756829_fr-FR

liliconcom

Utilisation de la fonction de contrôle d'extrapolation dans JMP® Pro 16 pour optimiser le processus d'exploration de données en conditions réelles (2021-US-30MP-844)

Xinjie Tong, statisticien de recherche principal, Dow

L'étude de cas vise à évaluer 12 types de moussants en termes de performance en matière de récupération des minéraux dans l'exploitation minière. Outre le type de moussant, les variables d'entrée incluent également la granulométrie (valeur codée : 0, 0,35, 1) comme variable continue et le type d'eau (type A, type B, type C) comme variable catégorielle. La variable de réponse est l'efficacité de récupération des minéraux.

Grâce à la fonction de contrôle d'extrapolation du profileur de prédiction, une extrapolation possible a été observée pour l'eau de type B lorsque la granulométrie était de 1, selon la métrique T carré régularisée. Cette extrapolation était due à un déséquilibre dans le plan d'expérience, où la mesure de l'eau de type B n'était effectuée qu'avec une granulométrie de 0,35. Le contrôle d'extrapolation a été activé afin d'optimiser l'efficacité de la récupération des minéraux et d'obtenir des solutions optimales fiables.

Le problème d'extrapolation a disparu lorsque le plan d'expérience a été augmenté pour être plus équilibré. La fonction de contrôle de l'extrapolation a permis de comprendre immédiatement comment l'augmentation d'un plan d'expérience déséquilibré pouvait considérablement améliorer l'utilisabilité du modèle prédictif.

Transcription générée automatiquement...

Conférencier	Transcription
Josh Staunton	Salut.
Tong Xinjie	Salut Josh.
Josh Staunton	Salut, c'est génial ça.
Tong Xinjie	Oui, bien.
Josh Staunton	Eh bien, merci d'avoir accepté de faire cela, j'ai hâte d'entendre votre présentation.
Tong Xinjie	Merci, alors comment pouvons-nous commencer ?
	ou toute autre chose, avant de commencer.
Josh Staunton	ouais, il y a juste une liste de contrôle rapide, je voulais juste la parcourir, donc si vous en avez.
	Je suis ton téléphone qui est toujours en quelque sorte allumé.
Tong Xinjie	Eh bien oui.
Josh Staunton	ouais, il y en a un.
Tong Xinjie	Bon rappel, merci.
Josh Staunton	Et juste une chose rapide, je dois obtenir une confirmation verbale que vous savez en quelque sorte ce qui est enregistré, donc vous comprenez que cela est enregistré pour le sommet de découverte JMP.
	conférence et vous le ferez, il sera disponible publiquement dans la communauté des utilisateurs de l'emploi pour donner l'autorisation pour cet enregistrement et cette utilisation.
	Oui, ouais, d'accord, bien.
	formalité ils sont géniaux et.
	J'aime votre arrière-plan, tout a l'air bien et je suppose que la seule chose que vous avez, c'est que vous savez si votre écran est réglé en 1920 fois 10 à.
Tong Xinjie	En fait, non.
	savoir clairement.
Tong Xinjie	paramètres d'affichage très rapides.
	Je suis à nous pensons voir 119 20 fois 1080.
Josh Staunton	Oh parfait.
Tong Xinjie	Ouais, bien.
Josh Staunton	Oui, c'est parfait et vous allez faire cela en utilisant la fonction de contrôle d'extrapolation et le processus d'extraction de récompense optimisé JMP pro 16 2021 nous 30 MP pour.
	Très bien, d'accord, alors je vais le faire.
	Voulez-vous voir si vous pouvez commencer à présenter, lancez simplement vos diapositives et.
	Si tout semble bien de votre côté, j'arrêterai ma vidéo, la mettrai en sourdine et vous la transmettrai.
Tong Xinjie	Alors, on peut essayer très vite, d'accord ?
Josh Staunton	Si vous voulez faire une présentation, je peux simplement m'en assurer.
	Nous pouvons voir vos diapositives.
Tong Xinjie	ouais, euh, donc je dois d'abord partager mon écran.
	Ouais.
Tong Xinjie	Et tu vois mon écran.
	ouais, d'accord, donc je ferai probablement une DÉMO, je ne le ferai probablement pas.
	J'ai besoin de faire une DÉMO. Donc, quand je le ferai, je ferai peut-être juste ceci, est-ce que ça va, puis je reviendrai aux diapositives.
Josh Staunton	Exactement, oui, c'est ça, c'est bien.
	Et vous savez qu'il n'y aura aucun montage effectué dans la vidéo, nous en supprimerons une partie, vous savez.
	Mais pour que vous sachiez si vous faites une erreur si vous.
	Tu sais, essaie juste de continuer.
	en quelque sorte, nous sommes tous humains ici, il est normal de faire une erreur.
	Si vous pensez que vous savez, mais si vous pensez vraiment que c'était une chose catastrophique, vous aimeriez la voir.
	Maintenant, vous pouvez simplement.
	Nous pouvons, nous pouvons, nous pouvons recommencer, ce n'est pas un gros problème, mais oui, mais ne laissez pas une petite erreur vous déranger, continuez comme ça.
	Il sera toi.
	ouais ouais.
Tong Xinjie	Et je pense que la présentation dure environ 20 minutes.
	D'accord, c'est ça.
	Les exigences sont les suivantes.
Josh Staunton	Vous savez, je ne suis pas sûr que tout le monde soit un peu différent, mais vous savez que je ne le suis pas.
	ouais, ne t'inquiète pas trop du temps, ce sont plutôt des sortes de lignes directrices, essaie juste de savoir.
	Ok, Dan, sors ce que tu as recherché et nous pourrons le voir.
Tong Xinjie	Ok, ça a l'air bien, donc si c'est le cas, je vais peut-être commencer à présenter.
Josh Staunton	ouais, alors je vais commencer ma vidéo et puis ouais, il voulait juste prendre une minute ou tu peux commencer quand tu es prêt.
Tong Xinjie	Oh, je n'ai pas besoin de faire de production, n'est-ce pas ?
Josh Staunton	Non, tu pourrais juste le donner, tu pourrais dire que tu sais dire ton nom, et tu sais ce que tu vas traverser et.
	en quelque sorte, je m'y suis mis.
Tong Xinjie	D'accord, d'accord.
Josh Staunton	Ok, très bien, je vais éteindre mon appareil photo et te dire bonne chance, merci.
Tong Xinjie	Merci.
	Je m'appelle Xinjie Tong et ma présentation porte sur la manière dont nous utilisons la fonction de contrôle d'extrapolation dans JMP Pro 16 dans un problème minier réel, où nous essayions d'optimiser l'efficacité de l'élimination des minéraux dans le processus minier.
	Je présenterai donc une étude de cas sur le processus d'extraction, puis nous explorerons un peu plus la métrique de contrôle d'extrapolation également mentionnée, comment optimisons-nous en gardant à l'esprit l'extrapolation et comment l'utilisation de l'augmentation du DOE peut potentiellement résoudre le problème d'extrapolation.
	Voici une diapositive qui présente les métriques de contrôle d'extrapolation actuellement utilisées dans JMP 16 Pro et toutes ces informations proviennent de la vidéo de la communauté JMP.
	réalisé par SAS, comme vous pouvez le trouver pour référence en bas, il existe donc deux mesures principales qui sont utilisées dans JMP.
	L'un d'eux est l'effet de levier, utilisé dans les plateformes linéaires, notamment pour l'application des moindres carrés. Il en existe un autre.
	Métrique appelée T-carré de Hotelling régularisé, désormais implémentée dans des plateformes non linéaires comme GenReg, les moindres carrés partiels neuronaux. Pour l'effet de levier,
	C'est une fonction de la matrice de conception des données d'apprentissage, ainsi que du point de prédiction. Elle dépend donc de la forme du modèle. De plus, pour un modèle linéaire, elle est proportionnelle à la variance de prédiction.
	Mais différemment, pour le t carré régularisé, c'est une version non supervisée, donc ce n'est pas une fonction d'une quelconque forme du modèle.
	Et voici l'équation que je vole dans cette vidéo.
	C'est l'exemple qui vient également de cette vidéo pour montrer comment l'optimisation peut différer lorsque vous avez l'extrapolation en tête.
	Voici donc un exemple où nous avons trois variables d’entrée et, comme nous pouvons le voir ici, MaxPulse et RunPulse ont une forte corrélation positive.
	Si l'on ne prend pas en compte le contrôle d'extrapolation, le modèle indiquera que le point bleu est optimal. Cependant, il ne respecte pas la relation des données d'apprentissage, ce qui le rend peu fiable.
	Fiable. Le modèle extrapole. Mais si nous activons le contrôle d'extrapolation, il suggérera ce point rouge, désormais plus réaliste. Cela démontre donc comment le contrôle d'extrapolation peut réellement faciliter la prise de décision et éviter les prédictions irréalistes.
	Je vais maintenant vous présenter l'étude de cas que j'ai rencontrée lors de mon emploi chez Dow. Cette étude porte sur le processus d'extraction minière et notre objectif était d'optimiser les conditions d'extraction pour une meilleure efficacité de l'extraction des minéraux.
	Nous avons 120 lignes dans cet ensemble de données, et nous avons trois variables d’entrée et une variable de sortie.
	Pour la variable d'entrée, nous avons le type d'eau, qui est une variable catégorielle à trois niveaux, je les ai donc codés en type A, B et C.
	Nous avons également utilisé 12 types de mousseurs, également catégoriques. Nous avons une variable numérique, la taille des particules, que j'ai codée à 0, 1 et 0,35.
	Ici, la sortie est l'efficacité de suppression, qui est une valeur comprise entre zéro et un, et toutes les valeurs ici sont codées pour protéger les informations réelles.
	Le problème avec cet ensemble de données est qu'il présente une certaine colinéarité due à la phase de conception. Si nous examinons ce générateur graphique, nous pouvons visualiser très facilement la structure des données grâce au générateur de graphes, une plateforme de JMP.
	Donc ici, j'utilisais le type de mousseur comme emballage, donc chaque boîte fait référence à un type de mousseur, puis nous regardons la taille des particules sur l'axe Y et le type d'eau sur l'axe X.
	Donc ici, le problème est que lorsque nous avons de l'eau de type B, nous n'aurons qu'un seul niveau de taille de particules, qui se situe au niveau intermédiaire, donc la colinéarité existe lorsque nous essayons d'estimer la taille des particules
	et interagissant avec le type B. Ce n'est donc pas estimable dans ce cas.
	En raison de ce déséquilibre ou d’une certaine dépendance, nous aurons un problème d’extrapolation, et c’est là que la fonction de contrôle d’extrapolation peut vraiment nous aider à prévenir tout risque dû à cet ensemble de données imparfait.
	J'ai donc continué et construit le modèle en utilisant différentes plateformes dans JMP, afin de comparer les métriques et la manière dont elles peuvent potentiellement impacter notre prise de décision.
	Avant d'ajuster un modèle, je commence généralement par évaluer la conception, ce qui est l'une des fonctionnalités de JMP. Cette plateforme nous permet de comprendre…
	Étant donné un ensemble de données, quels sont les termes qui peuvent être estimés à partir de cet ensemble ? Je vais faire une brève démonstration à ce sujet. Voici mon ensemble de données. J'ai trois variables d'entrée et une variable de sortie. Nous pouvons alors consulter le plan d'expérience.
	Diagnostic de conception et évaluation de la conception. Ici, la réponse Y est facultative ; je vais donc y glisser mes trois entrées et cliquer sur OK.
	Et maintenant, il me dit que si je ne considère que les effets principaux, il est capable de les estimer et je peux examiner mes diagnostics, tels que la variance de votre prédiction dans l'ensemble de l'espace... l'espace de conception et également certains diagnostics.
	Cependant, je souhaite estimer les interactions bidirectionnelles. Donc, si je clique sur les interactions bidirectionnelles,
	cette alerte apparaît et m'indique que cet ensemble de données ne peut pas contenir tous les termes d'interaction bidirectionnelle et que les termes qui ne peuvent pas être estimés ont été supprimés.
	Et si nous regardons ici, nous remarquons que l'interaction entre le type d'eau et la taille particulière a été supprimée et cela est dû au problème de colinéarité que je viens de mentionner.
	Si nous vérifions ici, ces diagnostics ont été mis à jour, en fonction de ce nouvel ensemble de termes de modèle. Je sais donc maintenant que
	En raison de la colinéarité, je ne peux pas estimer tous les termes ; je ne peux donc commencer que par ceux que le modèle peut ajuster. Je reprendrai ensuite mes diapositives et commencerai à construire le modèle.
	Le premier modèle que j'ai utilisé était celui de la plateforme GenReg. La raison est que ma réponse, qui est une efficacité, est une valeur comprise entre zéro et un, et je pense généralement à la distribution bêta, qui ne peut être réalisée que dans ce GenReg.
	Cependant, dans notre cas, bien que la valeur soit comprise entre zéro et un, la distribution est plus proche de la normale et il n'y a pas de fréquence élevée proche de zéro ou un, ce qui rend problématique l'utilisation de la distribution normale.
	J'ai donc essayé les valeurs bêta et normale dans mon modèle, ajusté à ce GenReg. J'ai également testé le modèle complet et les différentes méthodes de réduction.
	J'ai comparé l'AICc et le BIC, et j'ai réalisé que je pouvais utiliser une distribution normale, et que la méthode de réduction Lasso donnait un AICc ou un BIC plus petit que le modèle complet. C'est probablement celui que je vais privilégier.
	Mais maintenant que nous pouvons utiliser la distribution normale, j'ai réalisé que nous pouvons en fait adapter le même modèle, mais sur des plateformes différentes.
	La prochaine chose que j'ai faite a été d'utiliser un ajustement des moindres carrés, qui est une plate-forme linéaire dans JMP et j'y ai installé le même modèle.
	Mais maintenant, cela me permet d'utiliser l'effet de levier comme mesure de contrôle d'extrapolation, alors que dans GenReg, j'utilisais le carré de Hotelling régularisé. Je peux donc comparer les différences et les similitudes entre ces deux mesures.
	Passons maintenant à la comparaison des métriques et à quelques résultats. Voici ma carte, j'ai donc commencé avec le même modèle complet.
	J'ai ensuite ajusté le modèle dans GenReg et appliqué la méthode des moindres carrés aux métriques utilisées. Outre la comparaison des métriques, je souhaitais également déterminer si j'utilisais un modèle complet ou un modèle réduit en modifiant la forme du modèle. Comment cela modifiait-il les performances des métriques ?
	Je vais donc faire une autre démonstration, et nous verrons également comment utiliser la fonctionnalité de contrôle d'extrapolation dans un profileur. Je commencerai donc par ce GenReg, qui est le même script.
	Juste pour information… pour information, je clique sur la boîte de dialogue du modèle. C'est ici que le modèle a été configuré. L'efficacité pour Y, ces termes ont été définis dans la conception d'évaluation et utilisent bêta ou normal.
	Cliquez ensuite sur « Exécuter ». J'ai donc enregistré deux modèles. Le premier est la distribution normale avec réduction de modèle. Le second est la distribution normale avec modèle complet. Si nous commençons par un modèle complet, nous pouvons cliquer ici pour activer le profileur.
	Et dans le profileur,
	la nouveauté ici est que nous pouvons désormais cliquer sur le contrôle d'extrapolation et désactiver l'avertissement.
	Donc maintenant il n'y a pas de détails, donc si je veux voir les détails, j'ai besoin de détails d'extrapolation rapide
	et il nous indique le seuil de la métrique. Ainsi, si nous pouvons déplacer la taille des particules et que la métrique change, mais qu'elles restent dans le seuil, il n'y a aucun avertissement.
	Mais si nous allons au type B où cette colinéarité existe, nous voyons cet avertissement d'extrapolation possible à une taille de particule très élevée ou à une taille de particule très faible.
	Au lieu d'activer l'avertissement, nous pouvons également activer directement le contrôle d'extrapolation. Ce contrôle affiche uniquement la plage sans extrapolation.
	Je tiens à préciser que le seuil est ici de 16,3. Et si nous ajustions un modèle réduit ? Cela modifierait-il le seuil et la zone d'extrapolation ? Je peux maintenant accéder à mon modèle réduit et activer mon profileur, déjà activé, et voici…
	Si je clique sur « Détails d'extrapolation » et que je l'active, nous constatons qu'il a le même seuil et la même plage d'extrapolation. Ici, ce T carré régularisé est non supervisé et ne change pas selon que l'on utilise un modèle complet ou un modèle réduit.
	Et si, au lieu d'utiliser GenReg, nous essayions l'ajustement des carrés de bail, qui est une plateforme linéaire et dont l'effet de levier peut être utilisé pour l'extrapolation du modèle. Voici donc mon modèle complet. Je peux cliquer sur « Profilage factoriel » et activer le profileur.
	De la même manière ici, nous pouvons cliquer sur le contrôle d'extrapolation et activer l'avertissement ainsi que les détails d'extrapolation.
	Ici, le seuil est différent, car il a été calculé selon une équation différente. Comme précédemment, les types B… A et C n'ont pas d'extrapolation, mais pour le type B, c'est en fait… tout est lié au réchauffement par extrapolation.
	Et si je règle cette valeur à 0,35, c'est le seul point où il n'y a pas d'extrapolation. Pour le montrer plus clairement, j'active le contrôle d'extrapolation et vous verrez celui qui contient de l'eau B.
	Il ne peut prédire que cette seule taille de particule, observée lors de l'expérience. Cela nous indique donc que…
	compte tenu de l'ensemble de données et en utilisant l'effet de levier comme mesure, nous ne pouvons pas prédire une autre taille de particule lorsque nous utilisons de l'eau... de l'eau de type B.
	Comparé au GenReg, où le T carré régularisé était utilisé, ce modèle est plus strict, car dans l'autre scénario, il permettait de prédire une plage plus étroite. Et encore une fois, cela s'explique par le fait que ce scénario est non supervisé et que celui-ci est davantage axé sur la forme du modèle.
	Ici, le seuil est de 0,5. J'ai essayé le modèle réduit lorsque j'utilisais l'effet de levier. Le seuil a également été modifié, car il dépend de la forme du modèle. Ainsi, un modèle plus petit aura un seuil plus bas. Voici le tableau comparatif.
	Dans ce cas précis, nous constatons que l’effet de levier est plus strict que le T Square régularisé.
	Alors maintenant, je m'intéressais à la façon dont nous pouvons optimiser cette fonctionnalité de contrôle d'extrapolation, car c'est l'objectif de notre projet.
	Voici donc le résultat final obtenu. Il représente toutes les variables d'entrée, et le point bleu correspond à celui que j'ai optimisé sans contrôle d'extrapolation. Il suggère ce point, qui n'a pas été observé dans les données.
	Cependant, si nous prenons en compte le contrôle d'extrapolation, cela suggère quelque chose de plus similaire à ces données d'entraînement qui sont maintenant, nous avons plus confiance... confiance en elles.
	Une autre possibilité consiste à réaliser des visualisations avec et sans contrôle d'extrapolation. Je souhaite donc faire une démonstration rapide de ce principe.
	parce que je crois que c'est l'avenir que j'aime le plus, c'est, par exemple, si nous décidions de...
	Désolé, je vais simplement fermer ceci pour une visualisation plus claire.
	Donc si nous pouvons... si nous décidons d'utiliser ce profileur... ce modèle, nous pouvons continuer et nous assurer d'activer le contrôle d'extrapolation, puis ce sur quoi nous pouvons cliquer est la table aléatoire de sortie.
	Et ce que cela fait, c’est qu’il génère toutes les conditions potentielles que le modèle peut prédire sans aucune extrapolation.
	Donc maintenant, j'ai 5 000 exécutions et je peux cliquer ici pour voir très facilement la distribution ou les histogrammes de chaque paramètre.
	Si je clique sur Type A, nous pouvons voir que le modèle peut prédire toute la plage entre zéro et un pour la taille des particules.
	Similaire pour le type C, mais lorsque nous avons le type B, il n'est capable de prédire qu'une gamme étroite de tailles de particules en raison de ce supplément...
	Désolé, c'est une extrapolation. Avec celle-ci, nous pouvons vraiment optimiser et simuler en gardant à l'esprit le contrôle de l'extrapolation.
	Et aussi, à partir de ce fichier, nous pouvons utiliser le générateur graphique
	et générer ce tracé, où nous pouvons voir que si nous n'avons pas de contrôle d'extrapolation, nous avons toutes les plages avec la couleur étant l'efficacité, l'efficacité prédite.
	Mais avec le contrôle d'extrapolation, nous ne pouvons pas prédire toutes ces plages et c'est une très bonne visualisation basée sur cette fonction de simulation.
	Et maintenant, ma dernière question est : que se passe-t-il si je souhaite réellement estimer ces espaces ? Pour ce faire, nous devons corriger ou augmenter les données afin que le modèle puisse prédire l'ensemble de la plage. Nous pouvons donc désormais procéder à l'augmentation des données, une fonctionnalité également disponible dans JMP.
	Donc, avec la conception augmentée, ce que nous pouvons faire, c'est ajouter une nouvelle variable de bloc afin que les nouvelles exécutions puissent être séparées... puissent être regroupées dans un bloc deux.
	Nous pouvons également définir les termes du modèle que nous souhaitons estimer. Je souhaite maintenant estimer toutes les interactions bidirectionnelles.
	Et voici une visualisation des exécutions augmentées, donc les points rouges sont toutes les exécutions augmentées et maintenant que nous affectons les données dans
	Lorsque l'eau est de type B, le profileur est capable d'estimer tous les termes et élimine le problème de colinéarité. De plus, le profileur permet de prédire toute la plage de valeurs lorsqu'il est de type B.
	Voici quelques points à retenir : les sources d'extrapolation sont nombreuses, notamment en cas de dépendance entre variables d'entrée ou de tout autre terme impossible à estimer, mais que l'on souhaite estimer.
	être inclus dans votre modèle. Dans toute modélisation prédictive, l'apprentissage automatique est également présent. Nous devons prendre en compte le contrôle d'extrapolation, car c'est le test de cohérence.
	Pour le monde prédictif, et grâce à JMP 16 Pro, cette fonctionnalité simplifie grandement son utilisation. Il est également très facile de démontrer comment la structure de l'ensemble de données peut influencer l'utilisabilité du modèle.
	J'ai donc créé cette fonctionnalité et je souhaite la partager avec la communauté afin de démontrer son utilité. Voilà pour ma présentation. Voici la référence et quelques avertissements.
Josh Staunton	Super.
Tong Xinjie	Est-ce que ça va ?
Josh Staunton	Merci, c'était génial, j'adore.
	J'adore voir le prédicteur dans leur profil.
	profil.
	Bon, c'est un super boulot, il s'en est sorti sans accroc.
Tong Xinjie	Merci, merci, j'espère que ce n'est pas trop.
	Eh bien, je dirais que c'est pour les débutants, donc il n'y a pas beaucoup de complexité là-dedans.
Josh Staunton	C'était comme ça pour moi, vous savez que ça va un peu avancer, mais non, ce n'était pas une bonne idée, il a commencé à parler d'augmenter les designs, c'est définitivement le niveau suivant donc.
	Que.
	Oui, c'est à peu près tout, nous allons, comme je l'ai dit, découper ce genre de montage, vous savez le devant et le dos, et ensuite, il ne faut pas savoir quand ils s'attendent à le mettre sur le site Web, mais il y sera bientôt.
	Merci encore d'avoir consacré du temps et des efforts à partager cela avec vous.
	Avec notre communauté.
Tong Xinjie	ouais, bien sûr.
	ouais, ça a l'air bien.
Josh Staunton	Très bien, prenez soin de vous et j'espère que nous vous rencontrerons bientôt à l'un de ces événements.
Tong Xinjie	Ouais.
	Merci, j'ai hâte.
	Merci pour l'opportunité.
Josh Staunton	Oh oui, merci beaucoup, d'accord, au revoir.
Tong Xinjie	Au revoir, passe une bonne journée.
	Toi aussi.

Modélisation statistique avancéeAutomatisation et scriptsAnalyse et modélisation des données de basePlan d'expériencesModélisation prédictive et apprentissage automatiqueIngénierie de la qualité et des procédésAnalyse de fiabilité