El explicador de Predictor automatiza la selección 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 más detalles y aplicaciones del ML aplicado a procesos industriales, puedes 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 Explicador 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 del sensor) para identificar rápidamente factores correlacionados con el rendimiento en una columna de destilación.
Vaya al menú Complementos y abra Predictor Explicador.
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 utilizan el archivo ' columna_destilación_na.jmp' .
- Seleccione un objetivo (Y)
- Sumar todas las variables de entrada o predictores (X)
- Puedes pasar información extra como fecha, información complementaria o pesos. Las variables de agrupación se utilizarán para crear estadísticas resumidas antes de realizar el análisis (ingeniería automática de características).
- 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 Explicador 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 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 agrupación o diferencias.
- Se agregarán columnas de ruido uniforme y aleatorio que se utilizarán como umbral para seleccionar los predictores más fuertes. El parámetro de opción señal-ruido determina cuánta diferencia en la contribución se tomará
- Se mostrará un gráfico de coordenadas paralelas con las 3 variables superiores. Si la señal no es lo suficientemente fuerte en comparación con el ruido, este gráfico no se mostrará.
Se puede acceder a una tabla temporal y oculta con todos los predictores preseleccionados, variables objetivo y de tiempo 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 agrupación a través del menú de inicio.
3 – Análisis de datos por lotes
Predictor Explicador 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 Predictor creará primero 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 utilizará para generar estadísticas resumidas más granulares. El uso de la contribución del 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 una alineación automática del lote.
En el ejemplo, Predictor Explicador identificó el sensor (etiqueta) más fuerte.
Crear su propia versión del complemento
Si desea distribuir o modificar una nueva versión del complemento JMP, hay dos cosas importantes a considerar.
- 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. Jupyter Notebooks contiene todos los pasos; para acceder a él, abra la carpeta haciendo clic en el botón en la esquina inferior izquierda. Hay un ejecutable llamado open_notebook.bat que te permitirá modificar el jupyter que se ejecuta.
- Al modificar el código fuente del complemento JML y guardarlo (aplicación de exportación), asegúrese de mantener el mismo ID único:
Además de agregar el Notebook y otros archivos que desees distribuir con el complemento.
En caso de que tengas sugerencias, errores o casos de éxito (!) contáctanos
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)
