El explicador de predictor automatiza la detección de variables de proceso mediante ingeniería de funciones y aprendizaje automático (conocido como AutoML). Se mostrarán automáticamente gráficos de coordenadas paralelas y tendencias para interpretar los resultados. Si PyJMP está instalado (opcional), los gráficos SHAP y UMAP también se calcularán automáticamente.
Para obtener más detalles y aplicaciones de ML aplicado a procesos industriales, puede consultar nuestra revisión de acceso abierto: https://pubs.rsc.org/en/content/articlelanding/2022/re/d1re00541c
1 – Descarga e instalación
Descargue y haga clic en . jmpaddin archivo para instalar la última versión de Predictor Explainer desde:
https://github.com/industrial-data/predictor-explainer
Si tiene instalada una versión anterior, se eliminará automáticamente.
PyJMP (Python para JMP) se puede instalar opcionalmente.
https://github.com/industrial-data/pyjmp
2 – Columna de destilación (proceso continuo)
En este ejemplo, se ilustrará cómo filtrar etiquetas (datos de sensores) para identificar rápidamente factores correlacionados con el rendimiento en una columna de destilación.
Vaya al menú Complementos y abra Predictor Explainer.
El explicador de Predictor contiene archivos de ejemplo. Para abrir la carpeta, haga clic en el botón en la esquina inferior izquierda (ver A en la imagen a continuación). Los siguientes pasos están usando el archivo ' columna_destilacion_na.jmp' .
- Seleccione un objetivo (Y)
- Agregue todas las variables de entrada o predictores (X)
- Puede pasar información extra como fecha, información complementaria o pesos. Las variables de agrupación se utilizarán para crear estadísticas de resumen antes de que se realice el análisis (ingeniería de características automática).
- Puede especificar varias opciones, como la creación de diferencias para todas las variables de entrada, la cantidad de árboles en el bosque de arranque y el umbral para la relación señal/ruido.
- Predictor Explainer creará un subconjunto de la tabla y mostrará los resultados del análisis
(A) La carpeta del complemento contiene otros archivos de ejemplo y un código de Python
(B) Si pyJMP está instalado, se mostrarán opciones adicionales para SHAP y UMAP.
Los principales resultados son:
- Cribado de predictores (bootstrap forest) de las variables introducidas o precalculadas mediante agrupaciones o diferencias.
- Se agregarán columnas de ruido uniforme y aleatorio y se usarán como umbral para seleccionar los predictores más fuertes. El parámetro de opción de señal a ruido determina cuánta diferencia en la contribución se tomará
- Se mostrará un gráfico de coordenadas paralelas con las 3 variables principales. Si la señal no es lo suficientemente fuerte en comparación con el ruido, no se mostrará este gráfico.
Se puede acceder a una tabla oculta y temporal con todos los predictores, objetivos y variables de tiempo preseleccionados a través de JMP home. La tabla de análisis original no se modificará.
Si PyJMP está instalado y la opción para mostrar gráficos SHAP está activada, aparecerá un gráfico de violín interactivo después del análisis.
Se podrá acceder a tablas ocultas adicionales que contienen SHAP, UMAP y resultados de agrupamiento a través del menú de inicio.
3 – Análisis de datos por lotes
Predictor Explainer también se puede utilizar para detectar sensores que miden procesos por lotes. El archivo llamado ' Fermentation_Batch_Data.jmp' ilustra el desafío de combinar valores únicos provenientes de un análisis de laboratorio con datos de proceso.
El explicador de predictores primero creará una tabla con estadísticas resumidas (también llamadas huellas dactilares o puntos de referencia).
Si hay información sobre el producto (grado) o la fase (etapa) del lote, también se usará para generar estadísticas de resumen más detalladas. El uso de la contribución de ruido como filtro eliminará todas las características calculadas debajo de él. Cuando se introduce PhaseID como columna numérica y ordinal (1, 2, 3…), se realizará y mostrará un alineamiento automático del lote.
En el ejemplo, Predictor Explainer identificó el sensor (etiqueta) más potente.
Creación de su propia versión del complemento
Si desea distribuir o modificar una nueva versión del complemento JMP, debe tener en cuenta dos cosas importantes.
- Cambiar el cuaderno Jupyter no requerirá cambiar el complemento JMP en sí, ya que JMP llama al código Python de forma independiente a través de PyJMP. JMP generará archivos temporales para comunicarse con Python y luego leerá los resultados. Los Jupyter Notebooks contienen todos los pasos, para acceder abra la carpeta haciendo clic en el botón en la esquina inferior izquierda. Hay un ejecutable llamado open_notebook.bat que le permitirá modificar el jupyter que se ejecuta.
- Al modificar el código fuente del complemento JML y guardarlo (aplicación de exportación), asegúrese de mantener la misma ID única:
Además de agregar Notebook y otros archivos que desee distribuir con el complemento.
En caso de que tenga sugerencias, errores o casos de éxito (!) contáctenos
https://github.com/Industrial-data/predictor-explainer
Autores: Francisco Navarro, Carlos Pérez-Galván, Juline Gilliard
Licencia: BSD-Cláusula 3
Código: github.com/industrial-data/predictor-explainer
Última versión: 2022-09-12 (JMP 16)
