업스트림의 JMP 01: 탄화수소 포화도 예측을 위한 머신 러닝원래 세션 날짜: 2021년 9월 2일
다루는 주제: 예측 모델링, 기계 학습, 신경망, XGBoost
데이터 소스: https://www.netl.doe.gov/node/6865
Upstream의 JMP 에피소드에서 Peter Polito(Sr. Systems Engineer/Geologist)는 표준 최소 자승, 일반화 회귀, 신경망 및 XGBoost의 4가지 모델링 방법을 사용하여 다운홀 탄화수소 포화도를 예측하는 방법론을 안내합니다. 그는 우물의 상부 ~1/3의 탄화수소 포화도를 사용하여 하부 ~2/3의 포화도를 예측하기 위해 4가지 모델 각각을 구성합니다. 두 가지 기계 학습 방법인 신경망과 XG Boost가 더 나은 예측 변수임을 발견했습니다.
표준 최소 제곱, 일반화 회귀, 신경망 및 XGBoost를 사용한 다운홀 탄화수소 포화 예측의 성공(또는 부족). 모델은 2050피트보다 더 깊은 포화를 예측하기 위해 2050피트보다 얕은 탄화수소 포화를 사용하여 구성되었습니다.
Upstream의 JMP 에피소드에서 Peter Polito(Sr. Systems Engineer/Geologist)는 표준 최소 제곱, 일반화 회귀, 신경망 및 XGBoost의 네 가지 모델링 방법을 사용하여 다운홀 탄화수소 포화도를 예측하는 방법론을 안내합니다. 그는 우물의 상부 ~1/3의 탄화수소 포화도를 사용하여 하부 ~2/3의 포화도를 예측하기 위해 4가지 모델 각각을 구성합니다. 두 가지 기계 학습 방법인 신경망과 XG Boost가 더 나은 예측 변수임을 발견했습니다.
Re: 업스트림의 JMP 01: 탄화수소 포화도 예측을 위한 머신 러닝Peter: 게시해 주셔서 감사합니다! 몇몇 분들은 아는데...
