398682_fr-FR

liliconcom

Utilisation de la fonction de contrôle d'extrapolation dans JMP® Pro 16 pour optimiser le processus d'exploration de données dans le monde réel (2021-US-30MP-844)

Niveau : Débutant

 

Xinjie Tong, statisticien de recherche principal, Dow

 

L'étude de cas vise à évaluer 12 types de mousseurs en termes de performance dans la récupération minérale dans l'exploitation minière. Outre le type de mousseur, les variables d'entrée incluent également la taille des particules (valeur codée : 0, 0,35, 1) en tant que variable continue et le type d'eau (Type A, Type B, Type C) en tant que variable catégorique. La variable de réponse est l'efficacité de la récupération minérale.

En utilisant la fonction de contrôle d'extrapolation dans le profileur de prédiction, une extrapolation possible a été observée pour l'eau de type B lorsque la taille des particules = 1 sur la base de la métrique carrée T régularisée. Cette extrapolation a été causée par un déséquilibre dans le DOE où la mesure pour l'eau de type B n'a été prise qu'avec une taille de particule = 0,35. Le contrôle d'extrapolation a été activé dans le but d'optimiser l'efficacité de la récupération des minéraux pour obtenir des solutions optimales fiables.

Le problème d'extrapolation a disparu lorsque le DOE a été augmenté pour être plus équilibré. La fonction de contrôle d'extrapolation a permis de comprendre immédiatement comment l'augmentation d'un DOE déséquilibré pouvait grandement améliorer la convivialité du modèle prédictif.

 

 

Transcription générée automatiquement...

 

Conférencier	Transcription
Josh Staunton	salut.
Tong Xinjie	salut josh.
Josh Staunton	salut est zingy ça.
Tong Xinjie	Oui bien.
Josh Staunton	Eh bien, merci d'avoir accepté de le faire. Je suis ravi d'entendre votre présentation.
Tong Xinjie	Merci, alors comment pouvons-nous commencer.
	ou toute autre chose, avant de commencer.
Josh Staunton	oui, il y a juste une liste de contrôle rapide, je voulais juste passer en revue Donc, si vous en avez.
	Votre je suis votre téléphone qui est toujours allumé.
Tong Xinjie	Ben ouais.
Josh Staunton	oui il y a un.
Tong Xinjie	Super rappel Merci.
Josh Staunton	Et juste un rapide je dois obtenir une affirmation verbale que vous savez en quelque sorte ce qui est enregistré, donc comme vous comprenez que cela est enregistré pour le sommet de découverte JMP.
	conférence et vous serez, soit il sera disponible publiquement dans la communauté des utilisateurs d'emploi pour donner la permission pour cet enregistrement et l'utilisation.
	Oui, ouais ok bien.
	formalité ils sont grands et.
	J'aime votre arrière-plan, tout a l'air bien et je suppose que la seule chose que vous avez, savez-vous si votre affichage est défini sur 1920 fois 10 at.
Tong Xinjie	En fait, je ne le fais pas.
	savoir clairement.
Tong Xinjie	paramètres d'affichage très rapides.
	Je suis à nous pensons voir 119 20 fois 1080.
Josh Staunton	Ah parfait.
Tong Xinjie	Ouais bien.
Josh Staunton	Oui, c'est parfait et vous allez utiliser la fonction de contrôle d'extrapolation et le processus d'extraction de récompense optimisé JMP pro 16 2021 us 30 MP for for.
	Super d'accord donc je vais le faire.
	Voulez-vous voir si vous pouvez commencer à présenter, lancez simplement vos diapositives et.
	Si tout semble bon de votre côté, j'arrêterai ma vidéo en mode muet et je vous la passerai simplement.
Tong Xinjie	Nous pouvons donc essayer très rapidement soit d'accord.
Josh Staunton	Si vous voulez faire une présentation et je pourrais juste m'en assurer.
	Nous pouvons voir vos diapositives.
Tong Xinjie	ouais euh donc je dois d'abord partager mon écran.
	Oui.
Tong Xinjie	Et vous voyez mon écran.
	oui d'accord, donc je vais probablement faire une DEMO dans je ne le suis probablement pas.
	J'ai besoin de faire une DEMO Alors quand je le ferai, je ferai peut-être ceci, est-ce que ça va, puis je reviendrai aux diapositives.
Josh Staunton	Exactement ouais c'est ça qui va bien.
	Et vous savez qu'il n'y aura pas de montage dans la vidéo, nous en découperons une partie que vous connaissez.
	Mais pour que vous sachiez si vous faites une erreur si vous.
	Vous savez, essayez juste de garder.
	genre de rouler à travers elle, nous sommes tous des humains ici, il est normal de faire une erreur.
	Si vous pensez que vous savez, mais si vous pensez vraiment que c'était dans une chose catastrophique que vous aimeriez voir.
	Maintenant, vous pouvez simplement.
	Nous pouvons, nous pouvons, nous pouvons tout recommencer, ce n'est pas un gros problème, mais oui, mais ne laissez pas juste une petite erreur vous déranger.
	Vous, il le sera.
	Yeah Yeah.
Tong Xinjie	Et je pense que c'est environ 20 minutes pour la présentation.
	D'accord, c'est ça.
	Les exigences aiment.
Josh Staunton	Vous savez, je ne suis pas sûr que tout le monde soit un peu différent, mais vous savez que ce n'est pas le cas.
	ouais, ne vous inquiétez pas trop du temps, ce sont plus des directives, essayez simplement de savoir.
	OK, Dan et sortez ce que vous avez recherché et nous serons d'accord pour le voir.
Tong Xinjie	D'accord, ça sonne bien, donc si c'est le cas, je vais peut-être commencer à présenter.
Josh Staunton	ouais, donc je vais commencer ma vidéo et puis ouais il voulait juste prendre une minute ou tu peux commencer quand tu es prêt.
Tong Xinjie	Oh, je n'ai pas besoin de faire de production, c'est vrai ou.
Josh Staunton	Non, pourriez-vous juste le donner, vous pourriez dire que vous savez dire votre nom, et vous savez ce que vous allez traverser et.
	sorte de rouler dedans.
Tong Xinjie	OK OK.
Josh Staunton	D'accord, d'accord, je vais éteindre ma caméra et j'y vais, mais bonne chance, merci.
Tong Xinjie	Merci.
	Donc, je m'appelle Xinjie Tong et ma présentation porte sur la façon dont nous utilisons la fonction de contrôle d'extrapolation dans JMP Pro 16 dans un problème minier réel, où nous essayions d'optimiser l'efficacité de l'extraction des minéraux dans le processus d'extraction.
	Je vais donc présenter une étude de cas sur le processus d'extraction, puis nous explorerons un peu plus la métrique de contrôle d'extrapolation également mentionnée, comment optimiser avec l'extrapolation à l'esprit et comment l'utilisation de l'augmentation DOE peut potentiellement résoudre le problème d'extrapolation.
	Voici une diapositive qui présente les métriques de contrôle d'extrapolation actuellement utilisées dans JMP 16 Pro et toutes ces informations proviennent de la vidéo de la communauté JMP.
	faite par SAS, comme vous pouvez trouver la référence en bas, il y a donc deux métriques principales qui sont utilisées dans JMP.
	L'un est l'effet de levier, qui est utilisé dans la plate-forme linéaire, en particulier lorsque nous adaptons les moindres carrés. Il y a un autre
	métrique appelée T carré de Hotelling régularisé, qui est maintenant implémentée dans une plate-forme non linéaire, telle que GenReg, les moindres carrés partiels neuronaux. Donc, pour l'effet de levier,
	c'est une fonction de la matrice de conception des données d'apprentissage, ainsi que du point de prédiction. Cela dépend donc de la forme du modèle. De plus, pour un modèle linéaire, il est proportionnel à la variance de la prédiction.
	Mais différemment, pour le carré t régularisé, c'est une version non supervisée, donc ce n'est pas une fonction d'aucune forme du modèle.
	Et voici l'équation que je vole dans cette vidéo.
	C'est l'exemple qui vient également de cette vidéo pour montrer comment l'optimisation peut différer lorsque vous avez l'extrapolation à l'esprit.
	Voici donc un exemple où nous avons trois variables d'entrée et, comme nous pouvons le voir ici, MaxPulse et RunPulse ont une forte corrélation positive.
	Si nous ne considérons pas le contrôle d'extrapolation, le modèle nous dira que le point bleu est l'optimum. Cependant, il n'obéit pas à la relation dans les données d'entraînement, donc ce n'est pas très
	fiable. Le modèle est extrapolant. Mais si nous activons le contrôle d'extrapolation, il suggérera ce point rouge, qui est maintenant plus réaliste. Cela démontre donc comment le contrôle de l'extrapolation peut vraiment aider à la prise de décision et éviter des prédictions irréalistes.
	Alors maintenant, je vais parler de l'étude de cas que j'ai rencontrée pendant mon emploi chez Dow. Cette étude de cas porte donc sur le processus d'extraction et notre objectif était d'optimiser les conditions d'extraction pour une efficacité accrue de l'extraction des minéraux.
	Nous avons 120 lignes dans cet ensemble de données, et nous avons trois variables d'entrée et une variable de sortie.
	Pour la variable d'entrée, nous avons le type d'eau, qui est une variable catégorique à trois niveaux, donc je les ai codés en Type A, B et C.
	Nous avons également 12 types de mousseurs qui ont été utilisés, et ils sont également catégoriques. Nous avons une variable numérique, qui est la taille des particules et je les ai codées à 0, 1 et aussi 0,35.
	Ici, la sortie est l'efficacité d'élimination, qui est une valeur comprise entre zéro et un, et toutes les valeurs ici sont codées pour protéger les informations réelles.
	Donc, le problème avec cet ensemble de données est qu'il y a en fait une certaine colinéarité due à l'étape de conception. Donc, si nous pouvons regarder ce générateur graphique, nous avons très facilement visualisé la structure des données à l'aide du générateur de graphiques, qui est une plate-forme dans JMP.
	Donc ici, j'utilisais le type de mousseur comme emballage, donc chaque boîte fait référence à un type de mousseur, puis nous examinons la taille des particules sur l'axe Y et le type d'eau sur l'axe X.
	Donc ici, le problème est que lorsque nous avons de l'eau de type B, nous n'aurons qu'un seul niveau de taille de particule, qui est au niveau moyen, donc la colinéarité existe lorsque nous essayons d'estimer la taille des particules
	et interagir avec le type B. Donc, ce n'est pas estimable dans ce cas.
	En raison de ce déséquilibre ou de certaines dépendances, nous aurons un problème d'extrapolation, et c'est là que la fonction de contrôle d'extrapolation peut vraiment nous aider à prévenir tout risque dû à cet ensemble de données imparfait.
	Alors, je suis allé de l'avant et j'ai construit le modèle et j'ai utilisé différentes plates-formes dans JMP, et c'est pour comparer les métriques et comment elles peuvent potentiellement avoir un impact sur notre prise de décision.
	Avant d'adapter un modèle, je commence généralement cette conception d'évaluation, qui est... qui est l'une des fonctionnalités de JMP. Cette plateforme nous permet donc de demander à comprendre,
	étant donné un ensemble de données, quels sont les termes qui peuvent être estimés à partir de l'ensemble de données. Et je vais faire une démo rapide à ce sujet. Voici donc mon ensemble de données. J'ai donc trois variables d'entrée et une variable de sortie. Ce que nous pouvons faire, c'est aller au DOE,
	concevoir des diagnostics et évaluer la conception. Donc ici, la réponse Y est facultative, je vais donc faire glisser mes trois entrées ici, cliquez sur OK.
	Et maintenant, il me dit que si je ne considère que les effets principaux, il est capable de les estimer et je peux regarder mes diagnostics, tels que votre variance de prédiction dans tout l'espace... l'espace de conception et aussi certains diagnostics.
	Cependant, je veux estimer les interactions bidirectionnelles. Donc, si je clique sur les interactions bidirectionnelles,
	cette alerte apparaît et me dit que cet ensemble de données ne peut pas correspondre à tous les termes d'interaction bidirectionnelle et que les termes qui ne peuvent pas être estimés ont été supprimés.
	Et si nous regardons ici, nous remarquons que l'interaction entre le type d'eau et la taille particulière a été supprimée et cela est dû au problème de colinéarité que je viens de mentionner.
	Donc, si nous vérifions ici, ces diagnostics ont été mis à jour, sur la base de ce nouvel ensemble de termes de modèle. Alors maintenant je sais que
	en raison de la colinéarité, je ne peux pas estimer tous les termes, je ne peux donc commencer que par ces termes que le modèle peut adapter. Ensuite, je reviendrai à mes diapositives. Je vais donc commencer à construire le modèle.
	Ainsi, le premier modèle que j'ai installé se trouvait dans la plate-forme GenReg. La raison en est que ma réponse, qui est une efficacité. C'est une valeur entre zéro et un et je penserai généralement à la distribution bêta, qui ne peut être réalisée que dans ce GenReg.
	Cependant, dans notre cas, bien que ce soit entre zéro et un, mais la distribution ressemble plus à la normale, et il n'y a pas de haute fréquence proche de zéro ou un, ce qui rend problématique l'utilisation de la distribution normale.
	Donc, ce que j'ai fait, c'est que j'ai essayé à la fois bêta et normal dans mon modèle adapté à ce GenReg. J'ai également essayé le modèle complet et les différentes méthodes de réduction de modèle. Alors
	J'ai comparé l'AICc et le BIC, et j'ai réalisé que je pouvais utiliser la distribution normale et la méthodologie de réduction Lasso donne un AICc ou BIC plus petit par rapport au modèle complet. C'est probablement celui avec lequel je vais avancer.
	Mais maintenant que nous pouvons utiliser la distribution normale et j'ai réalisé que nous pouvons en fait adapter le même modèle, mais sur des plates-formes différentes.
	Donc, la prochaine chose que j'ai faite était un ajustement des moindres carrés utilisé, qui est une plate-forme linéaire dans JMP et j'y intègre le même modèle.
	Mais maintenant, ce que cela me permet de faire, c'est d'utiliser l'effet de levier comme métrique de contrôle d'extrapolation, alors que, dans GenReg, il utilisait le carré T de Hotelling régularisé. Alors maintenant, je peux comparer comment ces deux mesures contrastent vraiment ou à quel point elles sont similaires.
	Alors maintenant, nous allons à la comparaison métrique et quelques résultats. Voici donc ma carte, j'ai donc commencé avec le même modèle complet.
	Et j'adapte le modèle dans GenReg et j'adapte les moindres carrés où ils utilisaient différentes métriques. Et en plus de comparer les métriques, je voulais aussi voir si j'utilisais un modèle complet par rapport à un modèle réduit en changeant la forme du modèle, comment cela change-t-il les performances des métriques ?
	C'est donc ici que je ferai une autre démo, et nous pourrons également voir comment nous pouvons utiliser la fonction de contrôle d'extrapolation dans un profileur. Je vais donc commencer par ce GenReg, qui est le même script.
	Juste pour que vous... pour plus d'informations, je vais cliquer sur le dialogue du modèle. C'est donc là que le modèle a été mis en place. Ainsi, l'efficacité pour Y, ces termes qui ont été définis dans la conception de l'évaluation et en utilisant bêta ou normal.
	Et puis cliquez sur Exécuter. J'ai donc enregistré deux modèles. La première est la distribution normale avec réduction de modèle. La seconde est la distribution normale avec modèle complet. Donc, si nous commençons d'abord avec un modèle complet, ce que nous pouvons faire, c'est cliquer ici pour activer le profileur.
	Et dans profileur,
	ce qui est nouveau ici, c'est que nous pouvons maintenant cliquer sur le contrôle d'extrapolation et nous pouvons désactiver l'avertissement.
	Alors maintenant, il n'y a pas de détails, donc si je veux voir les détails, j'ai besoin de détails d'extrapolation rapide
	et il nous montre le seuil dans la métrique. Donc, si nous pouvons nous déplacer le long de la taille des particules et que la métrique change, mais qu'elles sont dans le seuil, il n'y a donc pas d'avertissement.
	Mais si nous passons au type B où cette colinéarité existe, nous voyons cet avertissement d'extrapolation possible à une taille de particule très élevée ou à une taille de particule très petite.
	Une autre chose que nous pouvons faire est d'activer directement le contrôle d'extrapolation au lieu d'activer l'avertissement. Et ce qu'il fait, c'est qu'il ne montre que la plage où il n'y a pas d'extrapolation.
	Donc, et maintenant je veux mentionner que le seuil ici est de 16,3, et que se passe-t-il si nous adaptons un modèle réduit ? Cela change-t-il le seuil et aussi la région d'extrapolation ? Alors maintenant je peux passer à mon modèle réduit, et je peux allumer mon profileur que j'ai déjà allumé, et voilà...
	si je clique sur les détails de l'extrapolation et que je l'active, nous verrons qu'il a le même seuil et la même plage d'extrapolation. Donc, ici, ce carré T régularisé n'est pas supervisé et il ne change pas lorsque nous utilisons un modèle complet par rapport à un modèle réduit.
	Et si nous, au lieu d'utiliser GenReg, essayons les carrés de bail d'ajustement, qui est une plate-forme linéaire et l'effet de levier peut être utilisé pour l'extrapolation du modèle. Voici donc mon modèle complet. Je peux cliquer sur le profilage factoriel, activer le profileur.
	Similaire ici, nous pouvons cliquer sur le contrôle d'extrapolation et activer l'avertissement ainsi que les détails d'extrapolation.
	Donc, ici, le seuil est différent car il a été calculé sur la base d'une équation différente. Si similaire qu'avant, le type B ... les types A et C n'ont pas d'extrapolation mais pour le type B, c'est en fait ... tout a le réchauffement de l'extrapolation.
	Et si je règle ça à .35, c'est le seul point qu'il n'y a pas d'extrapolation. Pour montrer cela plus clairement, je peux activer mon contrôle d'extrapolation et vous verrez alors celui qui avait de l'eau B,
	il est seulement capable de prédire ce seul niveau de taille de particule, qui a été observé dans l'expérience. Donc, cela nous dit que,
	étant donné l'ensemble de données et en utilisant l'effet de levier comme métrique, nous ne pouvons prédire aucune autre taille de particule lorsque nous utilisons de l'eau... de l'eau de type B.
	Donc, comparé au GenReg, où le carré T régularisé a été utilisé, il est plus strict, car dans l'autre scénario, il a pu prédire une plage plus étroite. Et encore, c'est parce que celui-là est non encadré et celui-ci est plutôt orienté vers la forme modèle.
	Nous avons donc ici un seuil de 0,5, et j'ai essayé le modèle réduit lorsque j'utilisais l'effet de levier, et le seuil a également été modifié car il dépend de la forme du modèle. Donc si vous avez un modèle plus petit, vous aurez un seuil plus petit. Et voici le tableau comparatif.
	Dans ce cas précis, nous constatons que l'effet de levier est plus strict que le T carré régularisé.
	Alors maintenant, j'étais intéressé par la façon dont nous pouvons optimiser avec cette fonctionnalité de contrôle d'extrapolation, car c'est l'objectif de notre projet.
	Voici donc le résultat final que j'ai obtenu. Donc, cela dessine toutes les variables d'entrée et le point bleu est celui que j'ai optimisé sans aucun contrôle d'extrapolation. Et cela suggère ce point, qui n'a pas été observé dans les données.
	Cependant, si nous considérons le contrôle d'extrapolation, cela suggère quelque chose qui ressemble plus à ces données d'entraînement qui sont maintenant, nous avons plus confiance... confiance en elles.
	Une autre chose que nous pouvons vraiment faire est de faire de la visualisation avec et sans contrôle d'extrapolation. Donc, je veux en fait faire une démonstration aussi très rapidement,
	parce que je crois que c'est l'avenir que j'aime le plus, par exemple, si nous décidions de...
	Désolé, je vais juste fermer ceci pour une visualisation claire.
	Donc, si nous le pouvons... si nous décidons d'utiliser ce profileur... ce modèle, nous pouvons aller de l'avant et nous assurer que nous activons le contrôle d'extrapolation, puis ce sur quoi nous pouvons cliquer est le tableau aléatoire de sortie.
	Et ce que cela fait, c'est qu'il génère toutes les conditions potentielles que le modèle peut prédire sans aucune extrapolation.
	Alors maintenant, j'ai 5 000 exécutions et je peux cliquer ici pour voir très facilement la distribution ou les histogrammes de chaque paramètre.
	Si je clique sur Type A, nous pouvons voir que le modèle peut prédire toute la plage entre zéro et un pour la taille des particules.
	Similaire pour le type C, mais lorsque nous avons le type B, il ne peut prédire qu'une gamme étroite de tailles de particules en raison de ce supplément...
	désolé, extrapolation. Donc, avec celui-ci, nous pouvons vraiment optimiser et simuler en gardant à l'esprit le contrôle de l'extrapolation.
	Et aussi, on peut à partir de ce fichier, on peut utiliser le constructeur graphique
	et générer ce tracé, où nous pouvons voir si nous n'avons pas de contrôle d'extrapolation, nous avons toutes les plages avec la couleur étant l'efficacité, l'efficacité prédite.
	Mais avec le contrôle d'extrapolation, nous ne pouvons pas prédire toutes ces plages et c'est une très bonne visualisation basée sur cette fonction de simulation.
	Et maintenant, ma dernière question serait, et si je voulais vraiment estimer ces espaces ? Pour ce faire, nous devons corriger les données ou augmenter les données afin que le modèle puisse prédire toute la gamme. Nous pouvons donc maintenant effectuer une augmentation des données, qui fait également partie des capacités du JMP.
	Donc, la conception augmentée, ce que nous pouvons faire, c'est ajouter une nouvelle variable de bloc afin que les nouvelles exécutions puissent être séparées... peuvent être regroupées dans un bloc deux.
	De plus, nous pouvons définir les termes du modèle que nous voulons estimer. Maintenant, je veux estimer toutes les interactions bidirectionnelles.
	Et voici une visualisation des runs augmentés, donc les points rouges sont tous les runs augmentés et maintenant puisque nous attribuons les données dans
	haut et bas de la taille des particules lorsque le type d'eau est de type B, il est capable d'estimer tous les termes et il n'y a plus de problème de colinéarité. Et aussi dans le profileur, nous voyons que lorsque nous avons le type B, il est capable de prédire toute la plage.
	Donc quelques plats à emporter. Il peut y avoir de nombreuses sources d'extrapolation, par exemple lorsque vous avez une dépendance entre les variables d'entrée ou que vous avez tout autre terme que vous ne pouvez pas estimer mais que vous souhaitez
	être inclus dans votre modèle. Dans tout monde de modélisation prédictive se trouve aussi l'apprentissage automatique. Nous devons prendre en compte le contrôle d'extrapolation car c'est le contrôle d'intégrité
	pour le monde prédictif, et reconnaissant pour JMP 16 Pro, cette fonctionnalité nous rend son utilisation très simple. Et il est également très facile de démontrer comment la structure de l'ensemble de données peut avoir un impact sur la convivialité du modèle. Alors
	par conséquent, j'ai créé celui-ci et je souhaite le partager avec la communauté au sens large pour vraiment démontrer à quel point cette fonctionnalité est utile. Et c'est tout ma présentation. Voici la référence et une clause de non-responsabilité.
Josh Staunton	Super.
Tong Xinjie	Est-ce OK.
Josh Staunton	Merci, c'était génial j'adore.
	J'adore voir le prédicteur dans leur profil.
	profil.
	Maintenant, c'était un excellent travail, c'est qu'il est parti sans accroc.
Tong Xinjie	Merci, merci, j'espère que ce n'est pas trop.
	Eh bien, je dirais que c'est pour les débutants, donc il n'y a pas beaucoup de complexité là-dedans.
Josh Staunton	C'était comme ça pour moi, tu sais que ça va un peu avancer, mais non ce n'était pas une super idée, il a commencé à parler d'augmenter les designs c'est définitivement le prochain niveau donc.
	Ce.
	Oui, c'est à peu près tout, nous allons, comme je l'ai dit, découper ce genre d'édition, vous savez le recto et le verso, et puis il ne devrait pas être sûr quand ils s'attendent à l'avoir sur le site Web, mais ce sera être là-haut sous peu et.
	Merci encore d'avoir consacré du temps et des efforts pour partager cela avec.
	Avec notre Communauté.
Tong Xinjie	Ouais, bien sûr.
	ouais ça sonne bien.
Josh Staunton	Très bien, prenez soin de vous, et j'espère que nous vous rencontrerons bientôt à l'un de ces événements.
Tong Xinjie	Oui.
	Merci, j'ai hâte.
	Merci pour l'opportunité.
Josh Staunton	Oh oui, merci beaucoup, d'accord au revoir.
Tong Xinjie	au revoir, bonne journee.
	Toi aussi.

ÉclaterBICHEStatistiques et modélisation