398682_es-ES

liliconcom

Uso de la función de control de extrapolación en JMP® Pro 16 para optimizar el proceso de minería en el mundo real (2021-US-30MP-844)

Nivel: Principiante

 

Xinjie Tong, investigador principal en estadística, Dow

 

El estudio de caso tiene como objetivo evaluar 12 tipos de espumantes en términos de su desempeño en la recuperación de minerales en la minería. Además del tipo de espumante, las variables de entrada también incluyen el tamaño de partícula (valor codificado: 0, 0,35, 1) como variable continua y el tipo de agua (Tipo A, Tipo B, Tipo C) como variable categórica. La variable de respuesta es la eficiencia de recuperación de minerales.

Usando la función de control de extrapolación en el generador de perfiles de predicción, se observó una posible extrapolación para el tipo de agua B cuando el tamaño de partícula = 1 basado en la métrica T cuadrada regularizada. Esta extrapolación fue causada por un desequilibrio en el DOE donde la medición para Agua Tipo B solo se tomó con tamaño de partícula = 0.35. El control de extrapolación se activó en un esfuerzo por optimizar la eficiencia de recuperación de minerales para lograr soluciones óptimas confiables.

El problema de la extrapolación desapareció cuando se aumentó el DOE para que fuera más equilibrado. La función de control de extrapolación proporcionó una comprensión inmediata de cómo aumentar un DOE desequilibrado podría mejorar en gran medida la usabilidad del modelo predictivo.

 

 

Transcripción generada automáticamente...

 

Altavoz	Transcripción
jose staunton	hola.
Pinzas Xinjie	Hola Josh.
jose staunton	hola es zingy eso.
Pinzas Xinjie	Si bien.
jose staunton	Bueno, gracias por aceptar hacer esto. Estoy emocionado de escuchar su presentación.
Pinzas Xinjie	Gracias, entonces, ¿cómo podemos empezar?
	o cualquier otra cosa, antes de empezar.
jose staunton	sí, solo hay una lista de verificación rápida, solo quería revisarla. Entonces, si tiene alguna.
	Tu yo soy tu teléfono que todavía está encendido.
Pinzas Xinjie	Bueno sí.
jose staunton	sí hay un.
Pinzas Xinjie	Gran recordatorio Gracias.
jose staunton	Y solo una rápida, tengo que obtener una afirmación verbal de que sabes lo que se está grabando para que entiendas que se está grabando para la cumbre de descubrimiento de JMP.
	conferencia y estará disponible públicamente en la comunidad de usuarios del trabajo para dar permiso para esta grabación y uso.
	Sí, sí está bien bien.
	formalidad son geniales y.
	Me gusta tu fondo, todo se ve bien y supongo que lo único que hace es saber si tu pantalla está configurada en 1920 veces 10 a.
Pinzas Xinjie	Yo en realidad no lo hago.
	saber claramente.
Pinzas Xinjie	configuración de pantalla muy rápido.
	Estoy en pensamos ver 119 20 veces 1080.
jose staunton	Oh perfecto.
Pinzas Xinjie	si bien.
jose staunton	Sí, eso es perfecto y va a hacer esto, va a utilizar la función de control de extrapolación y el proceso de minería de recompensas optimizado JMP pro 16 2021 us 30 MP para for.
	Genial, así que voy a hacerlo.
	¿Quiere ver si puede comenzar a presentar? Simplemente ponga en marcha sus diapositivas y...
	Si todo se ve bien desde su lado, detendré mi video, lo silenciaré y simplemente se lo pasaré.
Pinzas Xinjie	Entonces, podemos intentarlo muy rápido, está bien.
jose staunton	Si quieres presentarme ya podría asegurarme.
	Podemos ver sus diapositivas.
Pinzas Xinjie	sí, um, así que primero necesito compartir mi pantalla.
	sí.
Pinzas Xinjie	Y ves mi pantalla.
	sí, está bien, así que probablemente haré alguna DEMO en No estoy probablemente.
	Necesito hacer una DEMOSTRACIÓN Entonces, cuando lo haga, tal vez solo haga esto, está bien, y luego volveré a las diapositivas.
jose staunton	Exacto, sí, eso es que está bien.
	Y sabes que no se realizará ninguna edición dentro del video, se eliminará parte de él que sabes.
	Pero para que sepas si te equivocas si.
	Ya sabes, solo trata de mantener.
	como rodando a través de él, todos somos humanos aquí, está bien cometer un error.
	Si crees que lo sabes, pero si realmente crees que fue en una cosa catastrófica que te gustaría ver.
	Ahora puedes simplemente.
	Podemos, podemos, podemos empezar de nuevo, no es un gran problema, pero sí, pero no permitas que un pequeño error te moleste, solo mantenlo.
	tú lo serás.
	sí, sí.
Pinzas Xinjie	Y creo que son unos 20 minutos justo la presentación.
	Está bien, es eso.
	Los requisitos como.
jose staunton	Sabes que no estoy seguro de que todos sean un poco diferentes, pero sabes que no.
	sí, no te preocupes demasiado por el tiempo, esas son más pautas, solo intenta que lo sepas.
	De acuerdo, Dan, saca lo que investigas y estaremos bien para verlo.
Pinzas Xinjie	Está bien, suena bien, así que si ese es el caso, tal vez comience a presentar.
jose staunton	sí, así que lo haré. Comenzaré mi video y luego, sí, quería tomarse un minuto o puedes comenzar cuando estés listo.
Pinzas Xinjie	Oh, no necesito hacer ninguna producción, ¿verdad?
jose staunton	No, podrías simplemente darlo, podrías decir que sabes decir tu nombre, y sabes por lo que vas a estar pasando y.
	tipo de rollo en él.
Pinzas Xinjie	Bien bien.
jose staunton	Vale, está bien, voy a apagar la cámara y seguir contigo, pero buena suerte, gracias.
Pinzas Xinjie	Gracias.
	Entonces, mi nombre es Xinjie Tong y mi presentación trata sobre cómo utilizamos la función de control de extrapolación en JMP Pro 16 en un problema de minería del mundo real, en el que intentábamos optimizar la eficiencia de eliminación de minerales en el proceso de minería.
	Entonces, presentaré un estudio de caso sobre el proceso de minería, y luego exploraremos un poco más sobre la métrica de control de extrapolación que también se menciona, cómo optimizamos con la extrapolación en mente y cómo el uso del aumento DOE puede tratar potencialmente el problema de extrapolación.
	Aquí hay una diapositiva que presenta la métrica de control de extrapolación que se usa actualmente en JMP 16 Pro y toda esta información proviene del video en la comunidad JMP.
	hecho por SAS, como puede encontrar la referencia en la parte inferior, por lo que hay dos métricas principales que se utilizan en JMP.
	Uno es el apalancamiento, que se utiliza en plataforma lineal, específicamente cuando ajustamos mínimos cuadrados. Hay otro
	métrica llamada T cuadrada de Hotelling regularizada, que ahora se implementa en una plataforma no lineal, como GenReg, mínimos cuadrados parciales neurales. Así que para el apalancamiento,
	es una función de la matriz de diseño de los datos de entrenamiento, así como del punto de predicción. Así que depende de la forma del modelo. También para un modelo lineal, es proporcional a la varianza de predicción.
	Pero de manera diferente, para el cuadrado t regularizado, es una versión no supervisada, por lo que no es una función de ninguna forma del modelo.
	Y aquí está la ecuación que me robo de ese video.
	Este es el ejemplo que también proviene de ese video para mostrar cómo la optimización puede diferir cuando tiene en mente la extrapolación.
	Así que aquí hay un ejemplo en el que tenemos tres variables de entrada y, como podemos ver aquí, MaxPulse y RunPulse tienen una fuerte correlación positiva.
	Si no consideramos el control de extrapolación, el modelo nos dirá que el punto azul es el óptimo. Sin embargo, no obedece a la relación en los datos de entrenamiento, por lo que no es muy
	de confianza. El modelo está extrapolando. Pero si activamos el control de extrapolación, nos sugerirá este punto rojo, que ahora es más realista. Por lo tanto, demuestra cómo el control de extrapolación realmente puede ayudar con la toma de decisiones y evitar predicciones poco realistas.
	Entonces, ahora hablaré sobre el caso de estudio que encontré durante mi empleo en Dow. Entonces, este estudio de caso trata sobre el proceso de extracción y nuestro objetivo era optimizar las condiciones de extracción para mejorar la eficiencia de la eliminación de minerales.
	Tenemos 120 filas en este conjunto de datos y tenemos tres variables de entrada y una variable de salida.
	Para la variable de entrada, tenemos el tipo de agua, que es una variable categórica con tres niveles, así que los codifiqué en Tipo A, B y C.
	También tenemos 12 tipos de espumantes que se usaron, y también son categóricos. Tenemos una variable numérica, que es el tamaño de las partículas y las codifiqué en 0, 1 y también .35.
	Aquí el resultado es la eficiencia de eliminación, que es un valor entre cero y uno, y todos los valores aquí están codificados para proteger la información real.
	Entonces, el problema con este conjunto de datos es que en realidad existe cierta colinealidad debido a la etapa de diseño. Entonces, si podemos mirar este generador de gráficos, hemos visualizado muy fácilmente la estructura de datos usando el generador de gráficos, que es una plataforma en JMP.
	Así que aquí, estaba usando el tipo de espumante como envoltorio, por lo que cada cuadro se refiere a un tipo de espumante y luego estamos viendo el tamaño de partícula en el eje Y y el tipo de agua en el eje X.
	Así que aquí, el problema es que cuando tenemos agua tipo B, solo tendremos un nivel de tamaño de partícula, que está en el nivel medio, por lo que la colinealidad existe cuando tratamos de estimar el tamaño de partícula.
	e interactuando con el Tipo B. Así que no es estimable en este caso.
	Debido a este desequilibrio o alguna dependencia, tendremos un problema de extrapolación, y aquí es donde la función de control de extrapolación realmente puede ayudarnos a prevenir cualquier riesgo debido a este conjunto de datos imperfecto.
	Entonces, seguí adelante y construí el modelo y usé diferentes plataformas en JMP, y esto es para comparar las métricas y cómo pueden afectar potencialmente nuestra toma de decisiones.
	Antes de ajustar cualquier modelo, generalmente comenzaré con este diseño de evaluación, que son... que es una de las capacidades de JMP. Entonces esta plataforma nos permite preguntar para entender,
	dado un conjunto de datos, ¿cuáles son los términos que se pueden estimar a partir del conjunto de datos? Y haré una demostración rápida sobre esto. Así que aquí está mi conjunto de datos. Así que tengo tres variables de entrada y una variable de salida. Lo que podemos hacer es ir al DOE,
	diseñar diagnósticos y evaluar el diseño. Así que aquí, la respuesta Y es opcional, así que arrastraré mis tres entradas aquí, haré clic en Aceptar.
	Y ahora me dice que si solo estoy considerando los efectos principales, puede estimarlos y puedo ver mis diagnósticos, como la varianza de su predicción dentro de todo el espacio... espacio de diseño y también algunos diagnósticos.
	Sin embargo, quiero estimar las interacciones bidireccionales Entonces, si hago clic en interacciones bidireccionales,
	aparece esta alerta y me dice que este conjunto de datos no puede ajustarse a todos los términos de interacción bidireccional y que se han eliminado los términos que no se pueden estimar.
	Y si miramos aquí, notamos que la interacción entre el tipo de agua y el tamaño particular se ha eliminado y eso se debe al problema de colinealidad que acabo de mencionar.
	Entonces, si marcamos aquí, estos diagnósticos se han actualizado, en función de este nuevo conjunto de términos del modelo. Así que ahora sé que
	debido a la colinealidad, no puedo estimar todos los términos, así que solo puedo comenzar con estos términos que el modelo puede ajustar. Luego volveré a mis diapositivas. Así que voy a empezar a construir el modelo.
	Así que el primer modelo que instalé estaba dentro de la plataforma GenReg. La razón es que mi respuesta, que es una eficiencia. Es un valor entre cero y uno y generalmente pensaré en la distribución beta, que solo se puede realizar en este GenReg.
	Sin embargo, en nuestro caso, aunque está entre cero y uno, la distribución se parece más a la normal, y no hay alta frecuencia cerca de cero o uno, lo que dificulta el uso de la distribución normal.
	Entonces, lo que hice fue probar tanto beta como normal en mi modelo que se ajustaba a este GenReg. También probé el modelo completo y los diversos métodos para la reducción del modelo. Asi que
	Comparé el AICc y el BIC, y me di cuenta de que podría estar usando una distribución normal y la metodología de reducción de Lasso proporciona un AICc o BIC más pequeño en comparación con el modelo completo. Ese es probablemente el que seguiré adelante.
	Pero ahora que podemos usar la distribución normal, me di cuenta de que en realidad podemos adaptar el mismo modelo, pero en plataformas diferentes.
	Entonces, lo siguiente que hice fue un mínimo cuadrado de ajuste usado, que es una plataforma lineal en JMP y encajé el mismo modelo allí.
	Pero ahora lo que me permite hacer es usar el apalancamiento como la métrica de control de extrapolación, mientras que, en GenReg, estaba usando el cuadrado T de Hotelling regularizado. Así que ahora puedo comparar cómo estas dos métricas realmente contrastan o qué tan similares son.
	Así que ahora vamos a la comparación de métricas y algunos resultados. Así que aquí está mi mapa, así que comencé con el mismo modelo completo.
	Y ajusté el modelo dentro de GenReg y ajusté los mínimos cuadrados donde estaban usando diferentes métricas. Y además de comparar las métricas, también quería ver si usaba un modelo completo versus un modelo reducido al cambiar la forma del modelo, ¿cómo cambia eso el rendimiento de las métricas?
	Así que aquí es donde haré otra demostración, y también podemos ver cómo podemos usar la función de control de extrapolación en un generador de perfiles. Entonces comenzaré con este GenReg, que es el mismo script.
	Solo para que usted... para obtener información, haré clic en el diálogo del modelo. Así que aquí es donde se configuró el modelo. Entonces eficiencia para Y, estos términos que fueron definidos en el diseño de evaluación y usando beta o normal.
	Y luego haga clic en ejecutar. Así que guardé dos modelos. La primera es la distribución normal con modelo de reducción. La segunda es la distribución normal con modelo completo. Entonces, si primero comenzamos con un modelo completo, lo que podemos hacer es hacer clic aquí para activar el generador de perfiles.
	Y en perfilador,
	lo nuevo aquí es que ahora podemos hacer clic en el control de extrapolación y podemos desactivar la advertencia.
	Así que ahora no hay detalles, así que si quisiera ver los detalles, necesito una extrapolación rápida de los detalles.
	y nos muestra el umbral en la métrica. Entonces, si podemos movernos a lo largo del tamaño de partícula y la métrica está cambiando, pero están dentro del umbral, entonces no hay advertencia.
	Pero si vamos al Tipo B donde existe esa colinealidad, vemos esta posible advertencia de extrapolación a un tamaño de partícula muy alto o a un tamaño de partícula muy pequeño.
	Otra cosa que podemos hacer es, en lugar de activar la advertencia, podemos activar directamente el control de extrapolación. Y lo que hace es que solo muestra el rango donde no hay extrapolación.
	Entonces, y ahora quiero mencionar que el umbral aquí es 16.3, ¿y si ajustamos un modelo reducido? ¿Eso cambia el umbral y también la región de extrapolación? Así que ahora puedo ir a mi modelo reducido, y puedo encender mi generador de perfiles que ya encendí, y aquí está...
	si hago clic en detalles de extrapolación y lo activo, veremos que tiene el mismo umbral y el mismo rango de extrapolación. Así que aquí este cuadrado T regularizado no está supervisado y no cambia cuando usamos un modelo completo versus un modelo reducido.
	Y si nosotros, en lugar de usar GenReg, probemos los cuadrados de arrendamiento de ajuste, que es una plataforma lineal y el apalancamiento se puede usar para la extrapolación del modelo. Así que aquí está mi modelo completo. Puedo hacer clic en el perfilado de factores, activar el generador de perfiles.
	De manera similar aquí, podemos hacer clic en el control de extrapolación y activar la advertencia y también los detalles de extrapolación.
	Así que aquí el umbral es diferente porque se calculó en base a una ecuación diferente. Tan similar como antes, el Tipo B... Los Tipos A y C no tienen extrapolación, pero para el Tipo B, en realidad es... todo tiene el calentamiento por extrapolación.
	Y si configuro esto en .35, este es el único punto en el que no hay extrapolación. Para mostrar eso más claramente, puedo encender mi control de extrapolación y luego verían el que tenía agua B,
	solo puede predecir este nivel único de tamaño de partícula, que se observó en el experimento. Así que esto nos está diciendo que,
	dado el conjunto de datos y usando el apalancamiento como métrica, no podemos predecir ningún otro tamaño de partícula cuando usamos agua... agua Tipo B.
	Entonces, en comparación con GenReg, donde se usó el cuadrado T regularizado, es más estricto, porque en el otro escenario, fue capaz de predecir un rango más estrecho. Y nuevamente, esto se debe a que ese no está supervisado y este está más dirigido hacia la forma modelo.
	Así que aquí tenemos un umbral de 0,5 y probé el modelo reducido cuando estaba usando apalancamiento, y el umbral también se cambió porque depende de la forma del modelo. Entonces, si tiene un modelo más pequeño, tendrá un umbral más pequeño. Y esta es la tabla de comparación.
	En este caso específico, vemos que el apalancamiento es más estricto que el T Square regularizado.
	Ahora, estaba interesado en cómo podemos optimizar con esta función de control de extrapolación, porque ese es el objetivo de nuestro proyecto.
	Así que aquí está el resultado final que obtuve. Esto es dibujar todas las variables de entrada y el punto azul es el que optimicé sin ningún control de extrapolación. Y está sugiriendo este punto, que no se observó en los datos.
	Sin embargo, si consideramos el control de extrapolación, sugiere algo que es más similar a los datos de entrenamiento que son ahora, tenemos más confianza... confianza en ellos.
	Otra cosa que realmente podemos hacer es hacer una visualización con y sin control de extrapolación. Así que en realidad quiero hacer una demostración de esto también muy rápido,
	porque creo que este es el futuro que más amo es, por ejemplo, si decidimos...
	Lo siento, cerraré esto para una visualización clara.
	Entonces, si podemos... si decidimos usar este generador de perfiles... este modelo, podemos seguir adelante y asegurarnos de activar el control de extrapolación, y luego podemos hacer clic en la tabla aleatoria de salida.
	Y lo que esto hace es generar todas las condiciones potenciales que el modelo puede predecir sin ninguna extrapolación.
	Así que ahora tengo 5000 ejecuciones y puedo hacer clic aquí para ver muy fácilmente la distribución o los histogramas de cada parámetro.
	Si hago clic en Tipo A, podemos ver que el modelo puede predecir todo el rango entre cero y uno para el tamaño de partícula.
	Similar para el tipo C, pero cuando tenemos el tipo B, solo puede predecir un rango estrecho de tamaño de partícula debido a ese extra...
	perdón, extrapolación. Entonces, con este, realmente podemos optimizar y simular con el control de extrapolación en mente.
	Y también, podemos desde este archivo, podemos usar el constructor gráfico
	y generar esta gráfica, donde podemos ver si no tenemos control de extrapolación, tenemos todos los rangos con el color siendo la eficiencia, la eficiencia pronosticada.
	Pero con el control de extrapolación, no podemos predecir todos estos rangos y esa es una muy buena visualización basada en esa función de simulación.
	Y ahora, mi última pregunta sería, ¿y si realmente quiero estimar estos espacios? Para hacer eso, tenemos que corregir los datos o aumentar los datos para que el modelo pueda predecir todo el rango. Así que ahora podemos aumentar los datos, que también es parte de la capacidad de JMP.
	Entonces, diseño aumentado, lo que podemos hacer es agregar una nueva variable de bloque para que las nuevas ejecuciones puedan separarse... pueden agruparse en un bloque dos.
	Además, podemos definir los términos del modelo que queremos estimar. Ahora, quiero estimar todas las interacciones bidireccionales.
	Y aquí hay una visualización de las ejecuciones aumentadas, por lo que los puntos rojos son todas las ejecuciones aumentadas y ahora que estamos asignando los datos a
	alto y bajo del tamaño de partícula cuando el tipo de agua es tipo B, es capaz de estimar todos los términos y ya no hay problema de colinealidad. Y también en el generador de perfiles, vemos que cuando tenemos el Tipo B, puede predecir todo el rango.
	Así que algunas conclusiones. Puede haber muchas fuentes de extrapolación, como cuando tiene dependencia entre las variables de entrada, o tiene cualquier otro término que no puede estimar pero desea
	incluirse en su modelo. En cualquier mundo de modelado predictivo también está el aprendizaje automático. Tenemos que tener en cuenta el control de extrapolación porque es el control de cordura
	para el mundo predictivo, y gracias a JMP 16 Pro, esta función nos facilita mucho su uso. Y también es muy fácil demostrar cómo la estructura del conjunto de datos puede afectar la usabilidad del modelo. Asi que
	por lo tanto, hice este y quiero compartirlo con la comunidad en general para demostrar realmente lo útil que es esta característica. Y esa es toda mi presentación. Aquí está la referencia y un descargo de responsabilidad.
jose staunton	Excelente.
Pinzas Xinjie	¿Está bien?
jose staunton	Gracias, eso fue genial, me encanta.
	Me encanta ver el predictor en su perfil.
	perfil.
	Ahora gran trabajo que fue que se fue sin problemas.
Pinzas Xinjie	Gracias, gracias, espero, que no sea demasiado.
	Bueno, yo diría que es para principiantes, así que no hay mucha complejidad ahí.
jose staunton	Eso fue como para mí, sabes que avanzará un poco, pero no, eso no fue una gran idea, comenzó a hablar sobre aumentar los diseños, definitivamente es el siguiente nivel, así que.
	Que.
	Sí, eso es más o menos, como dije, cortaremos este tipo de Edición, ya sabes el anverso y el reverso, y luego no debería estar seguro de cuándo esperan tenerlo en el sitio web, pero lo hará. estar allí en breve y.
	Gracias nuevamente por dedicar tiempo y esfuerzo para compartir esto.
	Con nuestra Comunidad.
Pinzas Xinjie	sí, por supuesto.
	si suena bien.
jose staunton	Muy bien, cuídate y, con suerte, pronto nos encontraremos contigo en uno de estos eventos.
Pinzas Xinjie	sí.
	Gracias, espero con ansias.
	Gracias por la oportunidad.
jose staunton	Oh sí, muchas gracias, de acuerdo, adiós.
Pinzas Xinjie	Adiós, qué tengas un buen día.
	Tú también.

FugarseGAMAEstadística y Modelado