預測器解釋器使用特徵工程和機器學習（稱為 AutoML）自動篩選過程變量。 將自動顯示平行坐標圖和趨勢以解釋結果。 如果安裝了 PyJMP（可選），還會自動計算 SHAP 圖和 UMAP。
有關 ML 應用於工業流程的更多詳細信息和應用，您可以查看我們的開放訪問評論： https://pubs.rsc.org/en/content/articlelanding/2022/re/d1re00541c
1 – 下載和安裝
下載並單擊 . jmpaddin文件以從以下位置安裝最新版本的 Predictor Explainer：
https://github.com/industrial-data/predictor-explainer
如果您安裝了以前的版本，它將被自動刪除。
可以選擇安裝 PyJMP（JMP 的 Python）。
https://github.com/industrial-data/pyjmp
2 – 蒸餾塔（連續工藝）
在此示例中，將說明如何篩選標籤（傳感器數據）以快速識別與蒸餾塔產量相關的因素。
轉到加載項菜單並打開預測器解釋器。
預測器解釋器包含示例文件。 要打開文件夾，請單擊左下角的按鈕（參見下圖中的 A）。 以下步驟正在使用文件'蒸餾柱na.jmp' .
- 選擇一個目標 (Y)
- 添加所有輸入變量或預測變量 (X)
- 您可以傳遞額外信息，例如日期、補充信息或重量。 分組變量，將用於在分析完成之前創建匯總統計信息（自動特徵工程）。
- 您可以指定多個選項，例如為所有輸入變量創建差異、引導森林中的樹數以及信噪比的閾值。
- Predictor Explainer 將創建表的子集並顯示分析結果
(A) 加載項文件夾包含其他示例文件和 python 代碼
(B) 如果安裝了 pyJMP，將顯示 SHAP 和 UMAP 的附加選項。
主要結果是：
- 使用分組或差異對引入的變量或預先計算的變量進行預測篩選（引導森林）。
- 將添加均勻和隨機噪聲列並用作閾值來選擇最強的預測變量。 信噪比選項參數確定將採取多少貢獻差異
- 將顯示一個平行坐標圖，其中包含頂部 #3 變量。 如果信號與噪聲相比不夠強，則不會顯示此圖。
可以通過 JMP home 訪問包含所有預選預測變量、目標和時間變量的隱藏臨時表。 原始分析表不會被修改。
如果安裝了 PyJMP 並激活了顯示 SHAP 圖的選項，則分析後將出現交互式小提琴圖。
可以通過主菜單訪問包含 SHAP、UMAP 和聚類結果的其他隱藏表。
3 – 批量數據分析
Predictor Explainer 還可用於篩選測量批處理過程的傳感器。 名為'的文件Fermentation_Batch_Data.jmp'說明了將來自實驗室分析的獨特價值與過程數據相結合的挑戰。
預測器解釋器將首先創建一個包含匯總統計信息的表格（也稱為指紋或地標）。
如果有關於批次的產品（等級）或階段（階段）的信息，這些也將用於生成更精細的匯總統計信息。 使用噪聲貢獻作為過濾器將消除其下方的所有計算特徵。 當 PhaseID 作為數字和順序列 (1, 2, 3…) 引入時，將執行並顯示批次的自動對齊。
在示例中，Predictor Explainer 識別出最強的傳感器（標籤）。
創建您自己的加載項版本
如果要分發或修改 JMP 插件的新版本，需要考慮兩件重要的事情。
- 更改 Jupyter 筆記本不需要更改 JMP 插件本身，因為 JMP 通過 PyJMP 獨立調用 Python 代碼。 JMP 將生成臨時文件以與 Python 通信，然後讀取結果。 Jupyter Notebooks 包含所有步驟，要訪問它，請單擊左下角的按鈕打開文件夾。 有一個名為 open_notebook.bat 的可執行文件將允許您修改執行的 jupyter。
- 修改 JML 插件源代碼並保存（導出應用程序）時，請確保保持相同的唯一 ID：
以及添加要與加載項一起分發的筆記本和其他文件。
如果您有建議、錯誤或成功案例 (!)，請聯繫我們
https://github.com/Industrial-data/predictor-explainer
作者：Francisco Navarro、Carlos Perez-Galvan、Juline Gilliard
許可證：BSD-第 3 條
代碼：github.com/industrial-data/predictor-explainer
最新版本：2022-09-12 (JMP 16)
