398682_zh-TW

liliconcom

利用 JMP® Pro 16 中的外推控制功能優化現實世界的採礦過程 (2021-US-30MP-844)

級別：初學者

 

陶新傑，高級研究統計師，陶氏

 

該案例研究旨在評估 12 種類型的起泡劑在採礦中礦物回收方面的表現。 除起泡劑類型外，輸入變量還包括作為連續變量的粒度（編碼值：0、0.35、1）和作為分類變量的水類型（A型、B型、C型）。 響應變量是礦物回收效率。

使用預測刻畫器中的外推控制功能，當基於正則化 T 平方度量的粒度 = 1 時，觀察到 B 型水的可能外推。 這種推斷是由 DOE 中的不平衡引起的，其中 B 型水的測量僅在粒徑 = 0.35 時進行。 開啟外推控制以優化礦物回收效率以獲得可靠的最優解。

當 DOE 被擴大到更加平衡時，外推問題就消失了。 外推控制功能提供了關於如何增強不平衡 DOE 可以在很大程度上提高預測模型的可用性的即時理解。

 

 

自動生成的成績單...

 

揚聲器	成績單
喬什·斯湯頓	你好。
新街通	嗨喬希。
喬什·斯湯頓	嗨，這很有趣。
新街通	對很好。
喬什·斯湯頓	嗯，謝謝你同意這樣做我很高興聽到你的演講。
新街通	謝謝，那我們如何開始。
	或任何其他事情，在我們開始之前。
喬什·斯湯頓	是的，這只是一個快速清單，我只是想通過所以如果你有的話。
	你的我是你的手機，它仍然處於開啟狀態。
新街通	嗯，是的。
喬什·斯湯頓	是的，有一個。
新街通	很好的提醒謝謝。
喬什·斯湯頓	很快我就得到一個口頭確認，你知道這是什麼記錄，就像你理解這是為 JMP 發現峰會記錄的一樣。
	會議，您將在工作用戶社區中公開授予此錄製和使用的權限。
	是的，是的，很好。
	形式他們很棒而且。
	我喜歡你的背景，一切看起來都很好，我猜你有沒有你知道你的顯示器是否設置在 1920 乘以 10 at。
新街通	我其實沒有。
	清楚地知道。
新街通	顯示設置真快。
	我在我們認為看到 119 20 乘以 1080。
喬什·斯湯頓	哦完美。
新街通	耶，好樣的。
喬什·斯湯頓	是的，這很完美，您將要使用外推控制功能和 JMP pro 16 優化的獎勵挖掘過程 2021 us 30 MP。
	太好了，所以我要去。
	你想看看你是否可以開始演示，只是讓你的幻燈片繼續下去。
	如果從您的角度來看一切都很好，我將停止我的視頻靜音並將其傳遞給您。
新街通	所以我們可以快速嘗試，也可以。
喬什·斯湯頓	如果你想介紹，我可以確定。
	我們可以看到你的幻燈片。
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，所以我可能會做一些演示，我不太可能。
	我需要做一些演示所以當我這樣做時，我可能會這樣做，可以，然後回到幻燈片。
喬什·斯湯頓	沒錯，就是這樣。
	而且您知道我們不會在視頻中進行任何編輯，會刪掉您知道的部分內容。
	但是，如果你犯了錯誤，你就會知道。
	你知道只是試著保持。
	有點滾動它我們都是人類在這裡犯錯是可以的。
	如果你認為你知道，但如果你真的認為這是你想看到的災難性事件。
	現在你可以了。
	我們可以我們可以我們可以重新開始，這不是什麼大不了的事，但是是的，但不要讓一個小錯誤來打擾你，只是保持。
	你他會的。
	是啊。
新街通	我認為演示文稿大約需要 20 分鐘。
	好吧，就是這樣。
	要求之類的。
喬什·斯湯頓	你知道我不確定每個人都有點不同，但你知道我不知道。
	是的，不要太擔心時間，這些都是更多的指導方針，只是試著讓你知道。
	好的，丹，把你的研究拿出來，我們會沒事的。
新街通	好吧聽起來不錯，所以如果是這樣的話，我可能會開始介紹。
喬什·斯湯頓	是的，所以我會開始我的視頻，然後是的，他想花一點時間，或者你可以隨時開始，只要你準備好了。
新街通	哦，我不需要做任何生產是對的或。
喬什·斯湯頓	不，你能不能給它，你可以說你知道說出你的名字，你知道你將要經歷什麼。
	有點滾進去。
新街通	好吧好吧。
喬什·斯湯頓	好的，好的，我會關掉相機，然後去，但祝你好運，謝謝。
新街通	謝謝你。
	所以，我的名字是 Xinjie Tong，我的演講是關於我們如何在現實世界的採礦問題中利用 JMP Pro 16 中的外推控制功能，我們試圖優化採礦過程中的礦物去除效率。
	因此，我將介紹一個關於挖掘過程的案例研究，然後我們將進一步探討也提到的外推控制指標，我們如何在考慮外推的情況下進行優化，以及使用 DOE 增強如何潛在地處理外推問題。
	這是一張幻燈片，介紹了目前在 JMP 16 Pro 中使用的外推控制指標，所有這些信息都來自 JMP 社區的視頻。
	由 SAS 製作，您可以在底部找到參考，因此 JMP 中使用了兩個主要指標。
	一種是槓桿，用於線性平台，特別是當我們擬合最小二乘時。 還有另一種
	度量稱為正則化 Hotelling 的 T 平方，現在在非線性平台上實現，例如 GenReg，神經偏最小二乘。 所以對於槓桿，
	它是訓練數據的設計矩陣以及預測點的函數。 所以它取決於模型形式。 同樣對於線性模型，它與預測方差成正比。
	但不同的是，對於正則化 t 平方，它是一個無監督版本，因此它不是任何形式的模型的函數。
	這是我從該視頻中竊取的方程式。
	這也是來自該視頻的示例，以顯示當您考慮外推時優化如何不同。
	所以這裡有一個例子，我們有三個輸入變量，正如我們在這裡看到的，MaxPulse 和 RunPulse 具有很強的正相關性。
	如果我們不考慮外推控制，模型會告訴我們藍點是最優的。 但是，它不服從訓練數據中的關係，所以不是很
	可靠的。該模型是外推的。 但是如果我們打開外推控制，它會提示這個紅點，現在更現實了。 因此，它確實展示了外推控制如何真正有助於決策並避免不切實際的預測。
	那麼現在，我將談談我在陶氏工作期間遇到的案例研究。 因此，本案例研究是關於採礦過程的，我們的目標是優化採礦條件以提高礦物去除效率。
	我們在這個數據集中有 120 行，我們有三個輸入變量和一個輸出變量。
	對於輸入變量，我們有水類型，這是一個具有三個級別的分類變量，所以我將它們編碼為 A、B 和 C 類型。
	我們還使用了 12 種類型的起泡劑，它們也是分類的。 我們有一個數值變量，即粒度，我將它們編碼為 0、1 和 0.35。
	這裡輸出的是去除效率，它是一個介於 0 和 1 之間的值，並且這裡的所有值都經過編碼以保護實際信息。
	所以這個數據集的問題是由於設計階段實際上存在一些共線性。 因此，如果我們可以查看這個圖形構建器，我們就可以非常輕鬆地使用圖形構建器來可視化數據結構，它是 JMP 中的一個平台。
	所以在這裡，我使用起泡劑類型作為包裝，所以每個框都指一種類型的起泡劑，然後我們在 Y 軸上查看顆粒大小，在 X 軸上查看水的類型。
	所以這裡的問題是當我們有 B 型水時，我們只會有一個級別的粒徑，即在中間級別，所以當我們嘗試估計粒徑時存在共線性
	並與B型交互。所以在這種情況下它是不可估量的。
	由於這種不平衡或某些依賴性，我們將遇到外推問題，而這正是外推控制功能可以真正幫助我們防止由於數據集不完善而導致的任何風險的地方。
	因此，我繼續構建模型並在 JMP 中使用不同的平台，這是為了比較指標以及它們如何潛在地影響我們的決策。
	在我擬合任何模型之前，我通常會開始這個評估設計，它們是……這是 JMP 的功能之一。 所以這個平台讓我們問明白，
	給定一個數據集，可以從數據集中估計出哪些術語。 我將對此做一個快速演示。 所以這是我的數據集。 所以我有三個輸入變量和一個輸出變量。 我們能做的就是去能源部，
	設計診斷和評估設計。 所以在這裡，Y 響應是可選的，所以我將我的三個輸入拖到這裡，單擊確定。
	現在它告訴我，如果我只考慮主要影響，它能夠估計那些，我可以查看我的診斷，例如你在整個空間內的預測方差......設計空間以及一些診斷。
	但是，我確實想估計雙向交互所以如果我點擊雙向交互，
	出現此警報，它告訴我此數據集無法適合所有雙向交互項，並且無法估計的項已被刪除。
	如果我們看這裡，我們確實注意到水的類型和特定大小之間的相互作用已被刪除，這是由於我剛才提到的共線性問題。
	因此，如果我們在這裡檢查，這些診斷信息已根據這組新的模型術語進行了更新。 所以現在我知道了
	由於共線性，我無法估計所有項，所以我只能從模型可以擬合的這些項開始。 然後我會回到我的幻燈片。 所以我將開始構建模型。
	所以我安裝的第一個模型是在 GenReg 平台內。 原因是我的反應，這是一種效率。 這是一個介於 0 和 1 之間的值，我通常會考慮 beta 分佈，這只能在這個 GenReg 中實現。
	然而，在我們的例子中，雖然它在零和一之間，但分佈更像正態分佈，在零和一附近沒有高頻，這使得使用正態分佈存在問題。
	所以我所做的是我在這個 GenReg 中的模型中嘗試了 beta 和 normal。 我還嘗試了完整模型和模型縮減的各種方法。 所以
	我比較了 AICc 和 BIC，我意識到我可以使用正態分佈，並且與完整模型相比，Lasso 縮減方法提供了更小的 AICc 或 BIC。 這可能是我將繼續前進的那個。
	但是現在我們可以使用正態分佈，我意識到我們實際上可以擬合相同的模型，但在不同的平台上。
	所以接下來我做的是一個使用過的擬合最小二乘，它是 JMP 中的一個線性平台，我在那裡擬合了相同的模型。
	但是現在它允許我做的是使用槓桿作為外推控制指標，而在 GenReg 中，它使用的是正則化的 Hotelling 的 T 平方。 所以現在，我可以比較這兩個指標的真正對比或相似程度。
	所以現在我們要進行指標比較和一些結果。 所以這是我的地圖，所以我從相同的完整模型開始。
	我在 GenReg 中擬合模型，並在他們使用不同指標的地方擬合最小二乘。 除了比較指標之外，我還想看看我是使用完整模型還是通過更改模型形式來減少模型，這對指標的性能有何影響？
	所以在這裡我將做另一個演示，我們還可以看到我們如何在分析器中使用外推控制功能。 所以我將從這個 GenReg 開始，它是同一個腳本。
	就這樣，您...有關信息，我將單擊模型對話。 所以這是建立模型的地方。 因此 Y 的效率，這些術語在評估設計中定義並使用 beta 或正常。
	然後點擊運行。 所以我保存了兩個模型。 第一個是帶有模型縮減的正態分佈。 第二個是完整模型的正態分佈。 所以如果我們首先從一個完整的模型開始，我們可以做的是，我們點擊這裡打開分析器。
	在探查器中，
	這裡的新功能是，我們現在可以單擊外推控制，我們可以關閉警告。
	所以現在沒有細節，所以如果我想看細節，我需要快速推斷細節
	它向我們展示了指標中的閾值。 因此，如果我們可以沿著粒子大小移動並且度量正在發生變化，但它們在閾值之內，那麼就沒有警告。
	但是，如果我們轉到存在共線性的 B 型，我們確實會在非常高的粒徑或非常小的粒徑下看到這種可能的外推警告。
	我們可以做的另一件事是，我們可以直接打開外推控制，而不是打開警告。 它的作用是只顯示沒有外推的範圍。
	所以，現在我要提一下，這裡的閾值是 16.3，如果我們擬合一個縮減模型呢？ 這是否會改變閾值以及外推區域？ 所以現在我可以轉到我的簡化模型，我可以打開我已經打開的分析器，這裡是......
	如果我點擊外推細節並打開它，我們會看到它具有相同的閾值和相同的外推範圍。 所以這裡這個正則化的 T 平方是無監督的，當我們使用完整模型與簡化模型時它不會改變。
	如果我們不使用 GenReg，而是嘗試擬合租賃平方，它是線性平台，並且可以使用槓桿進行模型外推。 所以這是我的完整模型。 我可以點擊因子分析，打開分析器。
	與此處類似，我們可以單擊外推控制並打開警告以及外推細節。
	所以這裡的閾值是不同的，因為它是根據不同的方程計算的。 和以前一樣，B型...A型和C型沒有外推，但對於B型，實際上...都有外推變暖。
	如果我將其設置為 0.35，這是唯一沒有外推的點。 為了更清楚地表明這一點，我可以打開我的外推控制，然後你會看到那個有 B 水的，
	它只能預測在實驗中觀察到的這一單一級別的粒度。 所以這告訴我們，
	給定數據集並使用槓桿作為衡量標準，當我們使用水時，我們無法預測任何其他粒徑......水 B 型。
	所以這與使用正則化 T 平方的 GenReg 相比更加嚴格，因為在另一種情況下，它能夠預測更窄的範圍。 再一次，這是因為那個是無監督的，而這個更針對模型形式。
	所以這裡我們有0.5的閾值，我在使用槓桿時確實嘗試了簡化模型，並且閾值也發生了變化，因為它取決於模型形式。 所以如果你有一個更小的模型，你就會有一個更小的閾值。 這是比較表。
	在這種特定情況下，我們確實看到槓桿比正則化的 T 平方更嚴格。
	所以現在，我對如何使用這種外推控制功能進行優化很感興趣，因為這是我們項目的目標。
	所以這是我得到的最終輸出。 所以這是繪製所有輸入變量，藍點是我在沒有任何外推控制的情況下優化的那個。 它暗示了這一點，這在數據中沒有被觀察到。
	但是，如果我們確實考慮外推控制，它表明與現在的訓練數據更相似，我們對它更有信心……信心。
	我們真正可以做的另一件事是在有或沒有外推控制的情況下進行一些可視化。 所以我其實也想很快演示一下，
	因為我相信這是我最喜歡的未來，例如，如果我們決定...
	抱歉，為了清晰的可視化，我將關閉它。
	所以如果我們可以……如果我們決定使用這個分析器……這個模型，我們可以繼續，確保我們打開外推控制，然後我們可以點擊輸出隨機表。
	它的作用是生成模型無需任何外推即可預測的所有潛在條件。
	所以現在，我有 5,000 次運行，我可以單擊此處非常輕鬆地查看每個參數的分佈或直方圖。
	如果我單擊 A 類，我們可以看到模型可以預測粒度介於 0 和 1 之間的整個範圍。
	C 型類似，但是當我們有 B 型時，由於額外的...
	對不起，外推。 所以有了這個，我們可以真正優化和模擬外推控制。
	而且，我們可以從這個文件中，我們可以使用圖形生成器
	並生成這個圖，如果我們沒有外推控制，我們可以看到所有的範圍，顏色是效率，預測效率。
	但是通過外推控制，我們無法預測所有這些範圍，這是基於該模擬功能的非常好的可視化。
	現在，我的最後一個問題是，如果我真的想估計這些空間怎麼辦？ 為了做到這一點，我們必須修復數據或擴充數據，以便模型可以預測整個範圍。 所以現在我們可以進行數據增強，這也是 JMP 能力的一部分。
	所以增強設計，我們可以做的是，我們可以添加一個新的塊變量，以便新的運行可以分開......可以分組到第二個塊中。
	此外，我們可以定義我們想要估計的模型項。 現在，我想估計所有雙向交互。
	這是增強運行的可視化，所以紅點是所有增強運行，現在因為我們將數據分配到
	水型為B型時，粒度的高低，可以估計所有項，不再存在共線性問題。 而且在分析器中，我們確實看到當我們擁有 B 型時，它能夠預測整個範圍。
	所以一些外賣。 可能有許多外推來源，例如當您在輸入變量之間存在依賴關係時，或者您有任何其他項無法估計但您想要
	包含在您的模型中。 在任何預測建模世界中也是機器學習。 我們必須考慮外推控制，因為它是健全性檢查
	對於預測世界，感謝 JMP 16 Pro，此功能使我們使用起來非常簡單。 而且很容易演示數據集的結構如何影響模型的可用性。 所以
	因此，我做了這個，我想與更廣泛的社區分享，以真正展示......這個功能有多麼有用。 這就是我的全部介紹。 這是參考和一些免責聲明。
喬什·斯湯頓	偉大的。
新街通	可以嗎。
喬什·斯湯頓	謝謝你，那太棒了，我愛我。
	喜歡在他們的個人資料中看到預測器。
	輪廓。
	現在很棒的工作就是他一帆風順。
新街通	謝謝，謝謝，我希望，不是太。
	好吧，我會說它是為初學者準備的，所以那裡沒有太多複雜性。
喬什·斯湯頓	對我來說就像是，你知道它會有一點進步，但不，那不是一個好主意，他開始談論增強設計，這絕對是下一個層次。
	那。
	是的，就是這樣，正如我所說，我們將把這種編輯剪掉，你知道正面和背面，然後它應該不確定他們什麼時候希望將它放在網站上，但它會很快就會到那裡。
	再次感謝您投入時間和精力與您分享這一點。
	與我們的社區。
新街通	嗯，當然咯。
	是的，聽起來不錯。
喬什·斯湯頓	好吧，保重，希望我們很快能在其中一個活動中見到你。
新街通	是的。
	謝謝，期待。
	謝謝你給我的機會。
喬什·斯湯頓	哦，是的，非常感謝，好的，再見。
新街通	再見，祝你有美好的一天。
	你也是。

爆發美國能源部統計和建模