398682_ja-JP

liliconcom

JMP® Pro 16 の外挿制御機能を利用して現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: 初級者

 

Xinjie Tong、ダウ社上級調査統計家

 

このケーススタディは、鉱山における鉱物回収におけるパフォーマンスの観点から 12 種類の泡立て器を評価することを目的としています。 入力変数には、泡立て器の種類に加えて、連続変数として粒子サイズ (コード値: 0、0.35、1)、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すると、粒子サイズ = 1 の場合、正則化 T 二乗メトリックに基づいて水タイプ B の外挿の可能性が観察されました。 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。 信頼性の高い最適なソリューションを実現するためにミネラル回収効率を最適化するために、外挿制御がオンになりました。

DOE がよりバランスがとれるように強化されたとき、外挿の問題は解消されました。 外挿制御機能により、不均衡な DOE を増強することで予測モデルの使いやすさがどのように大幅に向上するかが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・シンジエ	こんにちは、ジョシュ。
ジョシュ・スタントン	こんにちは、それは刺激的です。
トン・シンジエ	いいね。
ジョシュ・スタントン	ご同意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を楽しみにしています。
トン・シンジエ	ありがとうございます。では、どうやって始めましょうか。
	始める前に。
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。私が確認したかっただけです。もしあれば。
	あなたの私はあなたの電話です、それはまだオンになっています。
トン・シンジエ	まあ、そうだろう。
ジョシュ・スタントン	はい、あります。
トン・シンジエ	素晴らしい思い出になりました、ありがとう。
ジョシュ・スタントン	そして、これが JMP Discovery Summit のために録音されているということを理解しているように、これが何が録音されているかをある程度知っているということを口頭で確認しなければなりません。
	会議に参加すると、この記録と使用の許可をジョブ ユーザー コミュニティで公開できるようになります。
	はい、はい、大丈夫です。
	形式的には素晴らしいし、
	背景が気に入っています。すべてが見栄えが良く、唯一のことは、ディスプレイが 1920 x 10 at に設定されているかどうかを知っていることだと思います。
トン・シンジエ	実際にはそうではありません。
	はっきりと知っています。
トン・シンジエ	ディスプレイ設定は本当に簡単です。
	私は 119 の 20 倍 1080 を参照してください。
ジョシュ・スタントン	ああ、完璧だ。
トン・シンジエ	うん、いいよ。
ジョシュ・スタントン	はい、これで完璧です。これから行うことは、外挿制御機能と JMP プロ 16 で最適化された報酬マイニング プロセス 2021 を利用して、30 MP を取得することです。
	わかりました、それで行きます。
	スライドを作成するだけで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。
	あなたから見てすべてがうまくいっているようであれば、私のビデオをミュートにするのをやめて、あなたにそのまま渡します。
トン・シンジエ	それで、本当にすぐに試してみることができますか？
ジョシュ・スタントン	もしあなたがプレゼンテーションをしたいのであれば、私が確認することができます。
	あなたのスライドをご覧いただけます。
トン・シンジエ	はい、それではまず画面を共有する必要があります。
	うん。
トン・シンジエ	そして、私の画面が見えます。
	はい、それでは、おそらくデモを行うつもりです。おそらくそうではありません。
	デモを行う必要があるので、デモを行ったら、これを実行するだけでよろしいでしょうか。その後、スライドに戻ります。
ジョシュ・スタントン	そうですね、それでいいのです。
	そして、ご存知のとおり、ビデオ内でその一部が切り取られるような編集は行われません。
	しかし、もしあなたが間違いを犯した場合は、それがわかります。
	ただ維持してみてください。
	ここでは私たちは皆人間なので、間違いを犯しても大丈夫です。
	知っていると思っているなら、でも本当にそれが壊滅的な事態に陥ったと思っているなら、見てみたいと思うでしょう。
	今ならそれが可能です。
	できるよ、やり直せるよ、大したことではないけど、でも、ちょっとしたミスで迷惑をかけるのはやめてほしい。
	あなたもそうなるでしょう。
	ええ、ええ。
トン・シンジエ	プレゼンテーションまでは 20 分ほどだと思います。
	わかりました、そうです。
	といった要件です。
ジョシュ・スタントン	みんなが少しずつ違うかどうかはわかりませんが、私は違います。
	はい、時間についてはあまり心配しないでください。これらは一種のガイドラインです。知っておくようにしてください。
	わかった、ダン、調べたものを出してくれ、私たちはそれを見ても大丈夫だ。
トン・シンジエ	それはいいですね。そうであれば、私は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	はい、それでは私がビデオを開始します。そして、はい、彼は少し時間を取ってほしいと言いました。そうでなければ、準備ができたらいつでも始めてください。
トン・シンジエ	ああ、演出しなくてもいいのか、それとも。
ジョシュ・スタントン	いいえ、それを言っていただけますか、自分の名前を言って、自分がこれから何を経験するか知っていると言えますか。
	一種の転がり込み。
トン・シンジエ	わかった、わかった。
ジョシュ・スタントン	分かった、分かった、カメラをオフにして君のところへ行くけど、頑張ってね、ありがとう。
トン・シンジエ	ありがとう。
	私の名前は Xinjie Tong です。私のプレゼンテーションは、実際の採掘問題で JMP Pro 16 の外挿制御機能をどのように利用するかについてです。採掘プロセスでの鉱物除去効率の最適化を試みていました。
	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、次に、同じく言及されている外挿制御メトリクス、外挿を念頭に置いて最適化する方法、および DOE 拡張を使用して外挿問題にどのように対処できるかについてもう少し詳しく説明します。
	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取得されています。
	参照用に SAS によって作成されているため、JMP では 2 つの主要なメトリクスが使用されています。
	1 つはてこ比で、線形プラットフォームで特に最小二乗法を当てはめるときに使用されます。 もう一つの...がある
	正則化されたホテリングの T 二乗と呼ばれるメトリクスは、現在では 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に実装されています。 したがって、レバレッジをかけて、
	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、それはモデルの形式に依存します。 線形モデルの場合も、予測分散に比例します。
	しかし、正則化 t 二乗の場合は異なり、教師なしバージョンであるため、モデルのいかなる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、外挿を念頭に置いた場合に最適化がどのように異なるかを示すために、そのビデオから出てきた例です。
	ここでは 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示します。 ただし、訓練データの関係には従わないため、あまり正確ではありません。
	信頼性のある。モデルは外挿しています。 しかし、外挿コントロールをオンにすると、この赤い点が提案され、より現実的になります。 つまり、外挿制御がいかに意思決定に実際に役立ち、非現実的な予測を回避できるかを示しています。
	そこで今回は、私がダウ社に勤務していたときに遭遇したケーススタディについてお話します。 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 行があり、3 つの入力変数と 1 つの出力変数があります。
	入力変数として、3 レベルのカテゴリ変数である水のタイプがあるため、タイプ A、B、および C にコーディングしました。
	使用した泡立て器も12種類あり、カテゴリー別にまとめています。 粒子サイズという数値変数があり、それらを 0、1、および 0.35 にコード化しました。
	ここでの出力は除去効率であり、これは 0 から 1 までの値であり、ここで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、実際には設計段階に起因するある程度の共線性があることです。 したがって、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、包装として泡立て器のタイプを使用しているため、各ボックスは 1 つのタイプの泡立て器を指し、Y 軸で粒子サイズ、X 軸で水のタイプを調べています。
	ここで問題となるのは、水タイプ B がある場合、粒子サイズは 1 つのレベル (中間レベル) のみになるため、粒子サイズを推定しようとすると共線性が存在することです。
	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、外挿問題が発生します。ここで、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非常に役立ちます。
	そこで、JMP のさまざまなプラットフォームを使用してモデルを構築しました。これは、指標を比較し、それらの指標が意思決定にどのような影響を与える可能性があるかを比較するためです。
	モデルを当てはめる前に、通常は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を使用すると、理解するように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。 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。
	設計診断と設計の評価。 ここで、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、つまり設計空間内の予測分散などの診断といくつかの診断を確認できることがわかりました。
	ただし、双方向のインタラクションを推定したいので、双方向のインタラクションをクリックすると、
	このアラートが表示され、このデータセットがすべての双方向交互作用項に適合できず、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。
	ここで確認すると、この新しいモデル用語のセットに基づいて、これらの診断が更新されています。 だから今、私はそれを知っています
	共線性があるため、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始めることができます。 その後、スライドに戻ります。 そこでモデルの構築を開始します。
	したがって、私が適合させた最初のモデルは GenReg プラットフォーム内にありました。 その理由は私の対応、つまり効率化にあります。 これは 0 から 1 の間の値であり、通常はこの GenReg でのみ実現できるベータ配布について考えます。
	ただし、この場合、0 と 1 の範囲内ではありますが、分布は正規分布に近く、0 または 1 の近くに高周波がないため、正規分布を使用することが問題になります。
	そこで私がやったことは、この GenReg 内に適合するモデルでベータ版と通常版の両方を試してみることでした。 フルモデルとモデル縮小のためのさまざまな方法も試しました。 それで
	AICc と BIC を比較したところ、正規分布を使用している可能性があり、Lasso リダクション手法により完全なモデルと比較して AICc または BIC が小さくなることがわかりました。 おそらくそれが私が前に進むことになるでしょう。
	しかし、正規分布を使用できるようになり、異なるプラットフォームでも実際には同じモデルを当てはめることができることに気付きました。
	そこで次に私が行ったのは、JMP の線形プラットフォームである最小二乗法を使用し、そこに同じモデルを当てはめました。
	しかし、GenReg では正則化された Hotelling の T スクエアを使用していたのに対し、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。 これで、これら 2 つの指標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るようになりました。
	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 内に当てはめ、異なるメトリクスを使用している箇所に最小二乗法を当てはめました。 また、メトリクスの比較に加えて、モデルの形式を変更して完全モデルを使用した場合と縮小モデルを使用した場合とを確認したいと思いました。それによってメトリクスのパフォーマンスはどのように変化するのでしょうか?
	ここで別のデモを行い、プロファイラーで外挿制御機能を使用する方法も確認します。 そこで、同じスクリプトであるこの GenReg から始めます。
	ちょうどそのとおりです...情報を得るために、モデル ダイアログをクリックします。 ここでモデルがセットアップされました。 したがって、Y の効率、これらの項は評価設計で定義され、ベータまたは標準を使用します。
	そして、「実行」をクリックします。 そこで、2 つのモデルを保存しました。 1 つ目は、モデル縮小を使用した正規分布です。 2 番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にできることは、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、
	ここでの新しい点は、外挿制御をクリックできるようになり、警告をオフにできることです。
	現在、詳細はありません。詳細を確認したい場合は、詳細を簡単に推定する必要があります。
	そして、メトリクス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、それらがしきい値内にあるため、警告は表示されません。
	しかし、その共線性が存在するタイプ B に進むと、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可能性のある外挿警告が表示されます。
	もう 1 つできることは、警告をオンにする代わりに、外挿制御を直接オンにすることです。 そして、それが行うことは、外挿のない範囲のみを表示することです。
	そこで、ここでのしきい値は 16.3 であることに言及したいのですが、縮小モデルを当てはめるとどうなるでしょうか? それは閾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、すでにオンになっている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外挿範囲があることがわかります。 したがって、ここでは、この正規化された 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た場合でも変化しません。
	そして、GenReg を使用する代わりに、線形プラットフォームであり、モデルの外挿にレバレッジを使用できるリース スクエアの適合を試してみましょう。 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します。
	ここでも同様に、外挿コントロールをクリックして警告をオンにし、外挿の詳細もオンにすることができます。
	したがって、ここではしきい値が異なります。これは、別の式に基づいて計算されたためです。 以前と同様に、タイプ B...タイプ A と C には外挿がありませんが、タイプ B については、実際には...すべて外挿によるウォーミングがあります。
	これを .35 に設定すると、外挿が存在しない唯一の点になります。 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 の水が含まれていることがわかります。
	予測できるのは、実験で観察されたこの単一レベルの粒子サイズのみです。 つまり、これは私たちに次のことを伝えています。
	データセットが与えられ、レバレッジを指標として使用すると、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、これは、正則化された T 二乗が使用された GenReg と比較して、より厳密になります。これは、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、これは教師なしで、こちらはモデル フォームに向けたものであるためです。
	ここではしきい値は 0.5 ですが、レバレッジを使用しているときに縮小モデルを試しましたが、モデルの形式に依存するため、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、しきい値は小さくなります。 そしてこれが比較表です。
	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。
	そこで私は、この外挿制御機能を使用してそれをどのように最適化できるか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。
	それで、これが私が得た最終出力です。 これはすべての入力変数を描画しており、青い点は外挿制御を行わずに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、外挿制御を考慮すると、現在のトレーニング データにより類似したものが示唆され、より信頼できるようになります。
	私たちが実際にできるもう 1 つのことは、外挿制御を使用した場合と使用しない場合の視覚化を実行することです。 それで、これもすぐにデモしたいのですが、
	これが私が最も愛する未来だと信じているからです。たとえば、もし私たちが...
	申し訳ありませんが、明確に視覚化するためにこれを閉じます。
	したがって、可能であれば...このプロファイラー...このモデルを使用することに決めた場合は、外挿コントロールをオンにして、クリックできるのは出力ランダム テーブルです。
	これにより、モデルが外挿なしで予測できるすべての潜在的な条件が生成されます。
	現在、5,000 回の実行があり、ここをクリックすると、各パラメータ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 も同様ですが、タイプ B の場合は、追加の要素があるため、狭い範囲の粒子サイズしか予測できません。
	ごめんなさい、外挿です。 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ションを行うことができます。
	また、このファイルからグラフィック ビルダーを使用することもできます。
	このプロットを生成すると、外挿制御がない場合にすべての範囲が表示され、その色が効率、予測された効率であることがわかります。
	しかし、外挿制御を使用すると、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、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。
	さて、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ればよいでしょうか? 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 の機能の一部であるデータ拡張を実行できるようになりました。
	拡張設計では、私たちができることは、新しいブロック変数を追加して、新しい実行を分離できるようにすることです...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、すべての双方向の相互作用を推定したいと思います。
	これは拡張された実行を視覚化したものです。赤い点はすべての拡張された実行であり、データを
	水の種類がタイプ B の場合、粒子サイズの高低をすべて推定することができ、共線性の問題はなくなりました。 また、プロファイラーでは、タイプ B がある場合、範囲全体を予測できることがわかります。
	そこで、いくつかのポイントをご紹介します。 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、外挿のソースは多数あります。
	モデルに含めてください。 予測モデリングの世界には機械学習も含まれます。 外挿制御は健全性チェックであるため、考慮する必要があります。
	予測の世界にとって、そして JMP 16 Pro のおかげで、この機能の使用が非常に簡単になりました。 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な影響を与えるかを示すことも非常に簡単です。 それで
	したがって、私はこれを作成しました。この機能がどれほど役立つかを実際に実証するために、より広範なコミュニティと共有したいと思います。 以上が私のプレゼンテーションです。 以下は参考資料と免責事項です。
ジョシュ・スタントン	素晴らしい。
トン・シンジエ	それは大丈夫ですか。
ジョシュ・スタントン	ありがとう、それは素晴らしかったです、大好きです。
	彼らのプロフィールに予測子が表示されるのが大好きです。
	プロフィール。
	さて、彼が何事もなく無事に去ったのは素晴らしいことだった。
トン・シンジエ	ありがとう、ありがとう、そうでないといいのですが。
	まあ、初心者向けなのでそれほど複雑なことはないと思います。
ジョシュ・スタントン	それは私の場合のようでした。少しずつ前進することはわかっていますが、いいえ、それは素晴らしいアイデアではありませんでした。彼はデザインの強化について話し始めました。間違いなく次のレベルです。
	それ。
	はい、これでほぼ終わりです。先ほども言いましたが、編集のようなものを切り取っていきます。前も後ろもわかります。ウェブサイトにいつ掲載されるかはわかりませんが、掲載される予定です。すぐにそこに着いてください。
	この件について共有するために時間と労力を割いていただき、改めて感謝いたします。
	私たちのコミュニティとともに。
トン・シンジエ	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でお会いできることを願っています。
トン・シンジエ	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	ああ、はい、ありがとうございました、それではバイバイ。
トン・シンジエ	さようなら、良い一日を。
	あなたも。

起こるエネルギー省統計とモデリング