを利用する必要があります。
	よかったので行きます。
	スライドを動かしてプレゼンテーションを開始できるかどうかを確認したいですか。
	あなたの側からすべてが良さそうに見えたら、私のビデオがミュートになるのを止めて、ただあなたに渡します。
トン・シンジェ	それで、すぐに試すことができますか。
ジョシュ・スタントン	あなたが提示したいのであれば、私は確認することができます.
	あなたのスライドを見ることができます。
トン・シンジェ	そうですね、まず画面を共有する必要があります。
	うん。
トン・シンジェ	そして、あなたは私の画面を見ます。
	はい、大丈夫ですので、おそらくデモを行う予定です。
	私はいくつかのデモを行う必要があるので、私が行うときは、おそらくこれを行うだけでOKです。それからスライドに戻ります。
ジョシュ・スタントン	まさにそうです、それでいいのです。
	そして、ビデオ内で編集が行われることはありません。ご存知のように、ビデオの一部が切り取られます。
	しかし、あなたが間違いを犯したかどうかがわかります。
	あなたはただ維持しようとすることを知っています。
	私たちはここにいるすべての人間であり、間違いを犯しても大丈夫です。
	あなたが知っていると思うなら、しかしあなたが本当にそれが壊滅的なものであったと思うなら、あなたが見たいと思う.
	今、あなたはただすることができます。
	大したことではありませんが、そうですが、ほんの少しの間違いを許してはいけません。
	あなたは彼になるでしょう。
	ええ、ええ。
トン・シンジェ	そして、プレゼンテーションのちょうど20分くらいだと思います。
	わかりました、そうですか。
	のような要件。
ジョシュ・スタントン	みんなが少し違うかどうかはわかりませんが、私はそうではありません。
	ええ、時間についてあまり心配する必要はありません。
	わかりました、ダン、あなたが調べたことを出してください。私たちはそれを見て大丈夫です。
トン・シンジェ	よろしいので、それでよろしければ、プレゼンテーションを開始するかもしれません。
ジョシュ・スタントン	ええ、だから私は私のビデオを始めます、そしてええ、彼はちょっと時間が欲しいと思っていました。または、準備ができたらいつでも開始できます。
トン・シンジェ	あ、演出しなくていいのか、そうか。
ジョシュ・スタントン	いいえ、あなたはそれを与えることができますか、あなたは自分の名前を言うことを知っていると言うことができ、あなたが経験しようとしていることを知っていると言うことができます.
	一種のロールイン。
トン・シンジェ	わかりました。
ジョシュ・スタントン	よし、よし、カメラの電源を切ってあなたのところに行くよ。でも頑張ってね、ありがとう。
トン・シンジェ	ありがとうございました。
	私の名前は Xinjie Tong です。私のプレゼンテーションは、JMP Pro 16 の外挿制御機能を実際の採掘の問題でどのように利用するかについてのもので、採掘プロセスにおける鉱物除去効率を最適化しようとしていました。
	そこで、マイニング プロセスに関するケース スタディを紹介します。次に、外挿制御メトリックについても説明します。外挿を念頭に置いて最適化する方法と、DOE 拡張を使用して外挿の問題に対処する方法について説明します。
	これは、JMP 16 Pro で現在使用されている外挿制御メトリックについて紹介したスライドです。これらの情報はすべて、JMP コミュニティのビデオから入手したものです。
	SAS によって作成されたものであり、下部に参照用の があります。そのため、JMP で使用されている主要な指標が 2 つあります。
	1 つはレバレッジで、線形プラットフォームで使用されます。特に、最小二乗法に適合する場合に使用されます。 他にもある
	正規化されたホテリングの T 平方と呼ばれるメトリックは、現在、GenReg、ニューラル部分最小二乗などの非線形プラットフォームで実装されています。 したがって、レバレッジについては、
	これは、トレーニング データの計画行列と予測点の関数です。 したがって、モデルのフォームに依存します。 また、線形モデルの場合、予測分散に比例します。
	しかし、別の方法として、正規化された t 平方の場合、これは教師なしバージョンであるため、モデルのどの形式の関数でもありません。
	そして、これが私がそのビデオから盗んだ方程式です。
	これは、外挿を念頭に置いている場合に最適化がどのように異なるかを示すために、そのビデオからの例でもあります。
	ここに 3 つの入力変数がある例を示します。ここでわかるように、MaxPulse と RunPulse には強い正の相関関係があります。
	外挿制御を考慮しない場合、モデルは青い点が最適であることを教えてくれます。 しかし、訓練データの関係に従わないので、あまりうまくいきません。
	信頼性のある。モデルは推定です。 しかし、外挿コントロールをオンにすると、この赤い点が示され、より現実的になります。 したがって、外挿制御が意思決定に実際に役立ち、非現実的な予測を回避できることを示しています。
	それでは、ダウでの勤務中に遭遇したケーススタディについてお話しします。 したがって、このケーススタディは採掘プロセスに関するものであり、私たちの目的は、鉱物除去の効率を高めるために採掘条件を最適化することでした.
	このデータセットには 120 行あり、3 つの入力変数と 1 つの出力変数があります。
	入力変数には水タイプがあり、これは 3 つのレベルを持つカテゴリ変数なので、タイプ A、B、C にコード化しました。
	使用した泡立て器も12種類あり、こちらもカテゴライズされています。 粒子サイズである数値変数があり、0、1、および .35 にコード化しました。
	ここでの出力は、0 から 1 の間の値である除去効率であり、ここのすべての値は実際の情報を保護するためにコード化されています。
	したがって、このデータセットの問題は、設計段階に起因する共線形性が実際に存在することです。 このグラフィック ビルダーを見ることができれば、JMP のプラットフォームであるグラフ ビルダーを使用してデータ構造を非常に簡単に視覚化できます。
	ここでは、泡立て器のタイプをラッピングとして使用していたので、各ボックスは 1 つのタイプの泡立て器を参照し、Y 軸の粒子サイズと X 軸の水のタイプを見ています。
	ここで問題になるのは、水がタイプ B の場合です。粒子サイズは 1 つのレベルしかなく、中間レベルにあるため、粒子サイズを推定しようとすると共線性が存在します。
	タイプBとの相互作用。したがって、この場合は推定できません。
	この不均衡または何らかの依存関係により、外挿の問題が発生します。これは、外挿制御機能が、この不完全なデータ セットによるリスクを防ぐのに本当に役立つ場所です。
	そこで、モデルを構築し、JMP でさまざまなプラットフォームを使用しました。これは、メトリクスと、メトリクスが意思決定にどのように影響する可能性があるかを比較することです。
	モデルを適合させる前に、通常、この評価設計を開始します。これは...JMP の機能の 1 つです。 このプラットフォームでは 理解を求めることができます
	データセットが与えられた場合、データセットから推定できる項は何ですか。 そして、これについて簡単なデモを行います。 これが私のデータセットです。 したがって、3 つの入力変数と 1 つの出力変数があります。 私たちにできることは、DOEに行くことです。
	診断を設計し、設計を評価します。 ここでは、Y 応答はオプションなので、3 つの入力をここにドラッグし、[OK] をクリックします。
	そして今、主効果のみを考慮している場合、それらを推定することができ、空間全体での予測分散などの診断を確認できることを教えてくれています...設計空間といくつかの診断.
	ただし、双方向の交互作用を推定したいので、双方向の交互作用をクリックすると、
	このアラートが表示され、このデータセットはすべての双方向相互作用項に適合することができず、推定できない項が削除されたことを示しています。
	ここを見ると、水の種類と特定のサイズの間の相互作用が削除されていることがわかります。これは、先ほど述べた共線性の問題によるものです。
	したがって、ここで確認すると、これらの診断は、この新しいモデル項のセットに基づいて更新されています。 だから今、私はそれを知っています
	共線性のため、すべての項を推定することはできないため、モデルが適合できるこれらの項からのみ開始できます。 その後、スライドに戻ります。 というわけで、モデルの構築を開始します。
	そのため、最初に取り付けたモデルは GenReg プラットフォーム内にありました。 その理由は、効率的である私の応答です。 0 から 1 の間の値で、通常はこの GenReg でしか実現できないベータ配布について考えます。
	ただし、私たちの場合、0 と 1 の範囲内ですが、分布はより正規に近く、0 と 1 の近くに高い頻度がないため、正規分布を使用することが問題になります。
	そこで私がしたことは、この GenReg に適合するモデルでベータ版と通常版の両方を試したことです。 また、フルモデルとモデル削減のさまざまな方法も試しました。 そう
	AICc と BIC を比較したところ、正規分布を使用できることがわかりました。Lasso リダクション手法では、フル モデルと比較して AICc または BIC が小さくなります。 それはおそらく私が前進するものです。
	しかし、正規分布を使用できるようになったので、実際には同じモデルを異なるプラットフォームに当てはめることができることに気付きました。
	次に行ったのは、JMP の線形プラットフォームである使用済み適合最小二乗で、同じモデルをそこに適合させました。
	しかし今では、レバレッジを外挿制御メトリックとして使用できるようになりました。一方、GenReg では、正則化されたホテリングの T 平方を使用していました。 これで、これら 2 つのメトリックが実際にどのように対照的であるか、またはどの程度類似しているかを比較できます。
	それでは、メトリックの比較といくつかの結果に進みます。 これが私のマップです。同じ完全なモデルから始めました。
	そして、モデルを GenReg 内に適合させ、異なるメトリックを使用していた最小二乗法に適合させました。 また、メトリクスを比較するだけでなく、モデルの形式を変更して完全なモデルと縮小モデルを使用した場合、メトリクスのパフォーマンスがどのように変化するかを確認したかったのです。
	ここで別のデモを行います。また、プロファイラーで外挿制御機能を使用する方法も確認できます。 そこで、同じスクリプトであるこの GenReg から始めます。
	せっかくなので…参考までに、モデルダイアログをクリックしてみます。 ということで、ここでモデルを組み立てました。 したがって、Y の効率は、評価設計で定義され、ベータまたは通常を使用するこれらの用語です。
	そして、実行をクリックします。 だから私は2つのモデルを保存しました。 1 つ目は、モデル削減による正規分布です。 2 つ目は、完全なモデルを使用した正規分布です。 したがって、最初に完全なモデルから始める場合、できることは、ここをクリックしてプロファイラーをオンにすることです。
	そしてプロファイラーでは、
	ここでの新機能は、外挿コントロールをクリックして、警告をオフにできることです。
	今は詳細がないので、詳細を見たい場合は、詳細をすばやく推定する必要があります
	メトリックのしきい値が表示されます。 したがって、粒子サイズに沿って移動でき、メトリックが変化している場合でも、それらはしきい値内にあるため、警告はありません。
	しかし、その共直線性が存在するタイプ B に行くと、非常に大きな粒子サイズまたは非常に小さな粒子サイズでこの推定警告が表示される可能性があります。
	もう 1 つできることは、警告をオンにする代わりに、外挿コントロールを直接オンにすることです。 そして、それが行うことは、外挿がない範囲のみを表示することです.
	ここで、ここでのしきい値は 16.3 であることに言及したいと思います。縮小モデルを適合させるとどうなるでしょうか。 それはしきい値と外挿領域を変更しますか? これで、縮小モデルに移動し、既にオンにしたプロファイラーをオンにできます。これが...
	外挿の詳細をクリックしてオンにすると、同じしきい値と同じ範囲の外挿があることがわかります。 したがって、この正則化された T 2 乗は教師なしであり、完全モデルと縮小モデルを使用しても変化しません。
	そして、GenReg を使用する代わりに、フィット リース スクエアを試してみましょう。これは線形プラットフォームであり、レバレッジをモデルの外挿に使用できます。 これが私の完全なモデルです。 因子プロファイリングをクリックして、プロファイラーをオンにできます。
	ここと同様に、外挿コントロールをクリックして、警告と外挿の詳細をオンにすることができます。
	ここでは、異なる式に基づいて計算されたため、しきい値が異なります。 前と同じように、タイプ B...タイプ A とタイプ C には外挿はありませんが、タイプ B の場合、実際には...すべて外挿加温があります。
	これを .35 に設定すると、外挿がない唯一のポイントになります。 これをより明確に示すために、外挿コントロールをオンにすると、B 水が含まれていることがわかります。
	実験で観察された、この単一レベルの粒子サイズしか予測できません。 つまり、これは次のことを示しています。
	与えられたデータセットとレバレッジを測定基準として使用すると、水を使用する場合、他の粒子サイズを予測することはできません...水タイプ B.
	したがって、正則化された T 平方が使用された GenReg と比較して、これはより厳密です。他のシナリオでは、より狭い範囲を予測できたためです。 繰り返しますが、これは 1 つが監視されておらず、この 1 つがよりモデル フォームに向けられているためです。
	ここではしきい値が 0.5 で、レバレッジを使用していたときに縮小モデルを試しましたが、モデルのフォームに依存するため、しきい値も変更されました。 したがって、モデルが小さい場合は、しきい値も小さくなります。 そしてこれが比較表。
	この特定のケースでは、レバレッジが正規化された T スクエアよりも厳密であることがわかります。
	そこで、この外挿制御機能を使用して最適化する方法に興味がありました。それが私たちのプロジェクトの目的だからです。
	これが私が得た最終的な出力です。 したがって、これはすべての入力変数を描画しており、青い点は外挿制御なしで最適化したものです。 そして、データでは観察されなかったこの点を示唆しています。
	ただし、外挿制御を検討すると、現在のトレーニング データにより近いものを示唆し、信頼性が高まります。信頼性が高まります。
	私たちが実際にできるもう1つのことは、外挿制御を使用して、または使用せずに視覚化を行うことです。 これもすぐにデモしたいと思います
	これが私が最も愛する未来だと信じているので、たとえば、私たちが...
	申し訳ありませんが、明確な視覚化のためにこれを閉じます。
	このプロファイラーを使用することにした場合...このモデルを使用することにした場合は、外挿コントロールをオンにしてから、クリックできるのはランダム テーブルの出力です。
	これが何をするかというと、モデルが外挿なしで予測できるすべての潜在的な条件を生成するということです。
	これで、5,000 回の実行があり、ここをクリックして、各パラメーターの分布またはヒストグラムを非常に簡単に確認できます。
	タイプ A をクリックすると、モデルが粒子サイズの 0 から 1 までの範囲全体を予測できることがわかります。
	タイプ C の場合も同様ですが、タイプ B の場合は、その追加により狭い範囲の粒子サイズしか予測できません...
	すみません、外挿。 したがって、これを使用すると、外挿制御を念頭に置いて実際に最適化およびシミュレートできます。
	また、このファイルから、グラフィックビルダーを使用できます
	このプロットを生成すると、外挿制御がないかどうかがわかります。色が効率、予測された効率であるすべての範囲があります。
	しかし、外挿制御では、これらすべての範囲を予測することはできません。これは、そのシミュレーション関数に基づく非常に優れた視覚化です。
	最後の質問は、これらの空間を本当に推定したい場合はどうするかということです。 そのためには、モデルが範囲全体を予測できるように、データを修正するか、データを拡張する必要があります。 これで、JMP の機能の一部でもあるデータ拡張を行うことができます。
	拡張設計では、新しいブロック変数を追加して、新しいランを分離し、ブロック 2 にグループ化することができます。
	また、推定したいモデル項を定義することもできます。 ここで、双方向の交互作用をすべて推定したいと思います。
	そして、これは拡張された実行の視覚化です。赤い点はすべての拡張された実行であり、データを
	水のタイプがタイプ B の場合の粒子サイズの高低は、すべての項を推定でき、共線性の問題はもうありません。 また、プロファイラーでも、タイプ B の場合、範囲全体を予測できることがわかります。
	いくつかの要点。 入力変数間に依存関係がある場合や、推定できないが推定したい他の項がある場合など、外挿の多くのソースが存在する可能性があります。
	モデルに含まれます。 予測モデリングの世界では、機械学習も同様です。 サニティチェックであるため、外挿制御を考慮する必要があります
	予測の世界では、JMP 16 Pro のおかげで、この機能により非常に使いやすくなりました。 また、データセットの構造がモデルの使いやすさにどのように影響するかを示すのは非常に簡単です。 そう
	したがって、私はこれを作成し、より広いコミュニティと共有して、この機能がどれほど役立つかを実際に示したいと思います. 以上が私のプレゼンテーションです。 ここに参照といくつかの免責事項があります。
ジョシュ・スタントン	偉大な。
トン・シンジェ	それは大丈夫ですか。
ジョシュ・スタントン	ありがとう、それは最高でした I love I.
	彼らのプロフィールで予測者を見るのが大好き.
	プロフィール。
	彼は滞りなく出発したという素晴らしい仕事でした。
トン・シンジェ	ありがとう、ありがとう、そうじゃないことを願うよ。
	初心者向けなので、複雑なことはあまりありません。
ジョシュ・スタントン	それは私のようでした、あなたはそれが少し前進することを知っていますが、それは素晴らしいアイデアではありませんでした.彼はデザインを増強することについて話し始めました.
	それか。
	はい、それは私が言ったように、私たちがこれを編集するのはほとんどそれです.あなたは表と裏を知っています.すぐにそこにいてください。
	これを共有するために時間と労力を割いていただき、重ねてお礼申し上げます。
	私たちのコミュニティで。
トン・シンジェ	ええ、もちろん。
	うん、いいですね。
ジョシュ・スタントン	さて、気をつけてください。近いうちに、これらのイベントのいずれかでお会いできることを願っています。
トン・シンジェ	うん。
	ありがとうございます、楽しみにしています。
	機会を下さりありがとうございます。
ジョシュ・スタントン	ええ、ありがとうございます。
トン・シンジェ	さようなら、良い一日を。
	あなたも。

起こるDOE統計とモデリング