Predictor 解譯器使用特徵工程和機器學習（稱為 AutoML）自動篩選製程變數。 將自動顯示平行座標圖和趨勢來解釋結果。 如果安裝了 PyJMP（可選），SHAP 圖和 UMAP 也會自動計算。
有關機器學習在工業流程中的更多詳細資訊和應用，您可以查看我們的開放取用評論： https://pubs.rsc.org/en/content/articlelanding/2022/re/d1re00541c
1 – 下載並安裝
下載並點擊 .傑姆帕丁檔案以從以下位置安裝最新版本的 Predictor Expander：
https://github.com/induscial-data/predictor-explainer
如果您安裝了先前的版本，它將自動刪除。
PyJMP（Python for JMP）可以選擇安裝。
https://github.com/industrial-data/pyjmp
2 – 蒸餾塔（連續製程）
本範例將說明如何篩選標籤（感測器資料）以快速識別與蒸餾塔產量相關的因素。
前往加載項選單並開啟 Predictor Expander。
預測器解釋器包含範例檔案。 若要開啟該資料夾，請按一下左下角的按鈕（請參閱下圖中的 A）。 以下步驟使用文件'蒸餾_柱_na.jmp' 。
- 選擇目標（Y）
- 新增所有輸入變數或預測變數 (X)
- 您可以傳遞額外訊息，例如日期、補充訊息或重量。 分組變數將用於在分析完成之前建立匯總統計資料（自動特徵工程）。
- 您可以指定多個選項，例如為所有輸入變數建立差異、引導森林中的樹數以及訊號雜訊比的閾值。
- Predictor Expander 將建立表格的子集並顯示分析結果
(A) 加載項資料夾包含其他範例檔案和 python 程式碼
(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數或預先計算的變數進行預測篩選（引導森林）。
- 將添加均勻和隨機噪音列並用作閾值來選擇最強的預測變數。 信噪比選項參數決定了貢獻的差異有多大
- 將顯示一個平行座標圖，其中包含前 3 個變數。 如果訊號與雜訊相比不夠強，則不會顯示該圖。
可以透過 JMP home 存取包含所有預選預測變數、目標和時間變數的隱藏臨時表。 原有的分析表不會被修改。
如果安裝了 PyJMP 並且啟動了顯示 SHAP 圖的選項，則分析後將出現互動式小提琴圖。
包含 SHAP、UMAP 和聚類結果的其他隱藏表可透過主選單存取。
3 – 批量資料分析
Predictor Expander 也可用於篩選測量批次製程的感測器。 檔案名為 ' Fermentation_Batch_Data.jmp'說明了將實驗室分析的獨特值與流程資料結合所面臨的挑戰。
預測器解釋器將首先建立一個包含匯總統計資料（也稱為指紋或地標）的表。
如果存在有關批次的產品（等級）或階段（階段）的信息，這些資訊也將用於產生更細粒度的總計統計資料。 使用雜訊貢獻作為濾波器將消除其下方的所有計算特徵。 當 PhaseID 以數字和序數列（1、2、3…）引入時，將執行並顯示批次的自動對齊。
在範例中，預測器解釋器識別出最強的感測器（標籤）。
建立您自己的加載項版本
如果您想要分發或修改 JMP 外掛程式的新版本，有兩件重要的事情需要考慮。
- 更改 Jupyter 筆記本不需要更改 JMP 插件本身，因為 JMP 透過 PyJMP 獨立呼叫 Python 程式碼。 JMP 將產生暫存檔案與 Python 通信，然後讀取結果。 Jupyter Notebooks 包含所有步驟，要存取它，請點擊左下角的按鈕開啟資料夾。 有一個名為 open_notebook.bat 的可執行文件，它允許您修改執行的 jupyter。
- 修改 JML 外掛程式原始碼並儲存（匯出應用程式）時，請確保保留相同的唯一 ID：
以及新增筆記本和您想要使用加載項分發的其他檔案。
如果您有建議、錯誤或成功案例（！），請聯絡我們
https://github.com/Industrial-data/predictor-explainer
作者：弗朗西斯科·納瓦羅、卡洛斯·佩雷斯-加爾萬、朱琳·吉利亞德
許可證：BSD-第 3 條
代碼：github.com/induscial-data/predictor-explainer
最新版本：2022-09-12 (JMP 16)
