398682_it-IT

liliconcom

Utilizzo della funzionalità di controllo dell'estrapolazione in JMP® Pro 16 per ottimizzare il processo di mining 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 dei minerali nel settore minerario. Le variabili di input includono oltre al tipo di ugello 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 del recupero dei minerali.

Utilizzando la funzione di controllo dell'estrapolazione nel profiler di previsione, è stata osservata una possibile estrapolazione per l'acqua di tipo B quando la dimensione delle particelle = 1 in base alla metrica T quadrata regolarizzata. Questa estrapolazione è stata causata da uno squilibrio nel DOE in cui la misurazione per l'acqua di tipo B è stata effettuata solo con dimensioni delle particelle = 0,35. Il controllo dell'estrapolazione è stato attivato nel tentativo di ottimizzare l'efficienza di 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 funzionalità di controllo dell’estrapolazione ha fornito una comprensione immediata di come l’aumento di un DOE sbilanciato potrebbe migliorare notevolmente l’utilizzabilità del modello predittivo.

 

 

Trascrizione generata automaticamente...

 

Altoparlante	Trascrizione
Josh Staunton	CIAO.
Xinjie Tong	Ciao Josh.
Josh Staunton	ciao, è davvero interessante.
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 breve lista di controllo, volevo solo esaminarla. 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 devo solo ottenere una rapida affermazione verbale che tu sappia cosa viene registrato, quindi come se capissi che è stato registrato per il vertice di scoperta di JMP.
	conferenza e sarai disponibile pubblicamente nella comunità degli utenti di 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 che hai è sapere se il tuo display è impostato su 1920 volte 10 a.
Xinjie Tong	In realtà no.
	sapere chiaramente.
Xinjie Tong	impostazioni di visualizzazione molto veloci.
	Penso che vediamo 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 di ricompensa ottimizzato JMP pro 16 2021 us 30 MP per per.
	Ottimo, va bene, quindi lo farò.
	Vuoi vedere se puoi iniziare a presentare semplicemente avviando le diapositive e.
	Se tutto sembra a posto dal tuo punto di vista, interromperò l'audio del mio video e te lo passerò semplicemente.
Xinjie Tong	Quindi possiamo provarci molto velocemente, ok?
Josh Staunton	Se vuoi presentarmi, potrei assicurarmene.
	Possiamo vedere le tue diapositive.
Xinjie Tong	sì, quindi devo prima condividere il mio schermo.
	Sì.
Xinjie Tong	E vedi il mio schermo.
	sì, okay, quindi probabilmente farò qualche DEMO, probabilmente non lo farò.
	Ho bisogno di fare qualche DEMO Quindi, quando lo farò, forse farò semplicemente questo, va bene, e poi tornerò alle diapositive.
Josh Staunton	Esatto sì, va bene così.
	E sai che non verrà effettuato alcun editing all'interno del video, ne taglieremo una parte che sai.
	Ma così sai se commetti un errore se tu.
	Sai, cerca solo di continuare.
	in un certo senso attraversandolo, siamo tutti umani qui, va bene fare un errore.
	Se pensi di saperlo, ma se pensi davvero che sia stata una cosa catastrofica ti piacerebbe vedere.
	Ora puoi semplicemente.
	Possiamo, possiamo, possiamo ricominciare da capo, non è un grosso problema, ma sì, ma non permettere che solo un piccolo errore ti dia fastidio, continua.
	Tu lo sarai.
	Yeah Yeah.
Xinjie Tong	E penso che siano circa 20 minuti giusti la presentazione.
	Ok, è così.
	I requisiti come.
Josh Staunton	Sai che non sono sicuro che tutti siano un po' diversi, ma sai che non è così.
	sì, non preoccuparti troppo del tempo, quelle sono più linee guida, prova a saperlo.
	Ok, Dan, tira fuori le tue ricerche e saremo in grado di vederlo.
Xinjie Tong	Ok, sembra una buona cosa, quindi se è così, forse inizierò a presentare.
Josh Staunton	sì, quindi lo farò, inizierò il mio video e poi sì, voleva prendersi solo un minuto oppure puoi iniziare quando sei pronto.
Xinjie Tong	Oh, non ho bisogno di fare alcuna produzione, giusto?
Josh Staunton	No, se potessi semplicemente dirlo, potresti dire che sai dire il tuo nome, e sai cosa attraverserai e.
	tipo di rotolarci dentro.
Xinjie Tong	Ok ok.
Josh Staunton	Ok, va bene, spengo la macchina fotografica e ti vado, 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 minerario reale, in cui stavamo cercando di ottimizzare l'efficienza di rimozione dei minerali nel processo di estrazione.
	Quindi presenterò un caso di studio sul processo di mining, quindi esploreremo un po' di più la metrica di controllo dell'estrapolazione menzionata, come ottimizziamo tenendo presente l'estrapolazione e come l'uso dell'aumento DOE può potenzialmente gestire il problema dell'estrapolazione.
	Ecco una diapositiva che introduce le metriche di controllo dell'estrapolazione attualmente utilizzate in JMP 16 Pro e tutte queste informazioni provengono dal video nella comunità JMP.
	realizzato da SAS, come puoi trovare come riferimento in fondo, quindi ci sono due parametri principali utilizzati in JMP.
	Uno è la leva finanziaria, 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 implementata in una piattaforma non lineare, come GenReg, minimi quadrati parziali neurali. Quindi, per la leva finanziaria,
	è una funzione della matrice di progettazione dei dati di addestramento, nonché del punto di previsione. Quindi dipende dalla forma del modello. Anche per un modello lineare, è proporzionale alla varianza della previsione.
	Ma diversamente, per il quadrato t regolarizzato, si tratta di una versione non supervisionata, quindi non è una funzione di alcuna forma del modello.
	Ed ecco l'equazione che rubo da quel video.
	Questo è l'esempio tratto da quel video per mostrare come l'ottimizzazione può differire quando si ha 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 consideriamo il controllo dell'estrapolazione, il modello ci dirà che il punto blu è quello ottimale. Tuttavia, non obbedisce alla relazione nei dati di addestramento, quindi non è molto
	affidabile. Il modello sta estrapolando. Ma se attiviamo il controllo di estrapolazione, suggerirà questo punto rosso, che ora è più realistico. Ciò dimostra quindi come il controllo dell’estrapolazione possa davvero aiutare nel processo decisionale ed evitare previsioni non realistiche.
	Quindi ora parlerò del caso di studio che ho riscontrato durante il mio impiego presso 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 della 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 le ho codificate in Tipo A, B e C.
	Abbiamo anche 12 tipi di schiumatori utilizzati e anche loro sono categorici. Abbiamo una variabile numerica, che è la dimensione delle particelle e le ho codificate su 0, 1 e anche 0,35.
	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 generatore di grafici, abbiamo visualizzato molto facilmente la struttura dei dati utilizzando il generatore di grafici, che è una piattaforma in JMP.
	Quindi qui stavo usando il tipo di schiumatore come involucro, quindi ogni scatola si riferisce a un tipo di schiumatore e poi osserviamo 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 funzionalità di controllo dell'estrapolazione può davvero aiutarci a prevenire qualsiasi rischio dovuto a questo set di dati imperfetto.
	Quindi, sono andato avanti e ho creato il modello utilizzando diverse piattaforme in JMP, per confrontare i parametri e il modo in cui possono potenzialmente influenzare il nostro processo decisionale.
	Prima di adattare qualsiasi modello, di solito inizio questa valutazione del progetto, che è... che è una delle funzionalità 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 breve demo a riguardo. 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,
	diagnostica del progetto e valutazione del progetto. Quindi qui, la risposta Y è facoltativa, quindi trascinerò i miei tre input qui, farò clic su OK.
	E ora mi dice che se considero solo gli effetti principali, è in grado di stimarli e posso esaminare la mia diagnostica, come la varianza della previsione all'interno dell'intero spazio...spazio di progettazione e anche alcuni dati diagnostici.
	Tuttavia, desidero 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 dell'interazione bidirezionale e che 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 della colinearità che ho appena menzionato.
	Quindi, se controlliamo qui, questi dati diagnostici sono stati aggiornati, in base a questa nuova serie 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. Poi 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, anche se è compreso tra zero e uno, la distribuzione è più simile a quella normale e non c'è un'alta frequenza vicina allo zero o all'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 adattandolo a questo GenReg. Ho provato anche 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. Questo è probabilmente quello con cui andrò avanti.
	Ma ora che possiamo usare la distribuzione normale, mi sono reso conto che possiamo effettivamente adattare lo stesso modello, ma su piattaforme diverse.
	Quindi la cosa successiva che ho fatto è stato un adattamento minimo quadrato usato, che è una piattaforma lineare in JMP e ho adattato lo stesso modello lì dentro.
	Ma ora ciò che mi consente di fare è utilizzare la leva finanziaria come metrica di controllo dell'estrapolazione, mentre, in GenReg, utilizzava il quadrato T di Hotelling regolarizzato. Quindi ora posso confrontare in che modo questi due parametri contrastano realmente o quanto sono simili.
	Quindi ora andremo al confronto delle metriche e ad alcuni risultati. Quindi ecco la mia mappa, quindi ho iniziato con lo stesso modello completo.
	E ho adattato il modello all'interno di GenReg e ho adattato i minimi quadrati dove 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 è qui che farò un'altra demo e potremo anche vedere come utilizzare la funzionalità di controllo dell'estrapolazione in un profiler. Quindi inizierò con questo GenReg, che è lo stesso script.
	Giusto così giusto così tu...per informazioni, farò clic sul dialogo del modello. Quindi è qui che è stato creato il modello. Quindi l'efficienza per Y, questi termini che sono stati definiti nella progettazione della valutazione e utilizzando beta o normale.
	E poi fai 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 modello completo. Quindi, se iniziamo prima con un modello completo, ciò che possiamo fare è fare clic qui per attivare il profiler.
	E nel profiler,
	la novità è che ora possiamo fare clic sul controllo di estrapolazione e disattivare l'avviso.
	Quindi ora non ci sono dettagli, quindi se desidero vedere i dettagli, devo estrapolare rapidamente i dettagli
	e ci mostra la soglia nella metrica. Quindi, se possiamo spostarci lungo la dimensione delle particelle e la metrica cambia, ma sono entro la soglia, non vi è alcun avviso.
	Ma se andiamo al Tipo B dove esiste tale colinearità, vediamo questo possibile avviso di estrapolazione con dimensioni delle particelle molto elevate o con 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 se adattassimo un modello ridotto? Ciò cambia la soglia e anche la regione di estrapolazione? Quindi ora posso andare al mio modello ridotto e posso accendere il mio profiler che ho già acceso, ed ecco...
	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 a T regolarizzato non è supervisionato e non cambia quando utilizziamo un modello completo rispetto a un modello ridotto.
	E se, invece di utilizzare GenReg, proviamo i quadrati di fit lease, che è una piattaforma lineare e la leva finanziaria può essere utilizzata per l'estrapolazione del modello. Quindi ecco il mio modello completo. Posso fare clic su Profilazione dei fattori e attivare il profiler.
	Allo stesso modo qui, possiamo fare clic sul controllo dell'estrapolazione e attivare l'avviso e anche i dettagli dell'estrapolazione.
	Quindi qui la soglia è diversa perché è stata calcolata in base a un'equazione diversa. Così simili come prima, il Tipo B... il Tipo A e C non hanno estrapolazione ma per il Tipo B, in realtà è... tutto ha il riscaldamento dell'estrapolazione.
	E se lo imposto su 0,35, questo è l'unico punto per cui non c'è estrapolazione. Per mostrarlo più chiaramente, posso attivare il controllo di estrapolazione e poi vedresti quello che aveva acqua B,
	è in grado di prevedere solo questo singolo livello di dimensione delle particelle, che è stato osservato nell'esperimento. Quindi questo ci dice che,
	dato il set di dati e utilizzando la leva finanziaria come metrica, non possiamo prevedere altre dimensioni delle particelle quando usiamo 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 era in grado di prevedere un intervallo più ristretto. E ancora, questo è dovuto al fatto che quello non è supervisionato e questo è più diretto verso la forma modello.
	Quindi qui abbiamo una soglia di 0,5, e ho provato il modello ridotto quando utilizzavo la leva finanziaria, 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 comparativa.
	In questo caso specifico, vediamo che la leva finanziaria è più rigorosa rispetto a quella regolarizzata di T Square.
	Quindi ora ero interessato a come possiamo ottimizzare con questa funzionalità 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 consideriamo il controllo dell'estrapolazione, suggerisce qualcosa di più simile ai dati di addestramento che sono ora, abbiamo più fiducia... fiducia in essi.
	Un'altra cosa che possiamo davvero fare è fare qualche visualizzazione con e senza controllo di estrapolazione. Quindi in realtà voglio fare una dimostrazione anche di questo molto velocemente,
	perché credo che questo sia il futuro che amo di più se, per esempio, decidessimo di...
	Mi dispiace, lo chiuderò semplicemente per una visualizzazione chiara.
	Quindi, se possiamo... se decidiamo di utilizzare questo profiler... questo modello, possiamo andare avanti e assicurarci di attivare il controllo di estrapolazione, quindi ciò su cui possiamo fare clic è la tabella casuale di output.
	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 compreso 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 quel extra...
	scusa, estrapolazione. Quindi con questo possiamo davvero ottimizzare e simulare tenendo presente il controllo dell'estrapolazione.
	Inoltre, da questo file possiamo utilizzare il generatore grafico
	e generiamo questo grafico, dove possiamo vedere se non abbiamo il controllo dell'estrapolazione, abbiamo tutti gli intervalli con il colore che rappresenta 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 aumentarli in modo che il modello possa prevedere l’intero intervallo. Quindi ora possiamo aumentare i dati, che fa anche parte delle capacità di JMP.
	Quindi, nella progettazione aumentata, quello che possiamo fare è aggiungere una nuova variabile di blocco in modo che le nuove esecuzioni possano essere separate... 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 esecuzioni aumentate, quindi i punti rossi sono tutte le esecuzioni 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 c'è più alcun problema di colinearità. E anche nel profiler, vediamo che quando abbiamo il Tipo B, è in grado di prevedere l'intero intervallo.
	Quindi alcuni suggerimenti. Possono esserci molte fonti di estrapolazione, ad esempio quando si ha dipendenza tra variabili di input o si dispone di qualsiasi altro termine che non è possibile stimare ma che si desidera
	essere incluso nel tuo modello. In ogni mondo della modellazione predittiva è presente anche il machine learning. Dobbiamo tenere conto del controllo di estrapolazione perché è il controllo di integrità
	per il mondo predittivo e grazie a JMP 16 Pro, questa funzionalità ne semplifica l'utilizzo. Ed è anche molto semplice dimostrare come la struttura del set di dati possa influire sull'usabilità del modello. COSÌ
	pertanto, ho creato questo e voglio condividerlo con la comunità più ampia per dimostrare davvero... quanto sia utile questa funzionalità. E questo è tutto la mia presentazione. Ecco il riferimento e qualche disclaimer.
Josh Staunton	Grande.
Xinjie Tong	Va bene?
Josh Staunton	Grazie, è stato fantastico, mi piace.
	Adoro vedere il predittore nel loro profilo.
	profilo.
	Ora, ottimo lavoro è stato che se n'è andato senza intoppi.
Xinjie Tong	Grazie, grazie, spero che non sia troppo.
	Beh, direi che è per principianti, quindi non c'è molta complessità.
Josh Staunton	Per me è stato così, sai che avanzerà un po', ma no, non era una grande idea, ha iniziato a parlare di miglioramenti dei progetti, è sicuramente il livello successivo, quindi.
	Quello.
	Sì, è più o meno così, come ho detto, taglieremo questo tipo di editing, conosci il fronte e il retro, e quindi non dovrebbe essere sicuro di quando si aspettano di averlo sul sito web, ma lo farà essere lassù tra poco e.
	Grazie ancora per aver dedicato il tempo e gli sforzi per condividere tutto questo.
	Con la nostra Comunità.
Xinjie Tong	si, certo.
	sì, suona bene.
Josh Staunton	Va bene, abbi cura di te e speriamo di incontrarti presto a uno di questi eventi.
Xinjie Tong	Sì.
	Grazie, non vedo l'ora.
	Grazie per l'opportunità.
Josh Staunton	Oh sì, grazie mille, va bene, ciao.
Xinjie Tong	Ciao, buona giornata.
	Anche tu.

ScoppiareDOEStatistica e modellazione