L'explicateur de prédicteur automatise le filtrage des variables de processus à l'aide de l'ingénierie des fonctionnalités et de l'apprentissage automatique (connu sous le nom d'AutoML). Des tracés de coordonnées parallèles et des tendances seront automatiquement affichés pour interpréter les résultats. Si PyJMP est installé (facultatif), les tracés SHAP et UMAP seront également automatiquement calculés.
Pour plus de détails et les applications du ML appliqué aux processus industriels, vous pouvez consulter notre revue en libre accès : https://pubs.rsc.org/en/content/articlelanding/2022/re/d1re00541c
1 – Téléchargement et installation
Téléchargez et cliquez sur le . jmpaddin fichier pour installer la dernière version de Predictor Explainer à partir de :
https://github.com/industrial-data/predictor-explainer
Si une version précédente est installée, elle sera automatiquement supprimée.
PyJMP (Python pour JMP) peut être installé en option.
https://github.com/industrial-data/pyjmp
2 – Colonne de distillation (procédé continu)
Dans cet exemple, nous illustrerons comment filtrer les balises (données de capteur) pour identifier rapidement les facteurs corrélés au rendement dans une colonne de distillation.
Accédez au menu Compléments et ouvrez Predictor Explainer.
L'explication du prédicteur contient des exemples de fichiers. Pour ouvrir le dossier, cliquez sur le bouton dans le coin inférieur gauche (voir A dans l'image ci-dessous). Les étapes suivantes utilisent le fichier ' distillation_column_na.jmp' .
- Sélectionnez une cible (Y)
- Ajoutez toutes les variables d'entrée ou prédicteurs (X)
- Vous pouvez transmettre des informations supplémentaires telles que la date, des informations supplémentaires ou des poids. Les variables de regroupement seront utilisées pour créer des statistiques récapitulatives avant que l'analyse ne soit effectuée (ingénierie automatique des fonctionnalités).
- Vous pouvez spécifier plusieurs options, telles que la création de différences pour toutes les variables d'entrée, le nombre d'arbres dans la forêt d'amorçage et le seuil du rapport signal sur bruit.
- Predictor Explainer créera un sous-ensemble du tableau et affichera les résultats de l'analyse
(A) Le dossier du complément contient d'autres fichiers d'exemple et un code python
(B) Si pyJMP est installé, des options supplémentaires pour SHAP et UMAP seront affichées.
Les principaux résultats sont :
- Sélection de prédicteurs (forêt bootstrap) des variables introduites ou pré-calculées par regroupement ou différences.
- Des colonnes de bruit uniformes et aléatoires seront ajoutées et utilisées comme seuil pour sélectionner les prédicteurs les plus puissants. Le paramètre d'option signal/bruit détermine la différence de contribution qui sera prise en compte.
- Un tracé de coordonnées parallèles sera affiché avec les 3 premières variables. Si le signal n’est pas assez fort par rapport au bruit, ce tracé ne sera pas affiché.
Une table cachée et temporelle avec tous les prédicteurs, cibles et variables temporelles présélectionnés est accessible via JMP home. La table d'analyse originale ne sera pas modifiée.
Si PyJMP est installé et que l'option d'affichage des tracés SHAP est activée, un tracé en violon interactif apparaîtra après l'analyse.
Des tableaux cachés supplémentaires contenant les résultats SHAP, UMAP et de clustering seront accessibles via le menu d'accueil.
3 – Analyse des données par lots
Predictor Explainer peut également être utilisé pour filtrer les capteurs mesurant les processus par lots. Le fichier nommé ' Fermentation_Batch_Data.jmp' illustre le défi de combiner des valeurs uniques provenant d'une analyse en laboratoire avec des données de processus.
L'explicateur de prédicteur créera d'abord un tableau avec des statistiques récapitulatives (également appelées empreintes digitales ou points de repère).
S'il existe des informations sur le produit (qualité) ou la phase (étape) du lot, celles-ci seront également utilisées pour générer des statistiques récapitulatives plus granulaires. L’utilisation de la contribution au bruit comme filtre éliminera toutes les caractéristiques calculées en dessous. Lorsque PhaseID est introduit sous forme de colonne numérique et ordinale (1, 2, 3…), un alignement automatique du lot sera effectué et affiché.
Dans l'exemple, Predictor Explainer a identifié le capteur (tag) le plus puissant.
Création de votre propre version du complément
Si vous souhaitez distribuer ou modifier une nouvelle version du complément JMP, vous devez prendre en compte deux éléments importants.
- La modification du notebook Jupyter ne nécessitera pas de modifier le complément JMP lui-même, car JMP appelle le code Python indépendamment via PyJMP. JMP générera des fichiers temporaires pour communiquer avec Python, puis lira les résultats. Les notebooks Jupyter contiennent toutes les étapes, pour y accéder, ouvrez le dossier en cliquant sur le bouton dans le coin inférieur gauche. Il existe un exécutable appelé open_notebook.bat qui vous permettra de modifier le jupyter exécuté.
- Lorsque vous modifiez le code source du complément JML et que vous l'enregistrez (exportation de l'application), assurez-vous de conserver le même ID unique :
En plus d'ajouter le bloc-notes et les autres fichiers que vous souhaitez distribuer avec le complément.
Si vous avez des suggestions, des erreurs ou des réussites (!), contactez-nous
https://github.com/Industrial-data/predictor-explainer
Auteurs : Francisco Navarro, Carlos Pérez-Galvan, Juline Gilliard
Licence : BSD-Clause 3
Code : github.com/industrial-data/predictor-explainer
Dernière version : 2022-09-12 (JMP 16)
