La funzione Predictor Explainer automatizza lo screening delle variabili di processo utilizzando l'ingegneria delle funzionalità e l'apprendimento automatico (noto come AutoML). I grafici e le tendenze delle coordinate parallele verranno visualizzati automaticamente per interpretare i risultati. Se PyJMP è installato (opzionale), verranno calcolati automaticamente anche i grafici SHAP e UMAP.
Per ulteriori dettagli e applicazioni del ML applicato ai processi industriali, puoi dare un'occhiata alla nostra recensione ad accesso aperto: https://pubs.rsc.org/en/content/articlelanding/2022/re/d1re00541c
1 – Download e installazione
Scarica e fai clic su . jmpaddin file per installare l'ultima versione di Predictor Explainer da:
https://github.com/industrial-data/predictor-explainer
Se hai una versione precedente installata, verrà rimossa automaticamente.
PyJMP (Python per JMP) può essere installato facoltativamente.
https://github.com/industrial-data/pyjmp
2 – Colonna di distillazione (processo continuo)
In questo esempio verrà illustrato come eseguire lo screening dei tag (dati del sensore) per identificare rapidamente i fattori correlati alla resa in una colonna di distillazione.
Vai al menu Componenti aggiuntivi e apri Predictor Explainer.
La spiegazione del predittore contiene file di esempio. Per aprire la cartella, fare clic sul pulsante nell'angolo in basso a sinistra (vedere A nell'immagine seguente). I passaggi seguenti utilizzano il file ' distillation_column_na.jmp' .
- Seleziona un obiettivo (Y)
- Aggiungi tutte le variabili di input o i predittori (X)
- È possibile trasmettere informazioni aggiuntive come data, informazioni supplementari o pesi. Le variabili di raggruppamento verranno utilizzate per creare statistiche di riepilogo prima che venga eseguita l'analisi (ingegnerizzazione automatica delle funzionalità).
- È possibile specificare diverse opzioni, come la creazione di differenze per tutte le variabili di input, il numero di alberi nella foresta di bootstrap e la soglia per il rapporto segnale/rumore.
- Predictor Explainer creerà un sottoinsieme della tabella e mostrerà i risultati dell'analisi
(A) La cartella del componente aggiuntivo contiene altri file di esempio e un codice Python
(B) Se pyJMP è installato, verranno visualizzate opzioni aggiuntive per SHAP e UMAP.
I principali risultati sono:
- Screening predittivo (foresta bootstrap) delle variabili introdotte o precalcolate mediante raggruppamenti o differenze.
- Verranno aggiunte colonne di rumore uniforme e casuale che verranno utilizzate come soglia per selezionare i predittori più forti. Il parametro dell'opzione segnale-rumore determina quanta differenza di contributo verrà presa
- Verrà mostrato un grafico a coordinate parallele con le prime 3 variabili. Se il segnale non è abbastanza forte rispetto al rumore, questo grafico non verrà mostrato.
È possibile accedere a una tabella nascosta e temporale con tutti i predittori preselezionati, le variabili target e temporali tramite la home page di JMP. La tabella di analisi originale non verrà modificata.
Se PyJMP è installato e l'opzione per mostrare i grafici SHAP è attivata, dopo l'analisi apparirà un grafico interattivo del violino.
Ulteriori tabelle nascoste contenenti risultati SHAP, UMAP e clustering saranno accessibili tramite il menu principale.
3 – Analisi dei dati in batch
Predictor Explainer può essere utilizzato anche per schermare i sensori che misurano i processi batch. Il file denominato ' Fermentazione_Batch_Data.jmp' illustra la sfida di combinare valori unici provenienti da un'analisi di laboratorio con dati di processo.
L'esplicatore del predittore creerà innanzitutto una tabella con le statistiche riepilogative (chiamate anche impronte digitali o punti di riferimento).
Se sono presenti informazioni sul prodotto (grado) o sulla fase (stadio) del lotto, queste verranno utilizzate anche per generare statistiche riepilogative più granulari. Utilizzando il contributo del rumore come filtro si elimineranno tutte le caratteristiche calcolate sotto di esso. Quando PhaseID viene introdotto come colonna numerica e ordinale (1, 2, 3…), verrà eseguito e mostrato un allineamento automatico del batch.
Nell'esempio, Predictor Explainer ha identificato il sensore (tag) più potente.
Creazione della propria versione del componente aggiuntivo
Se desideri distribuire o modificare una nuova versione del componente aggiuntivo JMP, ci sono due cose importanti da considerare.
- La modifica del notebook Jupyter non richiederà la modifica del componente aggiuntivo JMP stesso, poiché JMP chiama il codice Python in modo indipendente tramite PyJMP. JMP genererà file temporanei per comunicare con Python e quindi leggerà i risultati. Jupyter Notebooks contiene tutti i passaggi, per accedervi aprire la cartella facendo clic sul pulsante nell'angolo in basso a sinistra. Esiste un eseguibile chiamato open_notebook.bat che ti consentirà di modificare il jupyter eseguito.
- Quando modifichi il codice sorgente del componente aggiuntivo JML e lo salvi (esporta l'applicazione), assicurati di mantenere lo stesso ID univoco:
Oltre ad aggiungere il notebook e gli altri file che desideri distribuire con il componente aggiuntivo.
Se hai suggerimenti, errori o storie di successo (!) contattaci
https://github.com/Industrial-data/predictor-explainer
Autori: Francisco Navarro, Carlos Perez-Galvan, Juline Gilliard
Licenza: clausola BSD 3
Codice: github.com/industrial-data/predictor-explainer
Ultima versione: 2022-09-12 (JMP 16)
