398682_es-ES

liliconcom

Utilización de la función de control de extrapolación en JMP® Pro 16 para optimizar el proceso de minería del 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 espumador, 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.

Al utilizar la función de control de extrapolación en el generador de perfiles de predicción, se observó una posible extrapolación para el agua tipo B cuando el tamaño de partícula = 1 según la métrica T cuadrada regularizada. Esta extrapolación fue causada por un desequilibrio en el DOE donde la medición para el agua tipo B solo se tomó con un tamaño de partícula = 0,35. El control de extrapolación se activó en el 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 hacerlo 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...

 

Vocero	Transcripción
Josh Staunton	Hola.
Xin Jie Tong	Hola Josh.
Josh Staunton	Hola, eso es chispeante.
Xin Jie Tong	Si bien.
Josh Staunton	Bueno, gracias por aceptar hacer esto. Estoy emocionado de escuchar su presentación.
Xin Jie Tong	Gracias, entonces, ¿cómo podemos empezar?
	o cualquier otra cosa, antes de comenzar.
Josh Staunton	Sí, solo hay una lista de verificación rápida, solo quería revisarla. Si tienes alguna.
	Tu soy tu teléfono que todavía está encendido.
Xin Jie Tong	Bueno sí.
Josh Staunton	sí, hay un.
Xin Jie Tong	Gran recordatorio. Gracias.
Josh Staunton	Y solo una vez, necesito recibir una afirmación verbal de que sabes lo que se está grabando, así que entiendes 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.
	formalidad son geniales y.
	Me gusta tu fondo, todo se ve bien y supongo que lo único que tienes es si sabes si tu pantalla está configurada en 1920 x 10 a las.
Xin Jie Tong	En realidad no lo hago.
	saber claramente.
Xin Jie Tong	configuración de pantalla muy rápido.
	Estoy en creemos ver 119 20 veces 1080.
Josh Staunton	Oh perfecto.
Xin Jie Tong	si bien.
Josh Staunton	Sí, eso es perfecto y lo que harás será utilizar la función de control de extrapolación y el proceso de minería de recompensas optimizado JMP pro 16 2021 con 30 MP para.
	Genial, está bien, entonces lo voy a hacer.
	¿Quieres ver si puedes empezar a presentar? Simplemente pon en marcha tus diapositivas y.
	Si todo se ve bien por tu parte, detendré mi video, lo silenciaré y te lo pasaré.
Xin Jie Tong	Entonces podemos intentarlo muy rápido, está bien.
Josh Staunton	Si quieres presentar, puedo asegurarme.
	Podemos ver sus diapositivas.
Xin Jie Tong	Sí, entonces primero necesito compartir mi pantalla.
	sí.
Xin Jie Tong	Y ves mi pantalla.
	Sí, está bien, entonces probablemente haré alguna DEMOSTRACIÓN. Probablemente no lo haga.
	Necesito hacer una DEMOSTRACIÓN. Entonces, cuando lo haga, tal vez haga esto, está bien, y luego volveré a las diapositivas.
Josh Staunton	Exacto, sí, eso está bien.
	Y sabes que no se realizará ninguna edición dentro del video, se cortará parte del mismo que sabes.
	Pero para que sepas si cometes un error si.
	Ya sabes, intenta seguir.
	Como si lo atravesáramos, todos somos humanos aquí, está bien cometer un error.
	Si crees que lo sabes, pero si realmente crees que fue algo catastrófico, te gustaría verlo.
	Ahora puedes simplemente.
	Podemos, podemos, podemos empezar de nuevo, no es gran cosa, pero sí, pero no permitas que un pequeño error te moleste, simplemente sigue.
	Tú lo serás.
	sí, sí.
Xin Jie Tong	Y creo que son unos 20 minutos desde la presentación.
	Bien, eso es.
	Los requisitos me gustan.
Josh Staunton	Sabes que no estoy seguro de que todos sean un poco diferentes, pero sabes que no lo sé.
	Sí, no te preocupes demasiado por el tiempo, esas son más bien pautas, solo intenta saberlo.
	Bien, Dan, saca lo que estás investigando y estaremos bien para verlo.
Xin Jie Tong	Está bien, suena bien, así que si ese es el caso, quizás empiece a presentar.
Josh Staunton	Sí, comenzaré mi video y luego sí, quería tomarme un minuto o puedes comenzar cuando estés listo.
Xin Jie Tong	Oh, no necesito hacer ninguna producción, ¿verdad?
Josh Staunton	No, podrías simplemente darlo, podrías decir que sabes decir tu nombre y sabes por lo que vas a pasar.
	tipo de rodar en él.
Xin Jie Tong	Bien bien.
Josh Staunton	Vale, está bien, apagaré la cámara y me iré, pero buena suerte, gracias.
Xin Jie Tong	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 minero del mundo real, donde intentábamos optimizar la eficiencia de eliminación de minerales en el proceso minero.
	Entonces, presentaré un estudio de caso sobre el proceso de minería y luego exploraremos un poco más sobre la métrica de control de extrapolación también mencionada, cómo optimizamos teniendo en cuenta la extrapolación y cómo el uso del aumento DOE puede potencialmente abordar el problema de la 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 como 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 plataformas lineales, específicamente cuando ajustamos mínimos cuadrados. Hay otro
	métrica llamada T cuadrado de Hotelling regularizado, que ahora se implementa en plataformas no lineales, como GenReg, mínimos cuadrados neuronales parciales. Entonces, para el apalancamiento,
	es una función de la matriz de diseño de los datos de entrenamiento, así como del punto de predicción. Entonces depende de la forma del modelo. Además, para un modelo lineal, es proporcional a la varianza de la 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 robo de ese vídeo.
	Este es el ejemplo que también proviene de ese video para mostrar cómo la optimización puede diferir cuando se tiene en mente la extrapolación.
	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
	confiable. El modelo es extrapolador. Pero si activamos el control de extrapolación, sugerirá este punto rojo, que ahora es más realista. Por lo tanto, demuestra cómo el control de extrapolación realmente puede ayudar en la toma de decisiones y evitar predicciones poco realistas.
	Ahora hablaré sobre el estudio de caso que encontré durante mi empleo en Dow. Entonces, este estudio de caso trata sobre el proceso minero y nuestro objetivo era optimizar las condiciones mineras 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 espumadores que se utilizaron, y también son categóricos. Tenemos una variable numérica, que es el tamaño de partícula 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, habremos visualizado muy fácilmente la estructura de datos usando el generador de gráficos, que es una plataforma en JMP.
	Entonces, aquí estaba usando el tipo de espumador como envoltura, por lo que cada cuadro se refiere a un tipo de espumador y luego miramos el tamaño de las partículas en el eje Y y el tipo de agua en el eje X.
	Entonces 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 intentamos estimar el tamaño de partícula.
	e interactuar 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 utilicé diferentes plataformas en JMP, y esto es para comparar las métricas y cómo pueden afectar potencialmente nuestra toma de decisiones.
	Antes de adaptar cualquier modelo, normalmente comienzo con esta evaluación del diseño, que es... que es una de las capacidades de JMP. Entonces esta plataforma nos permite pedir 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. Entonces tengo tres variables de entrada y una variable de salida. Lo que podemos hacer es ir al DOE,
	diseñar diagnósticos y evaluar el diseño. Aquí, la respuesta Y es opcional, así que arrastraré mis tres entradas aquí y haré clic en Aceptar.
	Y ahora me dice que si solo estoy considerando los efectos principales, puedo estimarlos y puedo ver mis diagnósticos, como su variación de 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 los términos que no se pueden estimar se han eliminado.
	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, por lo que solo puedo comenzar con aquellos términos que el modelo pueda ajustar. Luego volveré a mis diapositivas. Entonces comenzaré a construir el modelo.
	Entonces, 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 normalmente pienso en la distribución beta, que sólo se puede realizar en este GenReg.
	Sin embargo, en nuestro caso, aunque está entre cero y uno, la distribución es más normal y no hay una frecuencia alta cerca de cero o uno, lo que hace que sea problemático usar la distribución normal.
	Entonces, lo que hice fue probar tanto beta como normal en mi modelo encajando dentro de este GenReg. También probé el modelo completo y los distintos métodos de reducción del modelo. Entonces
	Comparé el AICc y el BIC y me di cuenta de que podría estar usando la distribución normal y que la metodología de reducción de Lasso proporciona un AICc o BIC más pequeño en comparación con el modelo completo. Probablemente ese sea el que seguiré adelante.
	Pero ahora que podemos usar la distribución normal me di cuenta de que en realidad podemos ajustar el mismo modelo, pero en plataformas diferentes.
	Entonces, lo siguiente que hice fue un ajuste mínimo cuadrado 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 métrica de control de extrapolación, mientras que, en GenReg, usaba el cuadrado T de Hotelling regularizado. Ahora puedo comparar cómo contrastan realmente estas dos métricas o qué tan similares son.
	Ahora vamos a la comparación de métricas y algunos resultados. Aquí está mi mapa, así que comencé con el mismo modelo completo.
	Y ajusté el modelo dentro de GenReg y ajusté mínimos cuadrados donde usaban diferentes métricas. Y además de comparar las métricas, también quería ver si usaba un modelo completo versus un modelo reducido cambiando la forma del modelo, ¿cómo cambia eso el rendimiento de las métricas?
	Aquí es donde haré otra demostración y también podremos 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 ti... para obtener información, haré clic en el diálogo modelo. Entonces aquí es donde se instaló el modelo. Entonces, eficiencia para Y, estos términos que se definieron en el diseño de evaluación y usaron beta o normal.
	Y luego haga clic en ejecutar. Entonces guardé dos modelos. La primera es la distribución normal con reducción del modelo. 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,
	La novedad aquí es que ahora podemos hacer clic en el control de extrapolación y desactivar la advertencia.
	Ahora no hay detalles, así que si quiero ver los detalles, necesito extrapolarlos rápidamente.
	y nos muestra el umbral en la métrica. Entonces, si podemos movernos a lo largo del tamaño de las partículas y la métrica está cambiando, pero están dentro del umbral, no hay advertencia.
	Pero si vamos al Tipo B, donde existe esa colinealidad, sí vemos esta posible advertencia de extrapolación en tamaños de partículas muy altos o muy pequeños.
	Otra cosa que podemos hacer es que en lugar de activar la advertencia, podemos activar directamente el control de extrapolación. Y lo que hace es que sólo muestra el rango donde no hay extrapolación.
	Entonces, 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. Entonces, aquí este cuadrado T regularizado no está supervisado y no cambia cuando usamos un modelo completo versus un modelo reducido.
	Y si, en lugar de usar GenReg, probamos los cuadrados de arrendamiento ajustados, 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 perfiles de factores y 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.
	Entonces aquí el umbral es diferente porque se calculó basándose en 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 de extrapolación.
	Y si lo configuro en .35, este es el único punto en el que no hay extrapolación. Para mostrar eso más claramente, puedo activar mi control de extrapolación y luego verías el que tenía agua B,
	sólo es capaz de predecir este único nivel de tamaño de partícula, que se observó en el experimento. Entonces esto nos está diciendo que,
	Dado el conjunto de datos y utilizando 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, esto 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.
	Aquí tenemos un umbral de 0,5, y probé el modelo reducido cuando usaba apalancamiento, y el umbral también se cambió porque depende de la forma del modelo. Entonces, si tienes un modelo más pequeño, tendrás un umbral más pequeño. Y esta es la tabla comparativa.
	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. Entonces esto es dibujar todas las variables de entrada y el punto azul es el que optimicé sin ningún control de extrapolación. Y sugiere 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 tenemos ahora, tenemos más confianza... confianza en ello.
	Otra cosa que realmente podemos hacer es realizar alguna visualización con y sin control de extrapolación. Así que realmente quiero hacer una demostración de esto también muy rápidamente.
	porque creo que este es el futuro que más amo es, por ejemplo, si decidiéramos...
	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 lo que podemos hacer clic es la tabla de salida aleatoria.
	Y lo que esto hace es generar todas las condiciones potenciales que el modelo puede predecir sin ninguna extrapolación.
	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 al tipo C, pero cuando tenemos el tipo B, solo es capaz de predecir un rango estrecho de tamaño de partículas debido a ese extra...
	Lo siento, extrapolación. Entonces, con este realmente podemos optimizar y simular teniendo en cuenta el control de extrapolación.
	Y también, desde este archivo, podemos usar el constructor gráfico.
	y generar este gráfico, donde podemos ver si no tenemos control de extrapolación, tenemos todos los rangos siendo el color la eficiencia, la eficiencia prevista.
	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, ¿qué pasa si realmente quiero estimar estos espacios? Para hacer eso, tenemos que corregir los datos o aumentarlos para que el modelo pueda predecir todo el rango. Ahora podemos aumentar los datos, lo que también forma parte de la capacidad del JMP.
	Entonces, diseño aumentado, lo que podemos hacer es agregar una nueva variable de bloque para que las nuevas ejecuciones puedan separarse... puedan 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, dado 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, es capaz de predecir todo el rango.
	Algunas conclusiones. Puede haber muchas fuentes de extrapolación, como cuando hay dependencia entre las variables de entrada o si tiene cualquier otro término que no puede estimar pero desea estimar.
	estar incluido en su modelo. En cualquier mundo del modelado predictivo también está el aprendizaje automático. Hay que tener en cuenta el control de extrapolación porque es el control de cordura.
	Para el mundo predictivo, y gracias al JMP 16 Pro, esta característica hace que su uso sea muy sencillo. Y también es muy fácil demostrar cómo la estructura del conjunto de datos puede afectar la usabilidad del modelo. Entonces
	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 algunos descargos de responsabilidad.
Josh Staunton	Excelente.
Xin Jie Tong	¿Está bien?
Josh Staunton	Gracias, eso fue increíble, me encanta.
	Me encanta ver el predictor en su perfil.
	perfil.
	Ahora, un gran trabajo fue que salió sin problemas.
Xin Jie Tong	Gracias, gracias, espero que no sea demasiado.
	Bueno, yo diría que es para principiantes, por lo que no hay mucha complejidad.
Josh Staunton	Eso fue para mí, sabes que avanzará un poco, pero no, no fue una gran idea, comenzó a hablar sobre aumentar los diseños, definitivamente es el siguiente nivel.
	Eso.
	Sí, eso es más o menos, como dije, cortaremos esto como una edición, ya sabes el frente y el reverso, y luego no deberíamos estar seguros de cuándo esperan tenerlo en el sitio web, pero lo hará. Estaré allí en breve y.
	Gracias nuevamente por dedicar el tiempo y el esfuerzo para compartir esto.
	Con nuestra Comunidad.
Xin Jie Tong	sí, por supuesto.
	si suena bien.
Josh Staunton	Muy bien, cuídate y esperamos encontrarnos contigo en uno de estos eventos pronto.
Xin Jie Tong	sí.
	Gracias, lo espero con ansias.
	Gracias por la oportunidad.
Josh Staunton	Oh si, muchas gracias, está bien, adiós.
Xin Jie Tong	Adiós, qué tengas un buen día.
	Tú también.

FugarseGAMAEstadística y Modelización