Predictor 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来解释结果。 如果安装了 PyJMP（可选），SHAP 图和 UMAP 也会自动计算。
有关机器学习在工业流程中的更多详细信息和应用，您可以查看我们的开放获取评论： https://pubs.rsc.org/en/content/articlelanding/2022/re/d1re00541c
1 – 下载并安装
下载并单击 .杰姆帕丁文件以从以下位置安装最新版本的 Predictor Expander：
https://github.com/induscial-data/predictor-explainer
如果您安装了以前的版本，它将被自动删除。
PyJMP（Python for JMP）可以选择安装。
https://github.com/industrial-data/pyjmp
2 – 蒸馏塔（连续工艺）
本例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。
转至加载项菜单并打开 Predictor Expander。
预测器解释器包含示例文件。 要打开该文件夹，请单击左下角的按钮（参见下图中的 A）。 以下步骤使用文件'蒸馏_柱_na.jmp' 。
- 选择目标 (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数据（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 Expander 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。 信噪比选项参数决定了贡献的差异有多大
- 将显示一个平行坐标图，其中包含前 3 个变量。 如果信号与噪声相比不够强，则不会显示该图。
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。 原有的分析表不会被修改。
如果安装了 PyJMP 并且激活了显示 SHAP 图的选项，则分析后将出现交互式小提琴图。
包含 SHAP、UMAP 和聚类结果的其他隐藏表可通过主菜单访问。
3 – 批量数据分析
Predictor Expander 还可用于筛选测量批处理过程的传感器。 文件名为 ' Fermentation_Batch_Data.jmp'说明了将实验室分析的独特值与过程数据相结合所面临的挑战。
预测器解释器将首先创建一个包含汇总统计数据（也称为指纹或地标）的表。
如果存在有关批次的产品（等级）或阶段（阶段）的信息，这些信息也将用于生成更细粒度的汇总统计数据。 使用噪声贡献作为滤波器将消除其下方的所有计算特征。 当 PhaseID 作为数字和序数列（1、2、3…）引入时，将执行并显示批次的自动对齐。
在示例中，预测器解释器识别出最强的传感器（标签）。
创建您自己的加载项版本
如果您想要分发或修改 JMP 插件的新版本，有两件重要的事情需要考虑。
- 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，它允许您修改执行的 jupyter。
- 修改 JML 插件源代码并保存（导出应用程序）时，请确保保留相同的唯一 ID：
以及添加笔记本和您想要使用加载项分发的其他文件。
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：弗朗西斯科·纳瓦罗、卡洛斯·佩雷斯-加尔万、朱琳·吉利亚德
许可证：BSD-条款 3
代码：github.com/induscial-data/predictor-explainer
最新版本：2022-09-12 (JMP 16)
