756829_it-IT

liliconcom

Utilizzo della funzionalità di controllo dell'estrapolazione in JMP® Pro 16 per ottimizzare il processo di mining nel mondo reale (2021-US-30MP-844)

Xinjie Tong, statistico di ricerca senior, Dow

Lo studio di caso mira a valutare 12 tipologie di schiumogeni in termini di prestazioni nel recupero dei minerali in ambito minerario. Oltre al tipo di schiumogeno, le variabili di input includono anche la dimensione delle particelle (valore codificato: 0, 0,35, 1) come variabile continua e il tipo di acqua (Tipo A, Tipo B, Tipo C) come variabile categoriale. La variabile di risposta è l'efficienza di recupero dei minerali.

Utilizzando la funzione di controllo dell'estrapolazione nel profiler di previsione, è stata osservata una possibile estrapolazione per l'acqua di tipo B quando la dimensione delle particelle = 1 in base alla metrica T quadratica regolarizzata. Questa estrapolazione è stata causata da uno squilibrio nel DOE, in cui la misurazione per l'acqua di tipo B è stata effettuata solo con una dimensione delle particelle = 0,35. Il controllo dell'estrapolazione è stato attivato nel tentativo di ottimizzare l'efficienza di recupero dei minerali per ottenere soluzioni ottimali affidabili.

Il problema dell'estrapolazione è scomparso quando il DOE è stato aumentato per renderlo più bilanciato. La funzionalità di controllo dell'estrapolazione ha permesso di comprendere immediatamente come l'aumento di un DOE sbilanciato avrebbe potuto migliorare notevolmente l'usabilità del modello predittivo.

Trascrizione generata automaticamente...

Oratore	Trascrizione
Josh Staunton	CIAO.
Xinjie Tong	Ciao Josh.
Josh Staunton	Ciao, è zingy?
Xinjie Tong	Sì, bene.
Josh Staunton	Bene, grazie per aver accettato di farlo. Non vedo l'ora di ascoltare la tua presentazione.
Xinjie Tong	Grazie, come possiamo iniziare?
	o qualsiasi altra cosa, prima di iniziare.
Josh Staunton	Sì, ecco solo una breve lista di controllo, volevo solo darle un'occhiata, quindi se ne hai qualcuna.
	Il tuo io sono il tuo telefono che è ancora acceso.
Xinjie Tong	Beh sì.
Josh Staunton	sì, c'è un.
Xinjie Tong	Ottimo promemoria. Grazie.
Josh Staunton	E solo una cosa veloce: devo farti una conferma verbale che in un certo senso sai cosa viene registrato, quindi capisci che viene registrato per il summit sulla scoperta di JMP.
	conferenza e sarà disponibile pubblicamente nella comunità degli utenti del lavoro per dare il permesso per questa registrazione e il suo utilizzo.
	Sì, sì, okay, bene.
	formalità sono grandi e.
	Mi piace il tuo sfondo, tutto sembra a posto e credo che l'unica cosa che fai è sapere se il tuo display è impostato su 1920 volte 10.
Xinjie Tong	In realtà no.
	sapere chiaramente.
Xinjie Tong	impostazioni di visualizzazione molto rapidamente.
	Penso che vedremo 119 20 volte 1080.
Josh Staunton	Oh, perfetto.
Xinjie Tong	sì, bene.
Josh Staunton	Sì, è perfetto e lo farai utilizzando la funzione di controllo dell'estrapolazione e il processo di mining delle ricompense ottimizzato JMP Pro 16 2021 US 30 MP per.
	Bene, allora lo farò.
	Vuoi vedere se riesci a iniziare la presentazione? Inizia subito a caricare le tue diapositive.
	Se tutto sembra a posto per te, interromperò il mio video, lo metterò in modalità silenziosa e te lo passerò.
Xinjie Tong	Quindi possiamo provare velocemente, okay?
Josh Staunton	Se vuoi presentarti, potrei assicurarmelo.
	Possiamo vedere le tue diapositive.
Xinjie Tong	Sì, quindi devo prima condividere il mio schermo.
	Sì.
Xinjie Tong	E vedi il mio schermo.
	Sì, ok, quindi probabilmente farò qualche DEMO. Probabilmente no.
	Devo fare una DEMO. Quindi, quando lo farò, forse farò questo, va bene? E poi tornerò alle diapositive.
Josh Staunton	Esatto, sì, è così, va bene.
	E sai che non verrà fatto alcun montaggio nel video, taglieremo solo una parte di ciò che sai.
	Ma così sai se commetti un errore se tu.
	Sai, cerca solo di mantenerlo.
	in un certo senso, siamo tutti esseri umani, quindi è normale commettere un errore.
	Se pensi di saperlo, ma se pensi davvero che si tratti di una cosa catastrofica, allora ti piacerebbe vederla.
	Ora puoi semplicemente.
	Possiamo, possiamo, possiamo ricominciare, non è un grosso problema, ma sì, ma non permettere che un piccolo errore ti dia fastidio, continua così.
	Lui sarà te.
	Yeah Yeah.
Xinjie Tong	E credo che la presentazione duri circa 20 minuti.
	Bene, è così.
	I requisiti sono simili.
Josh Staunton	Sai che non sono sicuro che ognuno di noi sia un po' diverso, ma sai che io non lo sono.
	Sì, non preoccuparti troppo del tempo, queste sono più che altro delle linee guida, prova solo a...
	Okay, Dan, tira fuori la tua ricerca e saremo in grado di vederla.
Xinjie Tong	Okay, sembra una buona idea, quindi se è così, forse inizierò a presentare.
Josh Staunton	Sì, quindi inizierò il mio video e poi sì, voleva solo prendersi un minuto oppure puoi iniziare quando vuoi, quando sei pronto.
Xinjie Tong	Oh, non ho bisogno di fare nessuna produzione, è così?
Josh Staunton	No, potresti semplicemente dirlo, potresti dire il tuo nome e sapere cosa stai per attraversare.
	tipo rotolarci dentro.
Xinjie Tong	Va bene, va bene.
Josh Staunton	Okay, va bene, spegnerò la telecamera e ti darò la buona fortuna, grazie.
Xinjie Tong	Grazie.
	Mi chiamo Xinjie Tong e la mia presentazione riguarda il modo in cui utilizziamo la funzionalità di controllo dell'estrapolazione in JMP Pro 16 in un problema di mining reale, in cui cercavamo di ottimizzare l'efficienza di rimozione dei minerali nel processo di mining.
	Quindi presenterò un caso di studio sul processo di mining, e poi approfondiremo un po' di più la metrica di controllo dell'estrapolazione, anch'essa menzionata, come ottimizziamo tenendo presente l'estrapolazione e come l'utilizzo dell'aumento DOE possa potenzialmente risolvere il problema dell'estrapolazione.
	Ecco una diapositiva che introduce le metriche di controllo dell'estrapolazione attualmente utilizzate in JMP 16 Pro; tutte queste informazioni provengono dal video nella community JMP.
	realizzato da SAS, come puoi trovare per riferimento in fondo, quindi ci sono due metriche principali che vengono utilizzate in JMP.
	Uno è la leva finanziaria, che viene utilizzata nella piattaforma lineare, in particolare quando adattiamo i minimi quadrati. Ce n'è un altro
	metrica chiamata T-quadrato di Hotelling regolarizzato, ora implementata in piattaforme non lineari, come GenReg, minimi quadrati parziali neurali. Quindi, per la leva finanziaria,
	È una funzione della matrice di progettazione dei dati di training, così come del punto di previsione. Quindi dipende dalla forma del modello. Inoltre, per un modello lineare, è proporzionale alla varianza di previsione.
	Ma diversamente, per il t-quadrato regolarizzato, si tratta di una versione non supervisionata, quindi non è una funzione di nessuna forma del modello.
	Ed ecco l'equazione che ho rubato da quel video.
	Questo è un esempio tratto da quel video per mostrare come l'ottimizzazione può variare quando si tiene conto dell'estrapolazione.
	Ecco un esempio in cui abbiamo tre variabili di input e, come possiamo vedere, MaxPulse e RunPulse hanno una forte correlazione positiva.
	Se non consideriamo il controllo di estrapolazione, il modello ci dirà che il punto blu è l'ottimo. Tuttavia, non rispetta la relazione nei dati di addestramento, quindi non è molto
	Affidabile. Il modello è estrapolante. Ma se attiviamo il controllo dell'estrapolazione, suggerirà questo punto rosso, che ora è più realistico. Dimostra quindi come il controllo dell'estrapolazione possa davvero aiutare nel processo decisionale ed evitare previsioni irrealistiche.
	Ora parlerò del caso di studio che ho incontrato durante il mio impiego in Dow. Questo caso di studio riguarda il processo di estrazione mineraria e il nostro obiettivo era ottimizzare le condizioni di estrazione per una maggiore efficienza nella rimozione dei minerali.
	Abbiamo 120 righe in questo set di dati e abbiamo tre variabili di input e una variabile di output.
	Per la variabile di input abbiamo il tipo di acqua, che è una variabile categoriale con tre livelli, quindi li ho codificati come Tipo A, B e C.
	Abbiamo anche utilizzato 12 tipi di schiumatori, anch'essi categorici. Abbiamo una variabile numerica, che rappresenta la dimensione delle particelle, e le ho codificate a 0, 1 e anche 0,35.
	In questo caso l'output è l'efficienza di rimozione, che è un valore compreso tra zero e uno; tutti i valori sono codificati per proteggere le informazioni effettive.
	Il problema con questo set di dati è che in realtà c'è una certa collinearità dovuta alla fase di progettazione. Quindi, se osserviamo questo generatore grafico, abbiamo visualizzato molto facilmente la struttura dei dati utilizzando il generatore di grafici, una piattaforma di JMP.
	Quindi, qui ho utilizzato il tipo di schiumatore come involucro, quindi ogni casella si riferisce a un tipo di schiumatore e poi stiamo osservando la dimensione delle particelle sull'asse Y e il tipo di acqua sull'asse X.
	Quindi, qui, il problema è che quando abbiamo acqua di tipo B, avremo solo un livello di dimensione delle particelle, che è al livello intermedio, quindi la collinearità esiste quando cerchiamo di stimare la dimensione delle particelle
	e interagendo con il Tipo B. Quindi in questo caso non è stimabile.
	A causa di questo squilibrio o di qualche dipendenza, avremo un problema di estrapolazione, ed è qui che la funzione di controllo dell'estrapolazione può davvero aiutarci a prevenire qualsiasi rischio dovuto a questo set di dati imperfetto.
	Quindi, ho continuato a costruire il modello e ho utilizzato diverse piattaforme in JMP, per confrontare le metriche e il modo in cui possono potenzialmente influenzare il nostro processo decisionale.
	Prima di adattare qualsiasi modello, di solito inizio questa valutazione del progetto, che è... che è una delle funzionalità di JMP. Quindi questa piattaforma ci permette di chiedere per capire,
	Dato un set di dati, quali sono i termini che possono essere stimati a partire da esso? Farò una breve dimostrazione a riguardo. Ecco il mio set di dati. Ho tre variabili di input e una variabile di output. Quello che possiamo fare è andare al Dipartimento dell'Energia,
	diagnostica di progettazione e valutazione della progettazione. Qui la risposta Y è facoltativa, quindi trascinerò i miei tre input qui e cliccherò su OK.
	E ora mi dice che se considero solo gli effetti principali, è in grado di stimarli e posso esaminare le mie diagnosi, come la varianza della previsione all'interno dell'intero spazio... spazio di progettazione e anche alcune diagnosi.
	Tuttavia, voglio stimare le interazioni bidirezionali. Quindi, se clicco su interazioni bidirezionali,
	appare questo avviso e mi dice che questo set di dati non può contenere tutti i termini di interazione bidirezionale e che i termini che non è possibile stimare sono stati rimossi.
	E se guardiamo qui, notiamo che l'interazione tra il tipo di acqua e la dimensione specifica è stata eliminata e ciò è dovuto al problema di collinearità che ho appena menzionato.
	Quindi, se controlliamo qui, queste diagnosi sono state aggiornate, in base a questo nuovo set di termini modello. Quindi ora so che
	A causa della collinearità, non posso stimare tutti i termini, quindi posso iniziare solo con quelli che il modello può adattare. Poi tornerò alle mie diapositive e inizierò a costruire il modello.
	Quindi il primo modello che ho installato era all'interno della piattaforma GenReg. Il motivo è che la mia risposta, che è un'efficienza, è un valore compreso tra zero e uno e di solito penso alla distribuzione beta, che può essere realizzata solo in questo GenReg.
	Tuttavia, nel nostro caso, sebbene sia compreso tra zero e uno, la distribuzione è più simile alla normale e non c'è un'alta frequenza vicino a zero o uno, il che rende problematico l'uso della distribuzione normale.
	Quindi quello che ho fatto è stato provare sia la versione beta che quella normale nel mio adattamento del modello all'interno di questo GenReg. Ho anche provato il modello completo e i vari metodi per la riduzione del modello. Quindi
	Ho confrontato AICc e BIC e mi sono reso conto che avrei potuto usare la distribuzione normale, mentre la metodologia di riduzione Lasso fornisce valori AICc o BIC più piccoli rispetto al modello completo. Probabilmente è quello che userò in futuro.
	Ma ora che possiamo usare la distribuzione normale, mi sono reso conto che possiamo effettivamente adattare lo stesso modello, ma su piattaforme diverse.
	Quindi la cosa successiva che ho fatto è stata usare il metodo dei minimi quadrati, che è una piattaforma lineare in JMP, e ho adattato lo stesso modello lì.
	Ma ora ciò che mi consente di fare è usare la leva finanziaria come metrica di controllo dell'estrapolazione, mentre in GenReg usavo il T-quadrato di Hotelling regolarizzato. Quindi ora posso confrontare quanto queste due metriche siano realmente diverse o quanto siano simili.
	Ora passiamo al confronto delle metriche e ad alcuni risultati. Ecco la mia mappa, partendo dallo stesso modello completo.
	Ho adattato il modello a GenReg e ho applicato il metodo dei minimi quadrati laddove utilizzavano metriche diverse. Oltre a confrontare le metriche, volevo anche verificare se avessi utilizzato un modello completo rispetto a un modello ridotto modificando la forma del modello: in che modo ciò avrebbe modificato le prestazioni delle metriche?
	Quindi, ecco dove farò un'altra demo e vedremo anche come utilizzare la funzionalità di controllo dell'estrapolazione in un profiler. Inizierò con questo GenReg, che è lo stesso script.
	Giusto per farti capire... per informazione, cliccherò sulla finestra di dialogo del modello. Ecco dove è stato impostato il modello. Quindi, efficienza per Y, questi termini sono stati definiti nella progettazione della valutazione e utilizzando beta o normale.
	Quindi clicchiamo su "Esegui". Ho salvato due modelli. Il primo è la distribuzione normale con riduzione del modello. Il secondo è la distribuzione normale con modello completo. Quindi, se iniziamo con un modello completo, quello che possiamo fare è cliccare qui per attivare il profiler.
	E nel profiler,
	La novità è che ora possiamo cliccare sul controllo dell'estrapolazione e disattivare l'avviso.
	Quindi ora non ci sono dettagli, quindi se volessi vedere i dettagli, ho bisogno di una rapida estrapolazione dei dettagli
	e ci mostra la soglia nella metrica. Quindi, se possiamo spostarci lungo la dimensione delle particelle e la metrica cambia, ma sono entro la soglia, non c'è alcun avviso.
	Ma se passiamo al Tipo B, dove esiste questa collinearità, vediamo questo possibile avviso di estrapolazione a dimensioni delle particelle molto elevate o a dimensioni delle particelle molto ridotte.
	Un'altra cosa che possiamo fare è attivare direttamente il controllo di estrapolazione, anziché attivare l'avviso. In questo modo, verrà mostrato solo l'intervallo in cui non è presente alcuna estrapolazione.
	Quindi, ora vorrei sottolineare che la soglia qui è 16,3, e cosa succederebbe se adattassimo un modello ridotto? Questo cambierebbe la soglia e anche la regione di estrapolazione? Ora posso andare al mio modello ridotto e attivare il profiler che ho già attivato, ed ecco...
	Se clicco su "Dettagli estrapolazione" e lo attivo, vedremo che ha la stessa soglia e lo stesso intervallo di estrapolazione. Quindi, in questo caso, questo T-quadrato regolarizzato non è supervisionato e non cambia quando utilizziamo un modello completo rispetto a un modello ridotto.
	E se, invece di usare GenReg, provassimo i quadrati di fit lease, che sono una piattaforma lineare e la leva finanziaria può essere usata per l'estrapolazione del modello. Ecco il mio modello completo. Posso cliccare su "Factor Profiling" e attivare il profiler.
	Analogamente, possiamo cliccare sul controllo dell'estrapolazione e attivare l'avviso e anche i dettagli dell'estrapolazione.
	Quindi qui la soglia è diversa perché è stata calcolata in base a un'equazione diversa. Simile a prima, Tipo B... Tipo A e C non hanno estrapolazione, ma per il Tipo B, in realtà... hanno tutti l'estrapolazione del riscaldamento.
	E se imposto questo a 0,35, questo è l'unico punto in cui non c'è estrapolazione. Per dimostrarlo più chiaramente, posso attivare il controllo di estrapolazione e vedrete quello con l'acqua B,
	è in grado di predire solo questo singolo livello di dimensione delle particelle, che è stato osservato nell'esperimento. Quindi questo ci dice che,
	dato il set di dati e utilizzando la leva finanziaria come parametro, non possiamo prevedere altre dimensioni delle particelle quando utilizziamo l'acqua...acqua di tipo B.
	Quindi, rispetto al GenReg, in cui è stato utilizzato il T-quadrato regolarizzato, questo è più rigoroso, perché nell'altro scenario è stato in grado di prevedere un intervallo più ristretto. E ancora una volta, questo perché quello non è supervisionato e questo è più orientato alla forma del modello.
	Quindi qui abbiamo una soglia di 0,5, e ho provato il modello ridotto quando usavo la leva finanziaria, e anche la soglia è stata modificata perché dipende dalla forma del modello. Quindi, se si ha un modello più piccolo, si avrà una soglia più piccola. E questa è la tabella di confronto.
	In questo caso specifico, vediamo che la leva finanziaria è più rigida del T-quadrato regolarizzato.
	Quindi, ora ero interessato a come possiamo ottimizzare questa funzionalità di controllo dell'estrapolazione, perché questo è l'obiettivo del nostro progetto.
	Ecco l'output finale che ho ottenuto. Questo è il disegno di tutte le variabili di input e il punto blu è quello che ho ottimizzato senza alcun controllo di estrapolazione. E suggerisce questo punto, che non era stato osservato nei dati.
	Tuttavia, se consideriamo il controllo dell'estrapolazione, questo suggerisce qualcosa di più simile ai dati di addestramento, di cui ora abbiamo più fiducia... fiducia.
	Un'altra cosa che possiamo fare è fare un po' di visualizzazione con e senza controllo di estrapolazione. Quindi, in realtà, voglio dimostrarlo molto velocemente,
	perché credo che questo sia il futuro che amo di più, ad esempio, se decidessimo di...
	Mi dispiace, chiuderò questo per una visualizzazione più chiara.
	Quindi se possiamo... se decidessimo di usare questo profiler... questo modello, possiamo procedere e assicurarci di attivare il controllo di estrapolazione, e poi quello su cui possiamo cliccare è la tabella casuale di output.
	Ciò che fa è generare tutte le potenziali condizioni che il modello può prevedere senza alcuna estrapolazione.
	Quindi ora ho 5.000 esecuzioni e posso cliccare qui per vedere molto facilmente la distribuzione o gli istogrammi di ciascun parametro.
	Se clicco su Tipo A, possiamo vedere che il modello è in grado di prevedere l'intero intervallo tra zero e uno per la dimensione delle particelle.
	Lo stesso vale per il Tipo C, ma quando abbiamo il Tipo B, è in grado di prevedere solo un intervallo ristretto di dimensioni delle particelle a causa di quel fattore extra...
	Scusate, estrapolazione. Quindi con questo, possiamo davvero ottimizzare e simulare tenendo presente il controllo dell'estrapolazione.
	E inoltre, da questo file possiamo usare il generatore grafico
	e generare questo grafico, dove possiamo vedere che se non abbiamo il controllo dell'estrapolazione, abbiamo tutti gli intervalli con il colore che rappresenta l'efficienza, l'efficienza prevista.
	Ma con il controllo dell'estrapolazione non possiamo prevedere tutti questi intervalli e questa è un'ottima visualizzazione basata su quella funzione di simulazione.
	E ora, la mia ultima domanda è: cosa succede se voglio davvero stimare questi spazi? Per farlo, dobbiamo correggere i dati o aumentarli in modo che il modello possa prevedere l'intero intervallo. Ora possiamo quindi effettuare l'aumento dei dati, che è anche parte delle funzionalità di JMP.
	Quindi, per quanto riguarda la progettazione aumentata, quello che possiamo fare è aggiungere una nuova variabile di blocco in modo che le nuove esecuzioni possano essere separate...possono essere raggruppate in un blocco due.
	Inoltre, possiamo definire i termini del modello che vogliamo stimare. Ora, voglio stimare tutte le interazioni bidirezionali.
	Ed ecco una visualizzazione delle esecuzioni aumentate, quindi i punti rossi sono tutte le esecuzioni aumentate e ora poiché stiamo assegnando i dati in
	Quando l'acqua è di tipo B, il profiler è in grado di stimare tutti i termini, eliminando così il problema di collinearità. Anche nel profiler, vediamo che quando abbiamo il tipo B, è in grado di prevedere l'intero intervallo.
	Ecco alcune considerazioni. Possono esserci molte fonti di estrapolazione, ad esempio quando si ha dipendenza tra variabili di input o quando si ha qualsiasi altro termine che non si può stimare ma che si desidera
	Da includere nel modello. In qualsiasi mondo di modellazione predittiva, anche l'apprendimento automatico è fondamentale. Dobbiamo tenere conto del controllo di estrapolazione perché è il controllo di integrità.
	Per il mondo predittivo, e grazie a JMP 16 Pro, questa funzionalità lo rende molto semplice da usare. Ed è anche molto facile dimostrare come la struttura del set di dati possa influire sull'usabilità del modello. Quindi
	Ecco perché ho creato questo e voglio condividerlo con la comunità più ampia per dimostrare davvero... quanto sia utile questa funzionalità. E questa è tutta la mia presentazione. Ecco il riferimento e una breve dichiarazione di esclusione di responsabilità.
Josh Staunton	Grande.
Xinjie Tong	Va bene?
Josh Staunton	Grazie, è stato fantastico, mi piace molto.
	Mi piace vedere il predittore nel loro profilo.
	profilo.
	Ottimo lavoro, se n'è andato senza intoppi.
Xinjie Tong	Grazie, grazie, spero che non sia troppo.
	Beh, direi che è per principianti, quindi non è molto complesso.
Josh Staunton	Per me era come se, sai, sarebbe stato un piccolo passo avanti, ma no, non era una grande idea, ha iniziato a parlare di progetti di potenziamento, è sicuramente il livello successivo.
	Quello.
	Sì, è più o meno così, come ho detto, taglieremo questo tipo di modifica, sai, la parte anteriore e posteriore, e poi non dovrebbero sapere quando si aspettano di pubblicarlo sul sito web, ma sarà lì a breve.
	Grazie ancora per aver dedicato tempo e impegno a condividere questo.
	Con la nostra Comunità.
Xinjie Tong	sì, certo.
	sì, sembra buono.
Josh Staunton	Bene, prenditi cura di te e spero di incontrarti presto a uno di questi eventi.
Xinjie Tong	Sì.
	Grazie, non vedo l'ora.
	Grazie per l'opportunità.
Josh Staunton	Oh sì, grazie mille, va bene, arrivederci.
Xinjie Tong	ciao buona giornata.
	Anche tu.

Modellazione statistica avanzataAutomazione e scriptingAnalisi e modellazione dei dati di baseProgettazione degli esperimentiModellazione predittiva e apprendimento automaticoIngegneria della qualità e dei processiAnalisi di affidabilità