398682_it-IT

liliconcom

Utilizzo della funzione di controllo dell'estrapolazione in JMP® Pro 16 per ottimizzare il processo di estrazione nel mondo reale (2021-US-30MP-844)

Livello: Principiante

 

Xinjie Tong, Statistico di ricerca senior, Dow

 

Il caso di studio mira a valutare 12 tipi di schiumatori in termini di prestazioni nel recupero di minerali nell'industria mineraria. Oltre al tipo di schiumatore, le variabili di input includono anche la dimensione delle particelle (valore codificato: 0, 0,35, 1) come variabile continua e il tipo di acqua (Tipo A, Tipo B, Tipo C) come variabile categoriale. La variabile di risposta è l'efficienza di recupero del minerale.

Utilizzando la funzione di controllo dell'estrapolazione nel profilatore di previsione, è stata osservata una possibile estrapolazione per l'acqua di tipo B quando la dimensione delle particelle = 1 in base alla metrica quadrata T regolarizzata. Questa estrapolazione è stata causata da uno squilibrio nel DOE in cui la misurazione per l'acqua di tipo B è stata eseguita solo con dimensione delle particelle = 0,35. Il controllo dell'estrapolazione è stato attivato nello sforzo di ottimizzare l'efficienza del recupero dei minerali per ottenere soluzioni ottimali affidabili.

Il problema dell'estrapolazione è scomparso quando il DOE è stato aumentato per essere più equilibrato. La funzione di controllo dell'estrapolazione ha fornito una comprensione immediata di come l'aumento di un DOE sbilanciato potrebbe aumentare ampiamente l'usabilità del modello predittivo.

 

 

Trascrizione generata automaticamente...

 

Relatore	Trascrizione
Josh Staunton	Ciao.
Xinjie Tong	Ciao Josh.
Josh Staunton	ciao è zingy quello.
Xinjie Tong	Sì, bene.
Josh Staunton	Bene, grazie per aver accettato di farlo, sono entusiasta di ascoltare la tua presentazione.
Xinjie Tong	Grazie, quindi come possiamo iniziare.
	o qualsiasi altra cosa, prima di iniziare.
Josh Staunton	sì c'è solo una lista di controllo veloce, volevo solo passare attraverso quindi se ne hai.
	Il tuo io sono il tuo telefono che è ancora acceso.
Xinjie Tong	Bene sì.
Josh Staunton	sì c'è un.
Xinjie Tong	Ottimo promemoria Grazie.
Josh Staunton	E solo un attimo devo ottenere un'affermazione verbale che in un certo senso sai cosa viene registrato, quindi come se capissi che questo è stato registrato per il vertice della scoperta del JMP.
	conferenza e sarai pubblicamente disponibile nella comunità degli utenti del lavoro per dare il permesso per questa registrazione e utilizzo.
	Sì, sì va bene bene.
	formalità sono fantastici e.
	Mi piace il tuo sfondo, tutto sembra a posto e immagino che l'unica cosa sia il tuo sai se il tuo display è impostato su 1920 per 10 a.
Xinjie Tong	In realtà non lo faccio.
	sapere chiaramente.
Xinjie Tong	impostazioni di visualizzazione molto veloce.
	Sono a pensiamo di vedere 119 20 volte 1080.
Josh Staunton	Oh perfetto.
Xinjie Tong	si Bene.
Josh Staunton	Sì, è perfetto e lo farai utilizzando la funzione di controllo dell'estrapolazione e il processo di mining della ricompensa ottimizzato JMP pro 16 2021 us 30 MP per.
	Ottimo, bene, quindi lo farò.
	Vuoi vedere se puoi iniziare a presentare, avvia le tue diapositive e.
	Se tutto sembra a posto dalla tua parte, interromperò il mio video e te lo passerò.
Xinjie Tong	Quindi possiamo provare molto velocemente, va bene.
Josh Staunton	Se vuoi presentare e io potrei solo essere sicuro.
	Possiamo vedere le tue diapositive.
Xinjie Tong	yeah um quindi devo prima condividere il mio schermo.
	si.
Xinjie Tong	E vedi il mio schermo.
	sì, va bene, quindi probabilmente farò qualche DEMO in cui probabilmente non lo sono.
	Ho bisogno di fare un po' di DEMO Quindi, quando lo farò, forse lo farò, va bene, e poi tornerò alle diapositive.
Josh Staunton	Esattamente sì è così che va bene.
	E sai che non ci sarà alcuna modifica all'interno del video che taglierà parte di esso che conosci.
	Ma così sai se commetti un errore se lo fai.
	Sai, prova solo a mantenerti.
	in un certo senso siamo tutti umani qui va bene commettere un errore.
	Se pensi di saperlo, ma se pensi davvero che fosse in una cosa catastrofica che vorresti vedere.
	Ora puoi solo.
	Possiamo, possiamo, possiamo ricominciare da capo, non è un grosso problema, ma sì, ma non permettere che solo un piccolo errore ti infastidisca, mantienilo.
	Sarai tu.
	Yeah Yeah.
Xinjie Tong	E penso che siano circa 20 minuti per la presentazione.
	Va bene, è quello.
	I requisiti come.
Josh Staunton	Sai che non sono sicuro che tutti siano un po' diversi, ma sai che non lo so.
	sì, non preoccuparti troppo del tempo, quelle sono più tipi di linee guida, prova solo a farti sapere.
	Ok, Dan e tira fuori quello che stai cercando e saremo d'accordo a vederlo.
Xinjie Tong	Va bene suona bene, quindi se è così, forse inizierò a presentare.
Josh Staunton	sì, quindi lo farò, inizierò il mio video e poi sì, voleva solo prendersi un minuto o puoi iniziare quando sei pronto.
Xinjie Tong	Oh, non ho bisogno di fare alcuna produzione è giusto o.
Josh Staunton	No, potresti semplicemente darlo, potresti dire che sai dire il tuo nome e sai cosa starai passando e.
	tipo di rotolarci dentro.
Xinjie Tong	Ok ok.
Josh Staunton	Ok, va bene, spengo la mia macchina fotografica e ti seguo ma buona fortuna, grazie.
Xinjie Tong	Grazie.
	Quindi, mi chiamo Xinjie Tong e la mia presentazione riguarda il modo in cui utilizziamo la funzione di controllo dell'estrapolazione in JMP Pro 16 in un problema di mining del mondo reale, in cui stavamo cercando di ottimizzare l'efficienza di rimozione dei minerali nel processo di mining.
	Quindi introdurrò un caso di studio sul processo di mining, quindi esploreremo un po' di più sulla metrica di controllo dell'estrapolazione menzionata anche, come ottimizziamo tenendo presente l'estrapolazione e come l'uso dell'aumento DOE può potenzialmente affrontare il problema dell'estrapolazione.
	Ecco una diapositiva che ha introdotto la metrica di controllo dell'estrapolazione attualmente utilizzata in JMP 16 Pro e tutte queste informazioni provengono dal video nella comunità di JMP.
	realizzato da SAS, come puoi trovare il riferimento in fondo, quindi ci sono due metriche principali che vengono utilizzate in JMP.
	Uno è la leva, che viene utilizzata nella piattaforma lineare, in particolare quando adattiamo i minimi quadrati. Ce n'è un altro
	metrica chiamata T quadrato di Hotelling regolarizzato, che ora è implementato in piattaforme non lineari, come GenReg, minimi quadrati parziali neurali. Quindi per fare leva,
	è una funzione della matrice di progettazione dei dati di allenamento, nonché del punto di previsione. Quindi dipende dal modulo del modello. Anche per un modello lineare, è proporzionale alla varianza di previsione.
	Ma diversamente, per il quadrato t regolarizzato, è una versione non supervisionata, quindi non è una funzione di nessuna forma del modello.
	Ed ecco l'equazione che rubo da quel video.
	Questo è l'esempio che viene anche da quel video per mostrare come l'ottimizzazione può differire quando hai in mente l'estrapolazione.
	Quindi ecco un esempio in cui abbiamo tre variabili di input e, come possiamo vedere qui, MaxPulse e RunPulse hanno una forte correlazione positiva.
	Se non prendiamo in considerazione il controllo dell'estrapolazione, il modello ci dirà che il punto blu è l'ottimo. Tuttavia, non obbedisce alla relazione nei dati di addestramento, quindi non è molto
	affidabile. Il modello è estrapolante. Ma se attiviamo il controllo di estrapolazione, verrà suggerito questo punto rosso, che ora è più realistico. Quindi dimostra come il controllo dell'estrapolazione può davvero aiutare con il processo decisionale ed evitare previsioni non realistiche.
	Quindi ora parlerò del caso di studio che ho incontrato durante il mio lavoro in Dow. Quindi questo caso di studio riguarda il processo di estrazione e il nostro obiettivo era ottimizzare le condizioni di estrazione per una maggiore efficienza nella rimozione dei minerali.
	Abbiamo 120 righe in questo set di dati e abbiamo tre variabili di input e una variabile di output.
	Per la variabile di input, abbiamo il tipo di acqua, che è una variabile categoriale con tre livelli, quindi li ho codificati in Tipo A, B e C.
	Abbiamo anche 12 tipi di montalatte che sono stati utilizzati e sono anche categorici. Abbiamo una variabile numerica, che è la dimensione delle particelle e le ho codificate su 0, 1 e anche .35.
	Qui l'output è l'efficienza di rimozione, che è un valore compreso tra zero e uno, e tutti i valori qui sono codificati per proteggere le informazioni effettive.
	Quindi il problema con questo set di dati è che in realtà c'è una certa colinearità dovuta alla fase di progettazione. Quindi, se possiamo guardare questo builder grafico, abbiamo visualizzato molto facilmente la struttura dei dati usando il builder grafico, che è una piattaforma in JMP.
	Quindi qui, stavo usando il tipo di schiumarola come avvolgimento, quindi ogni scatola si riferisce a un tipo di schiumarola e quindi stiamo osservando la dimensione delle particelle sull'asse Y e il tipo di acqua sull'asse X.
	Quindi qui, il problema è che quando abbiamo acqua di tipo B, avremo solo un livello di dimensione delle particelle, che è al livello medio, quindi la colinearità esiste quando proviamo a stimare la dimensione delle particelle
	e interagire con il Tipo B. Quindi non è stimabile in questo caso.
	A causa di questo squilibrio o di qualche dipendenza, avremo problemi di estrapolazione, ed è qui che la funzione di controllo dell'estrapolazione può davvero aiutarci a prevenire qualsiasi rischio dovuto a questo set di dati imperfetto.
	Quindi, sono andato avanti e ho costruito il modello e utilizzando diverse piattaforme in JMP, e questo per confrontare le metriche e il modo in cui possono potenzialmente influenzare il nostro processo decisionale.
	Prima di adattare qualsiasi modello, di solito avvierò questo progetto di valutazione, che è... che è una delle capacità di JMP. Quindi questa piattaforma ci permette di chiedere di capire,
	dato un set di dati, quali sono i termini che possono essere stimati dal set di dati. E farò una rapida demo su questo. Quindi ecco il mio set di dati. Quindi ho tre variabili di input e una variabile di output. Quello che possiamo fare è andare al DOE,
	progettare la diagnostica e valutare il design. Quindi qui, la risposta Y è facoltativa, quindi trascinerò i miei tre input qui, fare clic su OK.
	E ora mi dice che se sto solo considerando gli effetti principali, è in grado di stimarli e posso guardare la mia diagnostica, come la varianza della tua previsione all'interno dell'intero spazio... spazio di progettazione e anche alcuni diagnostici.
	Tuttavia, voglio stimare le interazioni bidirezionali Quindi, se faccio clic su interazioni bidirezionali,
	viene visualizzato questo avviso e mi dice che questo set di dati non può adattarsi a tutti i termini di interazione bidirezionale e i termini che non è possibile stimare sono stati rimossi.
	E se guardiamo qui, notiamo che l'interazione tra il tipo di acqua e la dimensione particolare è stata eliminata e ciò è dovuto al problema di colinearità che ho appena menzionato.
	Quindi, se controlliamo qui, questi dati diagnostici sono stati aggiornati, in base a questo nuovo insieme di termini del modello. Quindi ora lo so
	a causa della colinearità, non posso stimare tutti i termini, quindi posso iniziare solo con questi termini che il modello può adattarsi. Quindi tornerò alle mie diapositive. Quindi inizierò a costruire il modello.
	Quindi il primo modello che ho montato era all'interno della piattaforma GenReg. Il motivo è che la mia risposta, che è un'efficienza. È un valore compreso tra zero e uno e di solito penserò alla distribuzione beta, che può essere realizzata solo in questo GenReg.
	Tuttavia, nel nostro caso, sebbene sia compreso tra zero e uno, la distribuzione è più simile al normale e non ci sono alte frequenze vicine a zero o uno, il che rende problematico l'uso della distribuzione normale.
	Quindi quello che ho fatto è stato provare sia beta che normale nel mio modello che si adattava a questo GenReg. Ho anche provato il modello completo e i vari metodi per la riduzione del modello. Così
	Ho confrontato AICc e BIC e mi sono reso conto che avrei potuto utilizzare la distribuzione normale e la metodologia di riduzione del lazo fornisce un AICc o BIC più piccolo rispetto al modello completo. Probabilmente è quello con cui andrò avanti.
	Ma ora che possiamo usare la distribuzione normale e mi sono reso conto che possiamo effettivamente adattare lo stesso modello, ma su piattaforme diverse.
	Quindi la cosa successiva che ho fatto è stata una misura meno quadrata usata, che è una piattaforma lineare in JMP e vi inserisco lo stesso modello.
	Ma ora quello che mi permette di fare è usare la leva come metrica di controllo dell'estrapolazione, mentre, in GenReg, utilizzava il quadrato T di Hotelling regolarizzato. Quindi ora posso confrontare in che modo queste due metriche sono davvero in contrasto o quanto sono simili.
	Quindi ora andiamo al confronto delle metriche e ad alcuni risultati. Quindi ecco la mia mappa, quindi ho iniziato con lo stesso modello completo.
	E inserisco il modello all'interno di GenReg e inserisco i minimi quadrati in cui utilizzavano metriche diverse. E oltre a confrontare le metriche, volevo anche vedere se ho utilizzato un modello completo rispetto a un modello ridotto modificando la forma del modello, in che modo ciò cambia le prestazioni delle metriche?
	Quindi qui è dove farò un'altra demo e possiamo anche vedere come possiamo usare la funzione di controllo dell'estrapolazione in un profiler. Quindi inizierò con questo GenReg, che è lo stesso script.
	Solo così solo così per te... per informazioni, farò clic sul dialogo modello. Quindi è qui che è stato impostato il modello. Quindi efficienza per Y, questi termini che sono stati definiti nel design di valutazione e utilizzando beta o normale.
	E quindi fare clic su Esegui. Quindi ho salvato due modelli. La prima è la distribuzione normale con riduzione del modello. La seconda è la distribuzione normale con il modello completo. Quindi, se iniziamo prima con un modello completo, quello che possiamo fare è fare clic qui per attivare il profiler.
	E nel profiler,
	la novità è che ora possiamo fare clic sul controllo dell'estrapolazione e possiamo disattivare l'avviso.
	Quindi ora non ci sono dettagli, quindi se voglio vedere i dettagli, ho bisogno di una rapida estrapolazione dei dettagli
	e ci mostra la soglia nella metrica. Quindi, se possiamo spostarci lungo la dimensione delle particelle e la metrica sta cambiando, ma sono entro la soglia, quindi non c'è alcun avviso.
	Ma se andiamo al Tipo B dove esiste quella colinearità, vediamo questo possibile avviso di estrapolazione a dimensioni delle particelle molto elevate oa dimensioni delle particelle molto piccole.
	Un'altra cosa che possiamo fare è invece di attivare l'avviso, possiamo attivare direttamente il controllo di estrapolazione. E quello che fa è mostrare solo l'intervallo in cui non c'è estrapolazione.
	Quindi, e ora voglio menzionare che la soglia qui è 16,3, e cosa succede se ci adattiamo a un modello ridotto? Questo cambia la soglia e anche la regione di estrapolazione? Quindi ora posso passare al mio modello ridotto, e posso accendere il mio profiler che ho già attivato, ed ecco qua...
	se clicco sui dettagli di estrapolazione e lo accendo, vedremo che ha la stessa soglia e lo stesso intervallo di estrapolazione. Quindi qui questo quadrato T regolarizzato non è supervisionato e non cambia quando utilizziamo un modello completo rispetto a un modello ridotto.
	E se noi, invece di usare GenReg, proviamo il fit lease squares, che è una piattaforma lineare e la leva può essere usata per l'estrapolazione del modello. Quindi ecco il mio modello completo. Posso fare clic sulla profilatura dei fattori, attivare il profiler.
	Simile qui, possiamo fare clic sul controllo dell'estrapolazione e attivare l'avviso e anche i dettagli di estrapolazione.
	Quindi qui la soglia è diversa perché è stata calcolata in base a un'equazione diversa. Così simile a prima, il tipo B... il tipo A e C non ha estrapolazione ma per il tipo B, in realtà è... tutto ha il riscaldamento dell'estrapolazione.
	E se lo imposto su .35, questo è l'unico punto in cui non c'è estrapolazione. Per dimostrarlo più chiaramente, posso attivare il mio controllo di estrapolazione e quindi vedresti quello che aveva acqua B,
	è solo in grado di prevedere questo singolo livello di dimensione delle particelle, che è stato osservato nell'esperimento. Quindi questo ci sta dicendo che,
	dato il set di dati e utilizzando la leva come metrica, non possiamo prevedere nessun'altra dimensione delle particelle quando utilizziamo acqua... acqua di tipo B.
	Quindi questo rispetto al GenReg, dove è stato utilizzato il quadrato T regolarizzato, è più rigoroso, perché nell'altro scenario è stato in grado di prevedere un intervallo più ristretto. E ancora, questo è perché quello non è supervisionato e questo è più orientato verso la forma modello.
	Quindi qui abbiamo una soglia di .5 e ho provato il modello ridotto quando stavo usando la leva, e anche la soglia è stata modificata perché dipende dalla forma del modello. Quindi se hai un modello più piccolo, avrai una soglia più piccola. E questa è la tabella di confronto.
	In questo caso specifico, vediamo che la leva è più rigorosa del T Square regolarizzato.
	Quindi ora ero interessato a come possiamo ottimizzare con questa funzione di controllo dell'estrapolazione, perché questo è l'obiettivo del nostro progetto.
	Quindi ecco l'output finale che ho ottenuto. Quindi questo sta disegnando tutte le variabili di input e il punto blu è quello che ho ottimizzato senza alcun controllo di estrapolazione. E suggerisce questo punto, che non è stato osservato nei dati.
	Tuttavia, se prendiamo in considerazione il controllo dell'estrapolazione, suggerisce qualcosa che è più simile a quei dati di addestramento che sono ora, abbiamo più fiducia ... fiducia in esso.
	Un'altra cosa che possiamo davvero fare è fare un po' di visualizzazione con e senza il controllo dell'estrapolazione. Quindi in realtà voglio provare anche questo molto rapidamente,
	perché credo che questo sia il futuro che amo di più è, per esempio, se decidessimo di...
	Mi dispiace, lo chiuderò solo per una visualizzazione chiara.
	Quindi, se possiamo... se abbiamo deciso di utilizzare questo profiler... questo modello, possiamo andare avanti e assicurandoci di attivare il controllo di estrapolazione, e quindi ciò su cui possiamo fare clic è l'output di una tabella casuale.
	E ciò che fa è generare tutte le condizioni potenziali che il modello può prevedere senza alcuna estrapolazione.
	Quindi ora ho 5.000 esecuzioni e posso fare clic qui per vedere molto facilmente la distribuzione o gli istogrammi di ciascun parametro.
	Se faccio clic su Tipo A, possiamo vedere che il modello può prevedere l'intero intervallo tra zero e uno per la dimensione delle particelle.
	Simile per il tipo C, ma quando abbiamo il tipo B, è in grado di prevedere solo un intervallo ristretto di dimensioni delle particelle a causa di quell'extra...
	scusa, estrapolazione. Quindi, con questo, possiamo davvero ottimizzare e simulare tenendo presente il controllo dell'estrapolazione.
	Inoltre, da questo file possiamo utilizzare il costruttore grafico
	e generare questo grafico, dove possiamo vedere se non abbiamo il controllo dell'estrapolazione, abbiamo tutte le gamme con il colore che è l'efficienza, l'efficienza prevista.
	Ma con il controllo dell'estrapolazione, non possiamo prevedere tutti questi intervalli e questa è un'ottima visualizzazione basata su quella funzione di simulazione.
	E ora, la mia ultima domanda sarebbe, e se volessi davvero stimare questi spazi? Per fare ciò, dobbiamo correggere i dati o aumentare i dati in modo che il modello possa prevedere l'intero intervallo. Quindi ora possiamo eseguire l'aumento dei dati, che fa anche parte delle capacità di JMP.
	Quindi il design aumentato, quello che possiamo fare è aggiungere una nuova variabile di blocco in modo che le nuove esecuzioni possano essere separate... possono essere raggruppate in un blocco due.
	Inoltre, possiamo definire i termini del modello che vogliamo stimare. Ora, voglio stimare tutte le interazioni bidirezionali.
	Ed ecco una visualizzazione delle corse aumentate, quindi i punti rossi sono tutte le corse aumentate e ora poiché stiamo assegnando i dati in
	alta e bassa della dimensione delle particelle quando il tipo di acqua è di tipo B, è in grado di stimare tutti i termini e non ci sono più problemi di colinearità. E anche nel profiler, vediamo che quando abbiamo il tipo B, è in grado di prevedere l'intero intervallo.
	Quindi qualche asporto. Ci possono essere molte fonti di estrapolazione, come quando hai una dipendenza tra variabili di input, o hai qualsiasi altro termine che non puoi stimare ma vuoi
	essere incluso nel tuo modello. In ogni mondo della modellazione predittiva c'è anche il machine learning. Dobbiamo tenere conto del controllo di estrapolazione perché è il controllo di integrità
	per il mondo predittivo e grati per JMP 16 Pro, questa funzione rende molto semplice l'utilizzo. Inoltre, è molto facile dimostrare come la struttura del set di dati può influire sull'usabilità del modello. Così
	quindi, ho creato questo e voglio condividerlo con la comunità più ampia per dimostrare davvero quanto sia utile questa funzione. E questa è tutta la mia presentazione. Ecco il riferimento e qualche disclaimer.
Josh Staunton	Grande.
Xinjie Tong	Va bene?
Josh Staunton	Grazie, è stato fantastico, lo amo.
	Adoro vedere il predittore nel loro profilo.
	profilo.
	Ora un ottimo lavoro è che è andato via senza intoppi.
Xinjie Tong	Grazie, grazie, spero, non è troppo.
	Beh, direi che è per principianti, quindi non c'è molta complessità.
Josh Staunton	Che è stato come per me, sai che è un po' avanzerà, ma no, non è stata una grande idea, ha iniziato a parlare di aumentare i design, è sicuramente il livello successivo, quindi.
	Quella.
	Sì, è più o meno che, come ho detto, taglieremo questo tipo di Modifica, conosci la parte anteriore e quella posteriore, e quindi non dovrebbe essere sicuro quando si aspettano di averlo sul sito Web, ma lo farà essere lassù tra poco e.
	Grazie ancora per aver dedicato tempo e sforzi per condividere questo con.
	Con la nostra Community.
Xinjie Tong	sì, certamente.
	si suona bene.
Josh Staunton	Va bene, stai attento e speriamo di incontrarti presto a uno di questi eventi.
Xinjie Tong	si.
	Grazie, non vedo l'ora.
	Grazie per l'opportunità.
Josh Staunton	Oh sì, grazie mille, va bene ciao ciao.
Xinjie Tong	Ciao, buona giornata.
	Anche tu.

ScoppiareDOEStatistica e modellistica