예측 설명자는 기능 엔지니어링 및 기계 학습(AutoML이라고도 함)을 사용하여 프로세스 변수 선별을 자동화합니다. 결과를 해석하기 위해 평행 좌표 플롯과 추세가 자동으로 표시됩니다. PyJMP가 설치된 경우(선택 사항) SHAP 플롯과 UMAP도 자동으로 계산됩니다.
산업 프로세스에 적용되는 ML에 대한 자세한 내용 및 적용에 대해서는 공개 액세스 리뷰를 참조하세요. https://pubs.rsc.org/en/content/articlelanding/2022/re/d1re00541c
1 – 다운로드 및 설치
을 다운로드하고 클릭하세요. jmpaddin 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 증류탑의 수율과 상관 관계가 있는 요인을 신속하게 식별하는 방법을 보여줍니다.
추가 기능 메뉴로 이동하여 Predictor explainer를 엽니다.
예측 설명에는 예제 파일이 포함되어 있습니다. 폴더를 열려면 왼쪽 하단에 있는 버튼을 클릭하세요(아래 이미지의 A 참조). 다음 단계에서는 '파일을 사용하고 있습니다. distillation_column_na.jmp' .
- 대상 선택(Y)
- 모든 입력 변수 또는 예측 변수 추가(X)
- 날짜, 추가 정보 또는 중량과 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 잡음비에 대한 임계값 등 여러 옵션을 지정할 수 있습니다.
- Predictor explainer는 테이블의 하위 집합을 생성하고 분석 결과를 표시합니다.
(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 도입된 변수 또는 사전 계산된 변수의 예측자 스크리닝(부트스트랩 포리스트)입니다.
- 균일하고 무작위적인 노이즈 열이 추가되어 가장 강력한 예측변수를 선택하는 임계값으로 사용됩니다. 신호 대 잡음 옵션 매개변수는 기여도의 차이가 얼마나 되는지를 결정합니다.
- 평행 좌표 플롯은 상위 #3 변수와 함께 표시됩니다. 신호가 잡음에 비해 충분히 강하지 않으면 이 플롯이 표시되지 않습니다.
JMP 홈을 통해 미리 선택된 모든 예측 변수, 목표 및 시간 변수가 포함된 숨겨진 시간 테이블에 액세스할 수 있습니다. 원본 분석 테이블은 수정되지 않습니다.
PyJMP가 설치되어 있고 SHAP 플롯을 표시하는 옵션이 활성화된 경우 분석 후 대화형 바이올린 플롯이 나타납니다.
SHAP, UMAP 및 클러스터링 결과가 포함된 추가 숨겨진 테이블은 홈 메뉴를 통해 액세스할 수 있습니다.
3 – 배치 데이터 분석
Predictor explainer는 배치 프로세스를 측정하는 센서를 스크린하는 데에도 사용할 수 있습니다. '라는 이름의 파일 발효_배치_데이터.jmp' 실험실 분석에서 얻은 고유한 가치를 프로세스 데이터와 결합하는 과제를 보여줍니다.
예측 설명자는 먼저 요약 통계(지문 또는 랜드마크라고도 함)가 포함된 테이블을 생성합니다.
배치의 제품(등급) 또는 단계(단계)에 대한 정보가 있는 경우 보다 세부적인 요약 통계를 생성하는 데에도 사용됩니다. 노이즈 기여도를 필터로 사용하면 그 아래에 계산된 모든 기능이 제거됩니다. PhaseID가 숫자 및 순서 열(1, 2, 3…)로 도입되면 배치 자동 정렬이 수행되어 표시됩니다.
이 예에서 Predictor explainer는 가장 강한 센서(태그)를 식별했습니다.
자신만의 추가 기능 버전 만들기
JMP 추가 기능의 새 버전을 배포하거나 수정하려면 고려해야 할 두 가지 중요한 사항이 있습니다.
- JMP가 PyJMP를 통해 독립적으로 Python 코드를 호출하므로 Jupyter 노트북을 변경하는 경우 JMP 추가 기능 자체를 변경할 필요가 없습니다. JMP는 Python과 통신하기 위해 임시 파일을 생성한 다음 결과를 읽습니다. Jupyter 노트북에는 모든 단계가 포함되어 있습니다. 액세스하려면 왼쪽 하단에 있는 버튼을 클릭하여 폴더를 엽니다. 실행되는 jupyter를 수정할 수 있는 open_notebook.bat라는 실행 파일이 하나 있습니다.
- JML 추가 기능 소스 코드를 수정하고 저장할 때(애플리케이션 내보내기) 동일한 고유 ID를 유지해야 합니다.
또한 추가 기능을 사용하여 배포하려는 노트북 및 기타 파일을 추가하세요.
제안사항, 오류, 성공사례(!)가 있으시면 연락주세요.
https://github.com/Industrial-data/predictor-explainer
저자: Francisco Navarro, Carlos Perez-Galvan, Juline Gilliard
라이센스: BSD-3절
코드: github.com/industrial-data/predictor-explainer
최신 버전: 2022-09-12 (JMP 16)
