398682_fr-FR

liliconcom

Utilisation de la fonction de contrôle d'extrapolation dans JMP® Pro 16 pour optimiser le processus d'exploitation minière 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 performances en matière de récupération minérale dans l'exploitation minière. En plus du type de mousseur, les variables d'entrée incluent également la taille des particules (valeur codée : 0, 0,35, 1) comme variable continue et le type d'eau (Type A, Type B, Type C) comme variable catégorielle. La variable de réponse est l’efficacité de la récupération des minéraux.

À l’aide de la fonction de contrôle d’extrapolation du 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 provoquée 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 afin d'obtenir des solutions optimales fiables.

Le problème de l’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 pourrait grandement améliorer la convivialité du modèle prédictif.

 

 

Transcription générée automatiquement...

 

Conférencier	Transcription
Josh Staunton	Salut.
Tong Xinjie	salut Josh.
Josh Staunton	salut, c'est piquant ça.
Tong Xinjie	Oui bien.
Josh Staunton	Eh bien, merci d'avoir accepté de faire cela. Je suis ravi d'entendre votre présentation.
Tong Xinjie	Merci, alors comment pouvons-nous commencer.
	ou toute autre chose, avant de commencer.
Josh Staunton	ouais, il y a juste une liste de contrôle rapide, je voulais juste la parcourir. Alors si vous en avez.
	Votre je suis votre téléphone qui est toujours en quelque sorte allumé.
Tong Xinjie	Ben ouais.
Josh Staunton	ouais, il y a un.
Tong Xinjie	Super rappel Merci.
Josh Staunton	Et juste un petit mot, je dois obtenir une affirmation verbale indiquant que vous savez en quelque sorte ce qui est enregistré, afin que vous compreniez que cela est enregistré pour le sommet de découverte JMP.
	conférence et vous le serez, il sera disponible publiquement dans la communauté des utilisateurs du travail pour donner l'autorisation pour cet enregistrement et cette utilisation.
	Oui, ouais, ok, bien.
	formalité, ils sont super 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 réglé sur 1920 fois 10 à.
Tong Xinjie	En fait, non.
	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 le faire en utilisant la fonction de contrôle d'extrapolation et le processus d'extraction de récompense optimisé JMP pro 16 2021 avec 30 MP pour.
	Très bien, alors je vais le faire.
	Voulez-vous voir si vous pouvez commencer à présenter, lancez simplement vos diapositives et.
	Si tout semble bien de votre côté, j'arrêterai ma vidéo, je la mettrai en mode muet et je vous la transmettrai.
Tong Xinjie	Nous pouvons également essayer très rapidement, d'accord.
Josh Staunton	Si vous voulez faire une présentation et je peux juste m'en assurer.
	Nous pouvons voir vos diapositives.
Tong Xinjie	ouais, donc je dois d'abord partager mon écran.
	Ouais.
Tong Xinjie	Et tu vois mon écran.
	ouais, d'accord, donc je ferai probablement une DÉMO, je ne le suis probablement pas.
	J'ai besoin de faire une DÉMO. Donc, quand je le ferai, je ferai peut-être ceci, est-ce OK, puis je reviendrai aux diapositives.
Josh Staunton	Exactement ouais c'est ça, c'est bien.
	Et vous savez que nous n'effectuerons aucun montage dans la vidéo et que nous en supprimerons une partie que vous connaissez.
	Mais pour que vous sachiez si vous faites une erreur.
	Vous savez, essayez juste de garder.
	en quelque sorte, nous sommes tous des humains ici, c'est normal de faire une erreur.
	Si vous pensez que vous le savez, mais si vous pensez vraiment que c'était une chose catastrophique, vous aimeriez voir.
	Maintenant, vous pouvez simplement.
	Nous pouvons, nous pouvons, nous pouvons recommencer, ce n'est pas grave, mais oui, mais ne laissez pas une petite erreur vous déranger, continuez simplement.
	Toi, il le sera.
	Yeah Yeah.
Tong Xinjie	Et je pense que la présentation dure environ 20 minutes.
	D'accord, c'est ça.
	Les exigences aiment.
Josh Staunton	Tu sais, je ne suis pas sûr que tout le monde soit un peu différent, mais tu sais que non.
	ouais, ne vous inquiétez pas trop de l'heure, ce sont plutôt des directives, essayez simplement de savoir.
	D'accord, Dan, sors ce que tu recherches et nous serons d'accord pour le voir.
Tong Xinjie	D'accord, ça a l'air bien, donc si c'est le cas, je vais peut-être commencer ma présentation.
Josh Staunton	ouais, alors je le ferai, je vais commencer ma vidéo et puis oui, 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, si vous pouviez simplement le donner, vous pourriez dire que vous savez, dites votre nom, et vous savez ce que vous allez traverser et.
	en quelque sorte rouler dedans.
Tong Xinjie	OK OK.
Josh Staunton	D'accord, très bien, je vais éteindre mon appareil photo et j'y vais, mais bonne chance, merci.
Tong Xinjie	Merci.
	Je m'appelle Xinjie Tong et ma présentation porte sur la façon dont nous utilisons la fonction de contrôle d'extrapolation de JMP Pro 16 dans un problème minier réel, où nous essayions d'optimiser l'efficacité de l'élimination 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 en gardant l'extrapolation à l'esprit et comment l'utilisation de l'augmentation DOE peut potentiellement résoudre le problème d'extrapolation.
	Voici une diapositive présentant les métriques de contrôle d'extrapolation actuellement utilisées dans JMP 16 Pro et toutes ces informations proviennent de la vidéo de la communauté JMP.
	fabriqué 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 les plates-formes linéaires, en particulier lorsque nous ajustons aux moindres carrés. Il y en a un autre
	métrique appelée carré T régularisé de Hotelling, qui est maintenant implémentée dans une plate-forme non linéaire, telle que GenReg, les moindres carrés neuronaux partiels. Donc comme effet de levier,
	cela dépend de la matrice de conception des données d'entraînement, ainsi que du point de prédiction. Cela dépend donc de la forme du modèle. Également pour un modèle linéaire, c'est proportionnel à la variance de prédiction.
	Mais différemment, pour le carré t régularisé, c'est une version non supervisée, donc ce n'est fonction d'aucune forme du modèle.
	Et voici l'équation que j'ai volée dans cette vidéo.
	C'est l'exemple qui provient également de cette vidéo pour montrer comment l'optimisation peut différer lorsque vous avez en tête l'extrapolation.
	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 de l'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, ce n'est donc pas très
	fiable. Le modèle est extrapolant. Mais si nous activons le contrôle d’extrapolation, il suggérera ce point rouge, désormais plus réaliste. Cela démontre donc comment le contrôle par extrapolation peut réellement 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 lors de mon emploi chez Dow. Cette étude de cas concerne donc le processus d'exploitation minière et notre objectif était d'optimiser les conditions d'exploitation minière pour une efficacité accrue de l'élimination 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 catégorielle à trois niveaux, je les ai donc codés en types 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, le résultat est l’efficacité de suppression, qui est une valeur comprise entre zéro et un, et toutes les valeurs ici sont codées pour protéger les informations réelles.
	Le problème avec cet ensemble de données est donc qu’il existe 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 plateforme 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 intermédiaire, donc la colinéarité existe lorsque nous essayons d'estimer la taille des particules.
	et interagir avec le type B. Ce n'est donc pas estimable dans ce cas.
	En raison de ce déséquilibre ou d'une certaine dépendance, 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, j'ai continué et construit le modèle en utilisant différentes plates-formes dans JMP, et ceci afin de 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 qu'on peut faire, c'est aller au DOE,
	diagnostiquer la conception 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 consulter mes diagnostics, tels que la variance de votre prédiction dans l'ensemble de l'espace... l'espace de conception ainsi que certains diagnostics.
	Cependant, je souhaite estimer les interactions bidirectionnelles. Donc si je clique sur les interactions bidirectionnelles,
	cette alerte apparaît et elle me dit que cet ensemble de données ne peut pas correspondre à tous les termes d'interaction bidirectionnelle et que les termes qu'il n'est pas possible d'estimer ont été supprimés.
	Et si nous regardons ici, nous remarquons que l'interaction entre le type d'eau et sa 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 qu'avec ces termes auxquels le modèle peut s'adapter. Ensuite, je reviendrai simplement à mes diapositives. Je vais donc commencer à construire le modèle.
	Le premier modèle que j'ai installé était donc au sein de la plateforme GenReg. La raison est que ma réponse, qui est une efficacité. C'est une valeur comprise entre zéro et un et je pense généralement à la distribution bêta, qui ne peut être réalisée que dans ce GenReg.
	Cependant, dans notre cas, même si elle se situe entre zéro et un, 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 d'une distribution normale.
	Donc, ce que j'ai fait, c'est que j'ai essayé à la fois la version bêta et la version normale dans mon modèle adapté à ce GenReg. J'ai également essayé le modèle complet et les différentes méthodes de réduction de modèle. Donc
	J'ai comparé l'AICc et le BIC et j'ai réalisé que je pouvais utiliser une distribution normale et que la méthodologie de réduction Lasso donne un AICc ou un BIC plus petit par rapport au modèle complet. C'est probablement celui-là que je vais poursuivre.
	Mais maintenant que nous pouvons utiliser une distribution normale, 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 a été un moindre carré d'ajustement, qui est une plate-forme linéaire dans JMP et j'y ai inséré le même modèle.
	Mais maintenant, ce que cela me permet de faire, c'est d'utiliser l'effet de levier comme mesure de contrôle d'extrapolation, alors que, dans GenReg, il utilisait le carré T régularisé de Hotelling. Alors maintenant, je peux comparer en quoi ces deux mesures contrastent réellement ou à quel point elles sont similaires.
	Passons maintenant à la comparaison des métriques et à quelques résultats. Voici donc ma carte, j'ai donc commencé avec le même modèle complet.
	Et j'ajuste le modèle dans GenReg et j'ajuste les moindres carrés là où ils utilisaient différentes métriques. Et en plus de comparer les métriques, je voulais également voir si j'utilisais un modèle complet ou un modèle réduit en modifiant 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 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 information, je clique sur le modèle de dialogue. C’est donc là que le modèle a été mis en place. Donc 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 sauvegardé 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 est de cliquer ici pour activer le profileur.
	Et dans le profileur,
	ce qui est nouveau ici, c'est que nous pouvons maintenant cliquer sur le contrôle d'extrapolation et désactiver l'avertissement.
	Alors maintenant, il n'y a pas de détails, donc si je veux voir les détails, je dois extrapoler rapidement les détails.
	et cela 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 se situent dans le seuil, il n'y a donc aucun avertissement.
	Mais si nous passons au type B où cette colinéarité existe, nous voyons cet avertissement possible d’extrapolation à une taille de particule très élevée ou à une taille de particule très faible.
	Une autre chose que nous pouvons faire est qu'au lieu d'activer l'avertissement, nous pouvons activer directement le contrôle d'extrapolation. Et ce qu'il fait, c'est qu'il montre uniquement la plage pour laquelle il n'y a pas d'extrapolation.
	Alors, et maintenant, je tiens à mentionner que le seuil ici est de 16,3, et si nous installions un modèle réduit ? Cela change-t-il le seuil ainsi que la région d'extrapolation ? Alors maintenant je peux accéder à mon modèle réduit, et je peux activer mon profileur que j'ai déjà activé, et voici...
	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 ajustés, qui sont 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.
	De la même manière ici, nous pouvons cliquer sur le contrôle d'extrapolation et activer l'avertissement ainsi que les détails de l'extrapolation.
	Ici, le seuil est différent car il a été calculé sur la base d’une équation différente. Tellement 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 par extrapolation.
	Et si je règle cela à 0,35, c'est le seul point sur lequel 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 contenait de l'eau B,
	il est uniquement capable de prédire ce seul niveau de taille des particules, observé lors de 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.
	Ceci est donc plus strict que le GenReg, où le carré T régularisé a été utilisé, car dans l’autre scénario, il était capable de prédire une plage plus étroite. Et encore une fois, c’est parce que celui-là n’est pas encadré et que celui-là 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 possédez 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 Square régularisé.
	Alors maintenant, je m'intéressais à la manière dont nous pouvions 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. Cela dessine donc 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 davantage aux données d'entraînement qui existent actuellement, nous avons plus confiance... confiance en elles.
	Une autre chose que nous pouvons réellement faire est de réaliser une 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 continuer et nous assurer d'activer le contrôle d'extrapolation, puis ce sur quoi nous pouvons cliquer est la sortie d'une table aléatoire.
	Et cela génère toutes les conditions potentielles que le modèle peut prédire sans aucune extrapolation.
	Alors maintenant, j'ai 5 000 runs 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 n'est capable de prédire qu'une plage étroite de taille de particules en raison de cet supplément...
	désolé, extrapolation. Ainsi, 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 générons 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 veux vraiment estimer ces espaces ? Pour ce faire, nous devons corriger les données ou augmenter les données afin que le modèle puisse prédire toute la plage. Nous pouvons désormais augmenter les données, ce qui fait également partie des capacités du JMP.
	Donc, en 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 en un bloc deux.
	Nous pouvons également définir les termes du modèle que nous souhaitons estimer. Maintenant, je veux estimer toutes les interactions bidirectionnelles.
	Et voici une visualisation des exécutions augmentées, donc les points rouges sont toutes les exécutions augmentées et maintenant puisque nous attribuons les données dans
	haute et basse 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 également dans le profileur, nous voyons que lorsque nous avons le type B, il est capable de prédire toute la gamme.
	Donc quelques points à retenir. Il peut y avoir de nombreuses sources d'extrapolation, par exemple lorsqu'il y a une dépendance entre les variables d'entrée, ou lorsque 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, il y a aussi l'apprentissage automatique. Il faut prendre en compte le contrôle d'extrapolation car c'est le contrôle de santé mentale
	pour le monde prédictif, et grâce à JMP 16 Pro, cette fonctionnalité nous rend très simple à utiliser. 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. Donc
	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 toute ma présentation. Voici la référence et quelques avertissements.
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’est un excellent travail, c’est qu’il s’en est sorti 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 pour moi, vous savez que ça va avancer un peu, mais non, ce n'était pas une bonne idée, il a commencé à parler d'augmenter les designs, c'est définitivement le prochain niveau donc.
	Que.
	Oui, c'est à peu près tout ce que nous allons, comme je l'ai dit, découper cette sorte de montage, vous connaissez le recto et le verso, et puis il ne faut pas savoir quand ils s'attendent à ce que cela soit affiché sur le site Web, mais ce sera le cas. je serai là-haut sous peu et.
	Merci encore d'avoir consacré du temps et des efforts pour partager cela.
	Avec notre Communauté.
Tong Xinjie	Ouais, bien sûr.
	ouais, ça a l'air bien.
Josh Staunton	Très bien, prenez soin de vous, et j'espère que nous vous rencontrerons bientôt lors de l'un de ces événements.
Tong Xinjie	Ouais.
	Merci, j'attends ça avec impatience.
	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