Predictor Explainer는 기능 엔지니어링 및 기계 학습(AutoML이라고 함)을 사용하여 프로세스 변수의 선별을 자동화합니다. 평행 좌표 플롯과 추세는 결과를 해석하기 위해 자동으로 표시됩니다. PyJMP가 설치된 경우(선택 사항), SHAP 플롯과 UMAP도 자동으로 계산됩니다.
산업 프로세스에 적용되는 ML에 대한 자세한 내용과 응용 프로그램은 오픈 액세스 검토에서 확인할 수 있습니다. https://pubs.rsc.org/en/content/articlelanding/2022/re/d1re00541c
1 – 다운로드 및 설치
를 다운로드하고 클릭합니다. jmpaddin 다음에서 최신 버전의 Predictor Explainer를 설치하기 위한 파일:
https://github.com/industrial-data/predictor-explainer
이전 버전이 설치되어 있는 경우 자동으로 제거됩니다.
PyJMP(JMP용 Python)는 선택적으로 설치할 수 있습니다.
https://github.com/industrial-data/pyjmp
2 – 증류탑(연속 공정)
이 예에서는 태그(센서 데이터)를 스크리닝하여 증류 컬럼의 수율과 상관 요인을 신속하게 식별하는 방법을 설명합니다.
추가 기능 메뉴로 이동하여 Predictor Explainer를 엽니다.
예측자 설명자에는 예제 파일이 포함되어 있습니다. 폴더를 열려면 왼쪽 하단 모서리에 있는 버튼을 클릭합니다(아래 이미지의 A 참조). 다음 단계는 ' distillation_column_na.jmp' .
- 대상 선택(Y)
- 모든 입력 변수 또는 예측 변수 추가(X)
- 날짜, 추가 정보 또는 가중치와 같은 추가 정보를 전달할 수 있습니다. 그룹화 변수는 분석이 완료되기 전에 요약 통계를 생성하는 데 사용됩니다(자동 기능 엔지니어링).
- 모든 입력 변수에 대한 차이 생성, 부트스트랩 포리스트의 트리 수, 신호 대 잡음비 임계값과 같은 여러 옵션을 지정할 수 있습니다.
- Predictor Explainer는 테이블의 하위 집합을 생성하고 분석 결과를 보여줍니다.
(A) 추가 기능 폴더에는 다른 예제 파일과 python 코드가 포함되어 있습니다.
(B) pyJMP가 설치된 경우 SHAP 및 UMAP에 대한 추가 옵션이 표시됩니다.
주요 결과는 다음과 같습니다.
- 그룹화 또는 차이를 사용하여 도입되거나 미리 계산된 변수의 예측자 스크리닝(부트스트랩 포리스트).
- 균일 및 무작위 노이즈 열이 추가되고 가장 강력한 예측 변수를 선택하기 위한 임계값으로 사용됩니다. 신호 대 잡음 옵션 매개변수는 기여도의 차이를 결정합니다.
- 평행 좌표 플롯은 상위 #3 변수와 함께 표시됩니다. 신호가 노이즈에 비해 충분히 강하지 않으면 이 플롯이 표시되지 않습니다.
사전 선택된 모든 예측 변수, 대상 및 시간 변수가 있는 숨겨진 임시 테이블은 JMP 홈을 통해 액세스할 수 있습니다. 원래 분석 테이블은 수정되지 않습니다.
PyJMP가 설치되어 있고 SHAP 플롯을 표시하는 옵션이 활성화되어 있으면 분석 후 대화형 바이올린 플롯이 나타납니다.
SHAP, UMAP 및 클러스터링 결과를 포함하는 추가 숨겨진 테이블은 홈 메뉴를 통해 액세스할 수 있습니다.
3 – 배치 데이터 분석
Predictor Explainer는 배치 프로세스를 측정하는 센서를 스크리닝하는 데에도 사용할 수 있습니다. '라는 이름의 파일 발효_배치_데이터.jmp' 실험실 분석에서 얻은 고유한 값을 공정 데이터와 결합하는 문제를 보여줍니다.
예측자 설명자는 먼저 요약 통계(지문 또는 랜드마크라고도 함)가 포함된 테이블을 만듭니다.
배치의 제품(등급) 또는 단계(단계)에 대한 정보가 있는 경우 더 세분화된 요약 통계를 생성하는 데에도 사용됩니다. 노이즈 기여도를 필터로 사용하면 그 아래에서 계산된 모든 기능이 제거됩니다. PhaseID가 숫자 및 서수 열(1, 2, 3…)로 도입되면 배치의 자동 정렬이 수행되고 표시됩니다.
예에서 Predictor Explainer는 가장 강력한 센서(태그)를 식별했습니다.
자체 버전의 추가 기능 만들기
JMP 애드인의 새 버전을 배포하거나 수정하려는 경우 고려해야 할 두 가지 중요한 사항이 있습니다.
- JMP는 PyJMP를 통해 독립적으로 Python 코드를 호출하므로 Jupyter 노트북을 변경하면 JMP 추가 기능 자체를 변경할 필요가 없습니다. JMP는 Python과 통신하기 위해 임시 파일을 생성한 다음 결과를 읽습니다. Jupyter 노트북에는 왼쪽 하단 모서리에 있는 버튼을 클릭하여 폴더를 여는 모든 단계가 포함되어 있습니다. 실행되는 jupyter를 수정할 수 있는 open_notebook.bat라는 실행 파일이 하나 있습니다.
- JML 추가 기능 소스 코드를 수정하고 저장할 때(응용 프로그램 내보내기) 동일한 고유 ID를 유지해야 합니다.
뿐만 아니라 추가 기능과 함께 배포할 노트북 및 기타 파일을 추가합니다.
제안, 오류 또는 성공 사례(!)가 있는 경우 저희에게 연락하십시오.
https://github.com/Industrial-data/predictor-explainer
저자: Francisco Navarro, Carlos Perez-Galvan, Juline Gilliard
라이센스: BSD-조항 3
코드: github.com/industrial-data/predictor-explainer
최신 버전: 2022-09-12(JMP 16)
