预测器解释器使用特征工程和机器学习（称为 AutoML）自动筛选过程变量。 将自动显示平行坐标图和趋势以解释结果。 如果安装了 PyJMP（可选），还会自动计算 SHAP 图和 UMAP。
有关 ML 应用于工业流程的更多详细信息和应用，您可以查看我们的开放访问评论： https://pubs.rsc.org/en/content/articlelanding/2022/re/d1re00541c
1 – 下载和安装
下载并单击 . jmpaddin文件以从以下位置安装最新版本的 Predictor Explainer：
https://github.com/industrial-data/predictor-explainer
如果您安装了以前的版本，它将被自动删除。
可以选择安装 PyJMP（JMP 的 Python）。
https://github.com/industrial-data/pyjmp
2 – 蒸馏塔（连续工艺）
在此示例中，将说明如何筛选标签（传感器数据）以快速识别与蒸馏塔产量相关的因素。
转到加载项菜单并打开预测器解释器。
预测器解释器包含示例文件。 要打开文件夹，请单击左下角的按钮（参见下图中的 A）。 以下步骤正在使用文件'蒸馏柱na.jmp' .
- 选择一个目标 (Y)
- 添加所有输入变量或预测变量 (X)
- 您可以传递额外信息，例如日期、补充信息或重量。 分组变量，将用于在分析完成之前创建汇总统计信息（自动特征工程）。
- 您可以指定多个选项，例如为所有输入变量创建差异、引导森林中的树数以及信噪比的阈值。
- Predictor Explainer 将创建表的子集并显示分析结果
(A) 加载项文件夹包含其他示例文件和 python 代码
(B) 如果安装了 pyJMP，将显示 SHAP 和 UMAP 的附加选项。
主要结果是：
- 使用分组或差异对引入的变量或预先计算的变量进行预测筛选（引导森林）。
- 将添加均匀和随机噪声列并用作阈值来选择最强的预测变量。 信噪比选项参数确定将采取多少贡献差异
- 将显示一个平行坐标图，其中包含顶部 #3 变量。 如果信号与噪声相比不够强，则不会显示此图。
可以通过 JMP home 访问包含所有预选预测变量、目标和时间变量的隐藏临时表。 原始分析表不会被修改。
如果安装了 PyJMP 并激活了显示 SHAP 图的选项，则分析后将出现交互式小提琴图。
可以通过主菜单访问包含 SHAP、UMAP 和聚类结果的其他隐藏表。
3 – 批量数据分析
Predictor Explainer 还可用于筛选测量批处理过程的传感器。 名为'的文件Fermentation_Batch_Data.jmp'说明了将来自实验室分析的独特价值与过程数据相结合的挑战。
预测器解释器将首先创建一个包含汇总统计信息的表格（也称为指纹或地标）。
如果有关于批次的产品（等级）或阶段（阶段）的信息，这些也将用于生成更精细的汇总统计信息。 使用噪声贡献作为过滤器将消除其下方的所有计算特征。 当 PhaseID 作为数字和顺序列 (1, 2, 3…) 引入时，将执行并显示批次的自动对齐。
在示例中，Predictor Explainer 识别出最强的传感器（标签）。
创建您自己的加载项版本
如果要分发或修改 JMP 插件的新版本，需要考虑两件重要的事情。
- 更改 Jupyter 笔记本不需要更改 JMP 插件本身，因为 JMP 通过 PyJMP 独立调用 Python 代码。 JMP 将生成临时文件以与 Python 通信，然后读取结果。 Jupyter Notebooks 包含所有步骤，要访问它，请单击左下角的按钮打开文件夹。 有一个名为 open_notebook.bat 的可执行文件将允许您修改执行的 jupyter。
- 修改 JML 插件源代码并保存（导出应用程序）时，请确保保持相同的唯一 ID：
以及添加要与加载项一起分发的笔记本和其他文件。
如果您有建议、错误或成功案例 (!)，请联系我们
https://github.com/Industrial-data/predictor-explainer
作者：Francisco Navarro、Carlos Perez-Galvan、Juline Gilliard
许可证：BSD-第 3 条
代码：github.com/industrial-data/predictor-explainer
最新版本：2022-09-12 (JMP 16)
