756829_es-ES

liliconcom

Uso de la función de control de extrapolación en JMP® Pro 16 para optimizar el proceso de minería en el mundo real (2021-US-30MP-844)

Xinjie Tong, estadística de investigación sénior de Dow

El estudio de caso busca evaluar el rendimiento de 12 tipos de espumadores en la recuperación de minerales en minería. Además del tipo de espumador, las variables de entrada incluyen el tamaño de partícula (valor codificado: 0, 0,35, 1) como variable continua y el tipo de agua (Tipo A, Tipo B, Tipo C) como variable categórica. La variable de respuesta es la eficiencia de recuperación de minerales.

Mediante el uso de la función de control de extrapolación del perfilador de predicción, se observó una posible extrapolación para el tipo de agua B cuando el tamaño de partícula era 1, según la métrica T cuadrada regularizada. Esta extrapolación se debió a un desequilibrio en el DOE, donde la medición para el tipo de agua B solo se obtuvo con un tamaño de partícula de 0,35. El control de extrapolación se activó para optimizar la eficiencia de la recuperación de minerales y lograr soluciones óptimas fiables.

El problema de extrapolación desapareció al aumentar el DOE para que fuera más equilibrado. La función de control de extrapolación permitió comprender de inmediato cómo aumentar un DOE desequilibrado podía mejorar considerablemente la usabilidad del modelo predictivo.

Transcripción generada automáticamente...

Vocero	Transcripción
Josh Staunton	Hola.
Xinjie Tong	Hola Josh.
Josh Staunton	Hola, eso es genial.
Xinjie Tong	Sí, bien.
Josh Staunton	Bueno, gracias por aceptar hacer esto. Estoy emocionado de escuchar tu presentación.
Xinjie Tong	Gracias, ¿cómo podemos empezar?
	o cualquier otra cosa, antes de empezar.
Josh Staunton	Sí, solo hay una lista de verificación rápida, solo quería repasarla, así que si tienes alguna...
	Tu yo soy tu teléfono que todavía está encendido.
Xinjie Tong	Bueno, sí.
Josh Staunton	Sí, hay uno.
Xinjie Tong	Gran recordatorio, gracias.
Josh Staunton	Y solo una cosa rápida, necesito una confirmación verbal de que sabes lo que se está grabando, para que entiendas que esto se está grabando para la cumbre de descubrimiento de JMP.
	conferencia y estará disponible públicamente en la comunidad de usuarios del trabajo para dar permiso para esta grabación y uso.
	Sí, sí, está bien.
	La formalidad son geniales y.
	Me gusta tu fondo, todo se ve bien y supongo que lo único que tienes es saber si tu pantalla está configurada en 1920 por 10.
Xinjie Tong	En realidad no lo hago.
	saber claramente
Xinjie Tong	Configuración de pantalla muy rápida.
	Estoy en creemos ver 119 20 veces 1080.
Josh Staunton	Oh, perfecto.
Xinjie Tong	Sí, bien.
Josh Staunton	Sí, eso es perfecto y lo que vas a hacer es utilizar la función de control de extrapolación y el proceso de minería de recompensas optimizado JMP pro 16 2021 us 30 MP.
	Genial, está bien, entonces me voy.
	¿Quieres ver si puedes comenzar a presentar? Simplemente haz que tus diapositivas se muevan y...
	Si todo se ve bien desde tu lado, detendré mi video, lo silenciaré y te lo pasaré.
Xinjie Tong	Entonces podemos intentarlo muy rápido, ¿de acuerdo?
Josh Staunton	Si deseas presentarlo yo puedo asegurarte.
	Podemos ver tus diapositivas.
Xinjie Tong	Sí, eh, entonces primero necesito compartir mi pantalla.
	sí.
Xinjie Tong	Y ves mi pantalla.
	Sí, está bien, entonces probablemente haré alguna DEMO, pero probablemente no lo haré.
	Necesito hacer una DEMOSTRACIÓN. Entonces, cuando lo haga, tal vez solo haré esto (¿está bien?) y luego volveré a las diapositivas.
Josh Staunton	Exactamente, sí, eso es, está bien.
	Y ya sabéis que no se realizará ningún tipo de edición dentro del vídeo, se cortará parte del mismo, ya sabéis.
	Pero para que lo sepas si cometes un error, si tú...
	Ya sabes, simplemente intenta mantenerlo.
	Estamos avanzando a paso firme, aquí todos somos humanos y está bien cometer un error.
	Si crees que lo sabes, pero si realmente crees que fue una cosa catastrófica te gustaría ver.
	Ahora puedes simplemente...
	Podemos, podemos, podemos empezar de nuevo, no es gran cosa, pero no, no permitas que un pequeño error te moleste, simplemente sigue adelante.
	Tú serás él.
	Sí, sí.
Xinjie Tong	Y creo que dura unos 20 minutos aproximadamente la presentación.
	Bueno, eso es todo.
	Los requisitos como.
Josh Staunton	Ya sabes, no estoy seguro de que cada uno sea un poco diferente, pero yo sé que no lo soy.
	Sí, no te preocupes demasiado por el tiempo, esas son más bien pautas, solo inténtalo, ya sabes.
	Está bien, Dan, saca lo que hayas investigado y podremos verlo.
Xinjie Tong	Bueno, suena bien, así que si ese es el caso, tal vez comenzaré a presentarlo.
Josh Staunton	Sí, entonces comenzaré mi video y luego sí, él quería tomarse un minuto o puedes comenzar cuando quieras, cuando estés listo.
Xinjie Tong	Oh, no necesito hacer ninguna producción, ¿es así?
Josh Staunton	No, podrías simplemente darlo, podrías decir, decir tu nombre y saber por lo que vas a pasar.
	como si me hubiera metido en ello.
Xinjie Tong	Está bien, está bien.
Josh Staunton	Está bien, está bien, apagaré mi cámara y te mando buena suerte, gracias.
Xinjie Tong	Gracias.
	Entonces, mi nombre es Xinjie Tong y mi presentación trata sobre cómo utilizamos la función de control de extrapolación en JMP Pro 16 en un problema de minería del mundo real, donde estábamos tratando de optimizar la eficiencia de eliminación de minerales en el proceso de minería.
	Entonces, presentaré un estudio de caso sobre el proceso de minería y luego exploraremos un poco más sobre las métricas de control de extrapolación también mencionadas, cómo optimizamos con la extrapolación en mente y cómo el uso del aumento DOE puede potencialmente abordar el problema de la extrapolación.
	Aquí hay una diapositiva que presenta las métricas de control de extrapolación que se utilizan actualmente en JMP 16 Pro y toda esta información proviene del video en la comunidad JMP.
	realizado por SAS, como puede encontrar la referencia en la parte inferior, por lo que hay dos métricas principales que se utilizan en JMP.
	Uno es el apalancamiento, que se utiliza en plataformas lineales, específicamente cuando ajustamos mínimos cuadrados. Hay otro
	Métrica denominada T-cuadrado de Hotelling regularizado, que ahora se implementa en plataformas no lineales, como GenReg, y mínimos cuadrados parciales neuronales. Por lo tanto, para el apalancamiento,
	Es una función de la matriz de diseño de los datos de entrenamiento, así como del punto de predicción. Por lo tanto, depende de la forma del modelo. Además, para un modelo lineal, es proporcional a la varianza de la predicción.
	Pero, de manera diferente, para el cuadrado t regularizado, es una versión no supervisada, por lo que no es una función de ninguna forma del modelo.
	Y aquí está la ecuación que robé de ese vídeo.
	Este es el ejemplo que también surge de ese video para mostrar cómo la optimización puede diferir cuando tienes la extrapolación en mente.
	Entonces, aquí tenemos un ejemplo donde tenemos tres variables de entrada y, como podemos ver aquí, MaxPulse y RunPulse tienen una fuerte correlación positiva.
	Si no consideramos el control de extrapolación, el modelo nos indicará que el punto azul es el óptimo. Sin embargo, no obedece la relación en los datos de entrenamiento, por lo que no es muy...
	Confiable. El modelo extrapola. Pero si activamos el control de extrapolación, sugerirá este punto rojo, que ahora es más realista. Esto demuestra cómo el control de extrapolación puede ser realmente útil en la toma de decisiones y evitar predicciones poco realistas.
	Ahora les hablaré del caso práctico que encontré durante mi trabajo en Dow. Este caso práctico trata sobre el proceso minero y nuestro objetivo era optimizar las condiciones de extracción para una mayor eficiencia en la extracción de minerales.
	Tenemos 120 filas en este conjunto de datos, y tenemos tres variables de entrada y una variable de salida.
	Para la variable de entrada, tenemos el tipo de agua, que es una variable categórica con tres niveles, así que los codifiqué como Tipo A, B y C.
	También utilizamos 12 tipos de espumadores categóricos. Tenemos una variable numérica, el tamaño de partícula, y los codifiqué en 0, 1 y 0,35.
	Aquí la salida es la eficiencia de eliminación, que es un valor entre cero y uno, y todos los valores aquí están codificados para proteger la información real.
	El problema con este conjunto de datos es que existe cierta colinealidad debido a la etapa de diseño. Si observamos este generador de gráficos, podemos visualizar fácilmente la estructura de datos mediante el generador de gráficos, una plataforma en JMP.
	Entonces, aquí estaba usando el tipo de espumador como envoltorio, por lo que cada casilla se refiere a un tipo de espumador y luego estamos mirando el tamaño de partícula en el eje Y y el tipo de agua en el eje X.
	Entonces, aquí el problema es que cuando tenemos agua tipo B, solo tendremos un nivel de tamaño de partícula, que está en el nivel medio, por lo que existe colinealidad cuando intentamos estimar el tamaño de partícula.
	e interactuar con el tipo B, por lo que no es estimable en este caso.
	Debido a este desequilibrio o alguna dependencia, tendremos un problema de extrapolación, y aquí es donde la función de control de extrapolación realmente puede ayudarnos a prevenir cualquier riesgo debido a este conjunto de datos imperfectos.
	Entonces, seguí adelante y construí el modelo usando diferentes plataformas en JMP, y esto es para comparar las métricas y cómo pueden impactar potencialmente nuestra toma de decisiones.
	Antes de ajustar cualquier modelo, suelo empezar a evaluar el diseño, que es una de las capacidades de JMP. Esta plataforma nos permite comprender...
	Dado un conjunto de datos, ¿cuáles son los términos que se pueden estimar a partir de él? Haré una breve demostración. Aquí está mi conjunto de datos. Tengo tres variables de entrada y una de salida. Podemos ir al DOE,
	Diagnóstico de diseño y evaluación del diseño. Aquí, la respuesta Y es opcional, así que arrastraré mis tres entradas aquí y haré clic en Aceptar.
	Y ahora me dice que si solo estoy considerando los efectos principales, puede estimarlos y puedo ver mis diagnósticos, como la variación de su predicción dentro de todo el espacio... espacio de diseño y también algunos diagnósticos.
	Sin embargo, quiero estimar las interacciones bidireccionales. Entonces, si hago clic en interacciones bidireccionales,
	Aparece esta alerta y me dice que este conjunto de datos no puede ajustarse a todos los términos de interacción bidireccional y los términos que no se pueden estimar se han eliminado.
	Y si miramos aquí, notamos que se ha eliminado la interacción entre el tipo de agua y el tamaño particular y eso se debe al problema de colinealidad que acabo de mencionar.
	Si revisamos aquí, estos diagnósticos se han actualizado según este nuevo conjunto de términos del modelo. Ahora sé que...
	Debido a la colinealidad, no puedo estimar todos los términos, así que solo puedo empezar con los que el modelo ajusta. Después, volveré a mis diapositivas y comenzaré a construir el modelo.
	Así que el primer modelo que instalé estaba dentro de la plataforma GenReg. La razón es que mi respuesta, que es una eficiencia, es un valor entre cero y uno, y suelo pensar en la distribución beta, que solo se puede lograr en este GenReg.
	Sin embargo, en nuestro caso, aunque está dentro de cero y uno, la distribución es más parecida a la normal y no hay una frecuencia alta cerca de cero o uno, lo que hace que sea problemático utilizar la distribución normal.
	Así que lo que hice fue probar tanto la versión beta como la normal en mi modelo, ajustando este GenReg. También probé el modelo completo y los diversos métodos de reducción del modelo.
	Comparé el AICc y el BIC, y me di cuenta de que podría estar usando una distribución normal, y la metodología de reducción Lasso arroja un AICc o BIC menor que el del modelo completo. Probablemente sea el que seguiré utilizando.
	Pero ahora que podemos usar la distribución normal, me di cuenta de que en realidad podemos ajustar el mismo modelo, pero en plataformas diferentes.
	Entonces, lo siguiente que hice fue utilizar un ajuste por mínimos cuadrados, que es una plataforma lineal en JMP, y ajusté el mismo modelo allí.
	Pero ahora me permite usar el apalancamiento como métrica de control de extrapolación, mientras que en GenReg usaba la T-cuadrada de Hotelling regularizada. Así, puedo comparar el contraste y la similitud entre estas dos métricas.
	Ahora vamos a la comparación de métricas y a ver algunos resultados. Aquí está mi mapa; comencé con el mismo modelo completo.
	Ajusté el modelo a GenReg y ajusté el método de mínimos cuadrados donde se usaban diferentes métricas. Además de comparar las métricas, también quería ver cómo, al usar un modelo completo o uno reducido modificando la forma del modelo, cambiaba el rendimiento de las métricas.
	Aquí haré otra demostración, y también veremos cómo usar la función de control de extrapolación en un perfilador. Empezaré con GenReg, que es el mismo script.
	Para su información, haré clic en el diálogo del modelo. Aquí es donde se configuró el modelo. Así que, la eficiencia para Y, estos términos se definieron en el diseño de evaluación y se usaron beta o normal.
	Luego, haga clic en "Ejecutar". Guardé dos modelos. El primero es la distribución normal con reducción de modelo. El segundo es la distribución normal con modelo completo. Si comenzamos con un modelo completo, podemos activar el generador de perfiles.
	Y en el perfilador,
	Lo nuevo aquí es que ahora podemos hacer clic en el control de extrapolación y podemos desactivar la advertencia.
	Entonces ahora no hay detalles, así que si quisiera ver los detalles, necesito extrapolarlos rápidamente.
	Y nos muestra el umbral en la métrica. Si podemos movernos a lo largo del tamaño de partícula y la métrica cambia, pero se encuentran dentro del umbral, no hay ninguna advertencia.
	Pero si vamos al Tipo B, donde existe esa colinealidad, vemos esta posible advertencia de extrapolación en tamaños de partículas muy altos o en tamaños de partículas muy pequeños.
	Otra cosa que podemos hacer es, en lugar de activar la advertencia, activar directamente el control de extrapolación. Esto solo muestra el rango sin extrapolación.
	Ahora quiero mencionar que el umbral aquí es 16.3, ¿y si ajustamos un modelo reducido? ¿Eso cambia el umbral y también la región de extrapolación? Ahora puedo ir a mi modelo reducido y activar el generador de perfiles, que ya tenía activado, y aquí está...
	Si hago clic en "Detalles de extrapolación" y la activo, veremos que tiene el mismo umbral y el mismo rango de extrapolación. Por lo tanto, este T cuadrado regularizado no está supervisado y no cambia al usar un modelo completo en comparación con uno reducido.
	Y si, en lugar de usar GenReg, probamos el ajuste de arrendamiento cuadrado, que es una plataforma lineal, el apalancamiento puede usarse para la extrapolación del modelo. Aquí está mi modelo completo. Puedo hacer clic en el perfil de factores y activar el perfilador.
	De manera similar aquí, podemos hacer clic en el control de extrapolación y activar la advertencia y también los detalles de extrapolación.
	Aquí el umbral es diferente porque se calculó con base en una ecuación diferente. Similar a lo anterior, el Tipo B... los Tipos A y C no tienen extrapolación, pero para el Tipo B, de hecho... todo tiene calentamiento por extrapolación.
	Y si lo establezco en 0,35, este es el único punto donde no hay extrapolación. Para mostrarlo más claramente, puedo activar el control de extrapolación y verían el que tenía agua B.
	Solo es capaz de predecir este único nivel de tamaño de partícula, que se observó en el experimento. Esto nos dice que...
	Dado el conjunto de datos y utilizando el apalancamiento como métrica, no podemos predecir ningún otro tamaño de partícula cuando usamos agua... agua tipo B.
	Por lo tanto, en comparación con GenReg, donde se utilizó el cuadrado T regularizado, este es más estricto, ya que en el otro escenario se pudo predecir un rango más estrecho. Esto se debe, nuevamente, a que este no está supervisado y este se centra más en la forma del modelo.
	Aquí tenemos un umbral de 0,5. Probé el modelo reducido al usar apalancamiento, y el umbral también se modificó porque depende de la forma del modelo. Por lo tanto, si se tiene un modelo más pequeño, el umbral será menor. Esta es la tabla comparativa.
	En este caso específico, vemos que el apalancamiento es más estricto que el T Square regularizado.
	Ahora me interesaba cómo podemos optimizar con esta función de control de extrapolación, porque ese es el objetivo de nuestro proyecto.
	Este es el resultado final que obtuve. Esto representa todas las variables de entrada y el punto azul es el que optimicé sin ningún control de extrapolación. Sugiere este punto, que no se observó en los datos.
	Sin embargo, si consideramos el control de extrapolación, sugiere algo más similar a los datos de entrenamiento en los que ahora tenemos más confianza... confianza en ellos.
	Otra cosa que realmente podemos hacer es visualizar con y sin control de extrapolación. Así que quiero hacer una demostración rápida de esto.
	Porque creo que este es el futuro que más me gusta es, por ejemplo, si decidiéramos...
	Lo siento, solo cerraré esto para una visualización más clara.
	Entonces, si podemos... si decidimos usar este generador de perfiles... este modelo, podemos seguir adelante y asegurarnos de activar el control de extrapolación, y luego lo que podemos hacer clic es generar una tabla aleatoria.
	Y lo que esto hace es generar todas las condiciones potenciales que el modelo puede predecir sin ninguna extrapolación.
	Ahora tengo 5.000 ejecuciones y puedo hacer clic aquí para ver fácilmente la distribución o los histogramas de cada parámetro.
	Si hago clic en Tipo A, podemos ver que el modelo puede predecir todo el rango entre cero y uno para el tamaño de partícula.
	Similar para el tipo C, pero cuando tenemos el tipo B, solo es capaz de predecir un rango estrecho de tamaño de partícula debido a ese extra...
	Perdón, extrapolación. Con esto, podemos optimizar y simular teniendo en cuenta el control de la extrapolación.
	Y además, desde este archivo podemos utilizar el constructor gráfico.
	y generar esta gráfica, donde podemos ver que si no tenemos control de extrapolación, tenemos todos los rangos con el color siendo la eficiencia, la eficiencia predicha.
	Pero con el control de extrapolación, no podemos predecir todos estos rangos y esa es una muy buena visualización basada en esa función de simulación.
	Y ahora, mi última pregunta sería: ¿qué pasa si realmente quiero estimar estos espacios? Para ello, debemos corregir o aumentar los datos para que el modelo pueda predecir el rango completo. Así que ahora podemos aumentar los datos, que también forma parte de la capacidad del JMP.
	Entonces, en el diseño aumentado, lo que podemos hacer es agregar una nueva variable de bloque para que las nuevas ejecuciones se puedan separar... se puedan agrupar en un bloque dos.
	También podemos definir los términos del modelo que queremos estimar. Ahora, quiero estimar todas las interacciones bidireccionales.
	Y aquí hay una visualización de las ejecuciones aumentadas, por lo que los puntos rojos son todas las ejecuciones aumentadas y ahora, como estamos asignando los datos en
	El tamaño máximo y mínimo de las partículas cuando el agua es de tipo B permite estimar todos los términos y elimina el problema de colinealidad. Además, en el perfilador, vemos que, con agua de tipo B, se puede predecir todo el rango.
	Algunas conclusiones. Puede haber muchas fuentes de extrapolación, como cuando existe dependencia entre las variables de entrada o cualquier otro término que no se pueda estimar, pero que se desee...
	Incluirlos en el modelo. En cualquier modelado predictivo, también existe el aprendizaje automático. Debemos tener en cuenta el control de extrapolación, ya que es la verificación de validez.
	Para el mundo predictivo, y gracias a JMP 16 Pro, esta función simplifica enormemente su uso. Además, es muy fácil demostrar cómo la estructura del conjunto de datos puede afectar la usabilidad del modelo.
	Por lo tanto, creé esta función y quiero compartirla con la comunidad para demostrar lo útil que es. Y con esto concluyo mi presentación. Aquí está la referencia y una advertencia.
Josh Staunton	Excelente.
Xinjie Tong	¿Está bien?
Josh Staunton	Gracias, eso fue increíble, me encanta.
	Me encanta ver al predictor en su perfil.
	perfil.
	Ahora, gran trabajo, fue que salió sin problemas.
Xinjie Tong	Gracias, gracias, espero que no sea demasiado.
	Bueno, yo diría que es para principiantes, por lo que no hay mucha complejidad allí.
Josh Staunton	Eso fue para mí, ya sabes que es un poco avanzar, pero no, no fue así, fue una gran idea, empezó a hablar sobre aumentar los diseños, definitivamente es el siguiente nivel.
	Eso.
	Sí, eso es más o menos todo, como dije, cortaremos esto, ya sabes, el frente y la parte de atrás, y luego no estoy seguro de cuándo esperan tenerlo en el sitio web, pero estará allí en breve.
	Gracias nuevamente por tomarte el tiempo y el esfuerzo para compartir esto.
	Con nuestra Comunidad.
Xinjie Tong	Sí, por supuesto.
	Sí, suena bien.
Josh Staunton	Está bien, cuídese y espero que podamos encontrarnos en uno de estos eventos pronto.
Xinjie Tong	sí.
	Gracias, lo espero con ansias.
	Gracias por la oportunidad.
Josh Staunton	Oh sí, muchas gracias, está bien, adiós.
Xinjie Tong	Adios que tengas un buen día.
	Tú también.

Modelado estadístico avanzadoAutomatización y scriptingAnálisis y modelado de datos básicosDiseño de experimentosModelado predictivo y aprendizaje automáticoIngeniería de Calidad y ProcesosAnálisis de confiabilidad