Nelle aziende agricole, la capacità di prevedere con precisione la resa di un raccolto ogni anno è fondamentale per migliorare l'efficienza, la redditività e la sostenibilità dell'attività. Quanto prima è possibile prevedere la resa, tanto più efficientemente sarà l'allocazione delle risorse, la gestione della supply chain, la programmazione del raccolto e la logistica di stoccaggio dell'azienda.
Una sfida attuale nel settore della barbabietola da zucchero è il cambiamento climatico, che sta causando una maggiore variabilità delle rese di anno in anno. Le condizioni meteorologiche in rapida evoluzione rendono la stima della resa meno prevedibile e, in ultima analisi, aumentano i costi per tutte le parti interessate.
Sfruttare la potenza dell'analisi dei dati e dell'apprendimento automatico è un modo per migliorare l'accuratezza e la tempestività delle previsioni di resa. Un modello predittivo è stato creato in JMP per prevedere le rese delle barbabietole da zucchero. L'intero processo è stato possibile solo con JMP: raccolta dati, pulizia, pre-elaborazione, analisi esplorativa dei dati, progettazione delle feature, selezione del modello, addestramento, valutazione, ottimizzazione e successiva distribuzione e manutenzione.
Ciao a tutti. Oggi siamo qui per analizzare JMP per la modellazione predittiva, in particolare per le rese agricole. Ma vale la pena sottolineare che il processo che mostrerò non si applica solo alle rese agricole. Potete usarlo per qualsiasi cosa. Spero che sia una sorta di guida su come farlo da soli. Alcuni piccoli trucchi che potete usare in JMP saranno utili, in particolare per le rese agricole. Ma come ho detto, qualsiasi cosa stiate cercando di prevedere, questo processo è valido.
Vi fornirò solo una guida approssimativa con alcuni esempi di come potete costruire modelli predittivi in JMP, in particolare per le rese agricole. Come ho appena detto, potete utilizzarlo per qualsiasi processo predittivo che state cercando di realizzare. Il problema specifico qui è che previsioni accurate e tempestive della resa delle colture sono molto importanti per il processo decisionale aziendale in agricoltura. Un problema che rende difficile raggiungere questo obiettivo è la notevole variabilità annuale nella resa e nella qualità della barbabietola da zucchero. Questa variabilità aumenta nel tempo in frequenza e intensità, il che rende più difficile la previsione. L'uso di applicazioni come JMP per le loro capacità predittive è sempre più importante e necessario per prevedere con precisione le rese.
Uno dei motivi principali per cui la variazione sembra aumentare è il cambiamento climatico. Come vedremo, volevo solo darvi una panoramica della coltivazione della barbabietola da zucchero. Quando parlo di resa, cosa intendo esattamente? Ecco una barbabietola da zucchero, e ci sono due aspetti da considerare. Il primo è la dimensione della barbabietola. Qui potete vedere il peso della radice pulita. Come potete vedere, su quella barbabietola c'è un po' di terra. Viene poi pulita, e la dimensione di quella barbabietola in peso è una componente della resa.
Il secondo fattore è la qualità, ovvero la concentrazione di zucchero presente in questa barbabietola. Quindi, in parole povere, la concentrazione di zucchero moltiplicata per la dimensione della barbabietola rappresenta la resa che si otterrà.
Come possiamo prevedere con precisione la resa? Beh, andiamo con ordine. Il concetto è lo stesso, indipendentemente dal tipo di attività. Ma ciò che vogliamo fare è raccogliere quanti più dati possibili da quante più località e anni possibili per produrre un ampio set di dati tabulari con il maggior numero possibile di fattori che potrebbero influenzare la resa agricola, insieme a risultati e valori di resa che possiamo poi confrontare. Produciamo un ampio set di dati storici con molte variabili indipendenti insieme alla nostra variabile dipendente.
Per l'agricoltura, in alcuni di questi esempi sono davvero necessari i dati sulla resa, idealmente dati sulla salute del suolo, sulle condizioni meteorologiche, sui parassiti e sulle malattie, sulle pratiche di gestione agricola, sulla varietà dei semi, sui dati sul terreno, sui dati di telerilevamento, ecc. Più dati si hanno, migliore è la qualità di questi dati, più accuratamente si può prevedere la resa e maggiore è la variazione della resa che si può attribuire con precisione a uno di questi fattori e, di conseguenza, maggiore è la variazione che si può discernere tra queste variabili.
In agricoltura, ci sono così tante variabili potenziali che possono influire sulla resa finale. È quasi impossibile, se non impossibile, racchiudere tutte le informazioni in un unico set di dati. Ma l'obiettivo è ottenere quanti più dati possibile per ottenere una buona previsione della resa. Innanzitutto, è necessario reperire tutti i dati disponibili, combinarli in un unico set di dati, pulirli ed elaborarli. Quindi, in JMP, possiamo eseguire l'analisi esplorativa dei dati, con l'obiettivo di scoprire pattern e tendenze nascosti all'interno del set di dati. Da lì, possiamo identificare i principali fattori predittivi della qualità e della resa della barbabietola da zucchero. Quindi, possiamo costruire modelli predittivi utilizzando questi importanti fattori predittivi per prevedere le rese future.
Breve panoramica del processo in JMP. Il primo passo è la raccolta dei dati, ed è il più importante, in realtà. Non mi stancherò mai di sottolinearlo. La qualità dei dati è incredibilmente importante. Uno dei miei mentori dice spesso: "Se i dati entrano, i dati escono". Se non si hanno dati di buona qualità, non si riuscirà a costruire un buon modello, indipendentemente da quanto sia valido il processo. Bisogna davvero concentrarsi sull'ottenere dati di ottima qualità.
Uno dei vantaggi dell'agricoltura è che una variabile importante per la resa è il meteo. Grazie alla tecnologia odierna, disponiamo di ottimi metodi per acquisire retroattivamente dati meteorologici per un campo, per una regione, qualsiasi essa sia. Esiste una tecnologia che ci consente di acquisire con estrema precisione questi dati meteorologici da un'altra fonte e utilizzarli.
In termini di agricoltura, questo è un tassello del puzzle davvero valido, perché in molti casi si fa affidamento sul fatto che l'azienda con cui si lavora o la propria azienda abbia già implementato buone pratiche di gestione dei dati, che abbia monitorato molte delle variabili importanti, raccolto quanti più dati possibile e li abbia archiviati in modo efficiente in modo che siano facilmente accessibili. In caso contrario, la probabilità di essere riusciti a costruire un buon modello predittivo è inferiore e potrebbero volerci molti anni per raccogliere i dati effettivamente necessari per arrivare al punto in cui si dispone di un modello davvero valido.
Poi abbiamo la pulizia dei dati, la pre-elaborazione, l'ingegneria delle feature, l'analisi esplorativa dei dati, lo screening del modello, l'addestramento, l'ottimizzazione e la valutazione. Infine, la distribuzione del modello e, potenzialmente, la manutenzione. Il primo passo qui è la raccolta dei dati. Come ho detto, e spesso accade, i dati sono archiviati in molte posizioni diverse, molti database diversi, potenzialmente fogli diversi, e l'obiettivo di JMP è di riunire tutto insieme.
In questo caso specifico, per quanto riguarda le rese agricole, erano presenti tre set di dati. C'erano dati campione stagionali, dati meteorologici e dati sulla resa finale. L'importante è trovare un filo conduttore tra tutti i set di dati, che mostreremo tra un minuto. È quindi possibile utilizzare il generatore di query JMP per riunire tutte queste fonti di dati in un unico posto in modo rapido, semplice, accurato e senza stress. In questo caso specifico, il filo conduttore era il numero e l'anno del contratto, dove abbiamo potuto combinare i dati.
Passiamo direttamente al primo passaggio che vi mostrerò: la pre-elaborazione dei dati. Potrebbe essere necessario o meno, a seconda dei dati in vostro possesso. L'analisi che intendete effettuare è la normalizzazione dei dati, ma potrebbe aumentare le prestazioni del vostro modello. Diamo un'occhiata a questo in JMP. Abbiamo la piattaforma JMP, alcuni dati meteorologici. Ora, se apriamo il programma e andiamo nella distribuzione, abbiamo alcune variabili meteorologiche. Le inseriamo nella distribuzione.
Ora, se guardiamo qui, lasciatemi estendere questo concetto. Quello che potete vedere qui con questa precipitazione è che c'è un'asimmetria a sinistra. Ora, con dati non normalizzati, potrebbero esserci problemi per il modello. Potrebbe essere più difficile per il modello discernere le relazioni nei dati asimmetrici. Una cosa che possiamo fare per correggere questo è normalizzare i dati. Con questa, la precipitazione accumulata, andiamo in JMP, troviamo quel dataset. Inseriamo una nuova colonna. Formula. Ora, la colonna in questione era quella delle precipitazioni.
Ora, per normalizzare questi dati, vogliamo trovare la radice quadrata con i dati asimmetrici a sinistra. Aggiungiamola alla formula nella nostra colonna. Clicchiamo su "Applica". Ora vediamo questa nuova colonna. Rinominiamola così lo sappiamo: Precipitazioni Normalizzate. Ora, torniamo alla distribuzione, osserviamo le due colonne insieme. Ignoriamole. Questo verrà aggiunto più tardi. Possiamo vedere qui i dati originali. Incolliamo semplicemente quegli assi qui.
Ora, come potete vedere qui sulla distribuzione, i dati originali presentano questa evidente asimmetria a sinistra, e con i dati normalizzati, abbiamo estratto la radice quadrata; dovreste scoprire che la modellazione con questi dati sarà molto più semplice. Un problema qui, però, che dovete ricordare è che quando lavorate con un cliente, la precipitazione, ad esempio, è molto facilmente interpretabile per lui. Se cercate di mostrargli un modello con questi dati, che sono estratti dalla radice quadrata, la radice quadrata della precipitazione non è più interpretabile, e spesso le persone desiderano davvero dati ben spiegabili. È qualcosa che dovreste fare alla fine di questo processo, potenzialmente è invertire la radice quadrata di questi valori in modo che abbiano senso per il cliente.
Comunque, questa è una cosa che possiamo fare. Torniamo alla presentazione. Il prossimo passo, un po' di pulizia dei dati, è spesso molto utile. La prima cosa che possiamo fare è suddividere le tabelle. In questo set di dati, noterete che abbiamo colonne diverse per precipitazioni, temperatura, temperatura minima, temperatura massima e una colonna per mese. Per la nostra analisi, potrebbe non essere l'ideale avere una colonna per mese con una colonna per ogni variabile di temperatura. Potremmo voler invertire le cose, quindi andiamo su Tabelle, Dividi. Vogliamo dividere per mese. Vogliamo dividere i dati meteorologici e vogliamo mantenere tutte le colonne rimanenti.
Ora, in questo nuovo set di dati, come potete vedere, molto velocemente, abbiamo una colonna per ogni mese del set di dati, il che è molto più pratico per noi. Vedete, mese 1, mese 2. Ora abbiamo una colonna per ogni mese. È una cosa che possiamo osservare. Chiudiamo, teniamola per ora. La prossima cosa che possiamo fare è combinare i dati, che è una parte davvero interessante di JMP che permette di combinare rapidamente i due set di dati. Diamo un'occhiata veloce.
Qui vedete che abbiamo aperto la sezione meteo. Abbiamo appena diviso i dati e ora abbiamo una seconda tabella, che contiene l'ID del contratto e la resa, e abbiamo anche il sito. Vogliamo combinare questo set di dati con le informazioni meteo. Come facciamo? Prendiamo il nostro set di dati sulla resa, le tabelle e il generatore di query. Qui abbiamo i dati sulla resa. Vogliamo incorporare le informazioni meteo. Potete già vedere che JMP ha individuato due colonne identiche a JMP, ID contratto, ed è proprio quello che vogliamo.
Ora, se così non fosse, spesso potresti doverlo rimuovere. Fai clic sulla X qui, rimuovi, nel qual caso non è necessario, diciamo. Quindi puoi aggiungere il tuo ID contratto, ID contratto. Lo identificheremo come thread comune. Quindi decidiamo quale join vogliamo. Questa è una query SQL, Left Outer Join. No, non lo vogliamo. Vogliamo solo Inner Join in cui i dati corrispondono da entrambi i dataset. Costruisci la query. Qui possiamo aggiungere tutte le colonne, eseguire la query e otterremo un dataset che combina entrambe le tabelle. Ecco i dati di rendimento. Qui abbiamo tutti i nostri dati meteorologici, che ora possiamo iniziare ad analizzare.
Il passo successivo è esplorare i valori anomali. Ora, in un piccolo set di dati, con un numero ridotto di colonne, è molto facile analizzarli rapidamente in JMP, inserendo tutti i dati che vogliamo analizzare. Facciamo un esempio, in un'analisi di distribuzione. Spesso è molto facile individuare dove si trovano i singoli valori anomali. Come potete vedere, abbiamo chiaramente un valore anomalo.
Tuttavia, in un dataset di grandi dimensioni con potenzialmente centinaia di colonne come quello che abbiamo qui, il tempo impiegato è eccessivo. Quello che possiamo fare in JMP è invece analizzare, selezionare ed esplorare i valori anomali. Qui possiamo aggiungere tutte le nostre colonne ed eseguire i valori anomali. Andiamo con "Quantile Range Outliers". Immediatamente, abbiamo un elenco di tutte le colonne e il numero di valori anomali in base a questo test. Ora, ci sono molti modi per visualizzare questi valori anomali, ma è solo un modo rapido. Da qui, possiamo selezionare i nostri valori anomali, escluderli e rimuoverli. Possiamo selezionarli, colorare le celle per visualizzarli in seguito. Ci sono molte opzioni qui. Possiamo escludere tutti i nostri valori anomali molto rapidamente in questo modo con dataset di grandi dimensioni.
Il passo successivo è l'ingegneria delle feature, dove potremmo essere in grado di migliorare le prestazioni del nostro modello futuro fornendogli informazioni più dettagliate. Ora, questo potrebbe richiedere una conoscenza approfondita del settore o, sulla base dei risultati dell'analisi esplorativa dei dati, potreste avere l'intuizione che combinare determinate colonne in determinati modi possa migliorare la capacità predittiva. In questo esempio, potremmo voler creare una feature che rappresenti le precipitazioni estive nei mulini. Come si fa?
Molto semplicemente, torniamo a JMP. Qui abbiamo il nostro set di dati e aggiungiamo una nuova colonna. Chiamiamola "millimetri di pioggia estiva". Formula: andiamo alle nostre precipitazioni estive. Qui, statisticamente, possiamo facilmente ottenere la media e trascinare le variabili che vogliamo applicare. Ora abbiamo una feature, le informazioni estive, come possiamo vedere qui. Questi sono i dati con routing quadrato che avevamo prima. L'ingegneria delle feature è qualcosa che dovremmo considerare, cercando di migliorare la capacità predittiva del modello integrando feature che aumentano la prevedibilità dei dati.
Ecco altre cose che possiamo fare nell'analisi esplorativa dei dati. Lo screening delle risposte e lo screening dei predittori sono strumenti davvero ottimi in JMP. Non ci occuperemo dello screening delle risposte. Il principio è lo stesso dello screening dei predittori. Lo screening delle risposte esamina le singole variabili con un'analisi di tipo Y per X, e si possono esaminare le singole variabili indipendenti e il loro impatto sulla variabile dipendente.
Ora esamineremo più in dettaglio lo screening dei predittori. Si tratta di uno strumento davvero valido in un dataset di grandi dimensioni per individuare le tendenze nascoste che potrebbero nascondersi. In JMP, qui, analizziamo, passiamo allo screening dei predittori, e questo utilizza il processo di apprendimento automatico Random Forest. Vogliamo vedere quali sono i predittori più importanti della nostra risposta, la resa, perché? Analizzando questo, il sito potrebbe essere importante. Vogliamo includere quante più variabili possibili, tutti i nostri dati. Lato.
Ora, questi sono tutti dati campione, quindi non aspettiamoci nulla qui. Possiamo anche eseguirli parallelamente per velocizzare oggi. Basta inserirli qui. Possiamo eseguirli, e quello che troveremo in background, questa foresta bootstrap verrà eseguita, e qui esamineremo i più importanti predittori di rendimento. Come potete vedere, secondo questa analisi, in questo modo dovete essere cauti perché questi sono letteralmente dati campione. Bisogna prendere le cose con le pinze. Come potete vedere, il predittore di rendimento più importante in questo caso è il sito. Abbiamo tre siti diversi e una temperatura minima di 11.
Ora, da questo, possiamo identificare alcune variabili importanti che vogliamo includere in seguito nel nostro modello, in modo da poterle evidenziare e copiare selezionate. Potremmo volerle utilizzare in seguito. Lo screening dei predittori è un'ottima piattaforma per identificare rapidamente i predittori più importanti in un set di dati di una determinata variabile di risposta.
Ora, con i predittori che abbiamo individuato, l'altra cosa che possiamo esaminare molto rapidamente è l'analisi delle componenti principali. Da qui, possiamo essenzialmente... Aggiungere le variabili che abbiamo appena isolato e che potrebbero essere importanti predittori del rendimento. Inoltre, anche il rendimento che stiamo inserendo lì. Eseguiamo questa analisi. Rimuoviamo le etichette. Possiamo vedere l'output che otteniamo qui, che può fornirci rapidamente molte informazioni sul set di dati. In un set di dati molto complesso, possiamo iniziare a vedere in modo molto semplice le relazioni che potrebbero verificarsi.
Potete vedere qui questa forte correlazione, che quando queste colonne... cosa abbiamo qui? Termine massimo del suolo 4, e il secondo qui, temperatura massima 4, quando questi sono molto alti, vedremo anche una bassa radiazione globale, secondo questo. Quando vediamo un angolo retto qui, in questo caso, non vediamo alcuna relazione tra queste variabili e queste variabili.
Ora, per quanto riguarda il processo di modellazione, questo è utile perché possiamo vedere qui che queste due variabili, ovvero la temperatura massima del suolo 2 e la temperatura massima 2, sono, come prevedibile, strettamente correlate positivamente. È molto improbabile che il nostro modello ottenga molte più informazioni utilizzando entrambe, nel qual caso possiamo selezionarne una per il processo di modellazione ed escludere l'altra. Lo stesso vale per questo caso, solo per perfezionare il nostro modello. L'analisi delle componenti principali è anche uno strumento davvero utile per perfezionare il nostro processo di modellazione.
Torniamo alle slide. Screening del modello. Ora abbiamo le variabili importanti. Potremmo voler trovare il modello migliore per noi. Ora torniamo semplicemente a JMP, alla query, screening, non screening, modellazione predittiva, screening del modello. Apriamo la piattaforma JMP qui e, si spera, possiamo incollare qui le variabili importanti che abbiamo trovato in precedenza. Quindi possiamo inserire il risultato che stiamo esaminando. Possiamo scegliere tutti i diversi modelli che vogliamo confrontare. Possiamo, cosa molto importante, provare a impostare i semi casuali per la riproducibilità in tutti gli scenari.
Se si desidera tornare su questo in seguito e non si è inserito un valore di partenza casuale, si potrebbero ottenere risultati diversi. Invece, se inseriamo qui il valore di partenza casuale, uno, due, tre, molto facilmente, i risultati sono ripetibili. Possiamo quindi esaminare tutte queste diverse opzioni. Possiamo già incorporare Ask JMP per creare una colonna di convalida. Possiamo aggiungere diverse variabili quadratiche. Non eseguirò questo oggi perché potrebbe richiedere un po' di tempo, ma possiamo quindi scegliere, in base a diverse metriche, il modello più performante, solitamente basato sull'RSC e sul modello R², e all'interno della piattaforma ci sono altre opzioni che possiamo scegliere. Ma è anche un altro valido strumento per trovare il modello che si adatta meglio ai nostri dati.
Il prossimo passo è la convalida. Questa aiuterà l'addestramento del modello. È essenziale assicurarsi di non sovradimensionare il set di dati. In JMP possiamo creare colonne di convalida molto rapidamente e vi mostrerò come farlo. Ecco il nostro set di dati. Andiamo su "Analisi", "Modellazione predittiva", "Creazione di colonne di convalida". Ora, qui, vi offre la possibilità di stratificare in base a una colonna.
In questo esempio, nel set di dati sono presenti tre siti da cui provengono questi campi. Ora, vorremmo stratificare in base al sito perché tra poco divideremo le colonne e otterremo casualmente i valori uno, due o tre. Se non stratifichiamo in base al sito, potremmo incorrere in problemi per cui, se nel set di dati è presente un numero disuguale di siti, un numero disuguale di righe per ciascun lato, si potrebbe creare una distorsione sproporzionata del set di dati in un senso e del modello in un altro.
È importante pensare a quali colonne potresti dover stratificare con il tuo set di dati. Diciamo: "OK". Possiamo quindi creare rapidamente più set di dati, con diverse opzioni su come suddividere i dati, quindi il 70% per l'addestramento dei dati, il 20% per la convalida e il 10% per i test.
Ora puoi vedere qui i tassi modificati e il numero di righe che otterrai. È importante considerare le dimensioni del tuo set di dati per decidere se utilizzare training, validazione e test, o solo training e validazione, e quale suddivisione utilizzare. Ora, a seconda del set di dati, questi valori possono variare leggermente.
Da lì, via. Come potete vedere qui, abbiamo creato una colonna di convalida molto rapidamente, il che ci ha dato la possibilità di aggiungere una colonna di convalida al modello quando lo costruiamo. Un'altra cosa, come potete vedere qui a destra, sarebbe un modello ad albero potenziato. Vale la pena menzionare l'ottimizzazione del modello in base al numero ottimale di split, al tasso di apprendimento, al numero minimo di split, tutto ciò che potete vedere qui. Potete anche utilizzare una tabella di progettazione dell'ottimizzazione. Vale la pena prendersi del tempo e provare diverse opzioni, per vedere come ottenere le migliori prestazioni in termini di errore e R² modificando questi parametri.
Tuttavia, JMP spesso fornisce valori consigliati in base al set di dati in uso, e li ho trovati molto accurati e spesso anche i migliori, anche se si provano altre opzioni: funzionano piuttosto bene. Questo è un altro aspetto da considerare.
Ora passiamo alla Valutazione del Modello e, come ho detto, ecco R² e RMSE. Esamineremo alcuni modi per valutare le prestazioni del modello. Se torniamo a JMP, ecco un modello che abbiamo appena creato. Qui possiamo andare a Profilazione Fattoriale, Profiler. È già attivo. Ecco il nostro modello, il nostro profiler e qualcosa che possiamo fare molto rapidamente: salvare le colonne e produrre la formula di previsione.
La formula che viene eseguita in background per effettuare le previsioni verrà memorizzata in una colonna del dataset. Questo è stato fatto ora. Andiamo al nostro dataset. Qui potete vedere i valori previsti per il nostro rendimento. Ora quello che possiamo fare è analizzare l'adattamento di Y per X. Ci sono molti modi per farlo in JMP. Questo è solo uno. La nostra risposta è stata il rendimento. Stiamo andando qui. Abbiamo ottenuto un valore previsto in X. OK. Non è un modello molto buono, come possiamo vedere. Possiamo adattare una retta da questa retta, possiamo andare a quella retta di adattamento. Profiler. Ora abbiamo questa piattaforma qui e possiamo vedere la nostra previsione per il rendimento.
Diciamo che colpiamo, non facciamolo. Facciamo 50. Possiamo dire: "Ok, quando prevediamo 50, qual è il valore reale probabile?" 49,694. Stiamo sovrastimando. Poi due numeri interessanti che si ottengono immediatamente sono l'intervallo di confidenza inferiore al 95% e l'intervallo di confidenza superiore al 95%. Questo è solo un modo per vedere quanto bene il tuo modello sta prevedendo in tempo reale con i set di dati. Sono uno strumento molto utile in questo caso.
Ora, l'implementazione del modello. Abbiamo alcuni componenti davvero interessanti del profiler, che sono utili in particolare per le rese agricole, e chiunque voglia prevedere qualcosa per il futuro e ci sono vari fattori che entrano in gioco in diversi periodi dell'anno, può usare il simulatore di modelli per prevedere possibili scenari futuri, che vi mostrerò qui.
Diciamo che abbiamo qui il nostro modello. Passiamo al Profiler. Ora, come possiamo usarlo in termini di agricoltura? Se vedete qui, abbiamo tre siti diversi. Abbiamo diverse variabili che arrivano in periodi diversi dell'anno. Andiamo al Simulatore. Possiamo cambiare tutto in casuale. Un numero è... Se teniamo premuto Maiusc qui e poi continuiamo a tenere premuto Maiusc, clicchiamo Maiusc, non Maiusc, Ctrl. Ecco fatto. Teniamo premuto Ctrl, clicchiamo, andiamo a Casuale.
Come potete vedere, ora avremo la possibilità di... Renderlo un po' più piccolo. Avremo la possibilità di generare casualmente esecuzioni del modello qui sotto. Numero di esecuzioni: 10.000. Possiamo modificarlo con il numero che ritenete più opportuno. Mettiamo 10.000. Avete la possibilità di aggiungere rumore. Supponiamo di essere nel mese di marzo. Alcune di queste variabili qui sono precedenti a marzo. A marzo possiamo valutare, OK.
La radiazione globale accumulata a marzo era in realtà di 60.000. Fissiamo quel valore, e tutti gli altri valori, possiamo lasciarlo casuale, ed eseguire 10.000 iterazioni del modello utilizzando la media e la deviazione standard. Creeremo più valori attorno alla media e meno agli estremi. Ma se dovessimo farlo, potremmo simularlo in una tabella, creando un enorme set di dati. Possiamo anche, il che può essere molto utile, eseguire potenziali scenari. Supponiamo di passare a una censura normale. Vogliamo escludere alcune parti del set di dati. Qui vogliamo escludere valori inferiori a 20 e valori superiori a 30. Invio.
Come potete vedere, abbiamo censurato la distribuzione. Stiamo eliminando ogni possibilità di raggiungere questi valori estremi. Possiamo farlo ancora di più. Possiamo tagliare i dati e analizzare scenari di ciò che potrebbe accadere, simulandoli. Ora abbiamo tutti i nostri potenziali risultati. Creiamo una tabella. Da qui, analizziamo la distribuzione. Possiamo aggiungere la resa. Bene. Ora abbiamo un output dei valori generati dal nostro modello con quelle 10.000 esecuzioni di ciò che potrebbe accadere.
Ora potete vedere la media, 53, e la mediana, 52,96. Lo scenario più probabile in questo caso, con i valori che abbiamo inserito, era intorno a 53. Potete vedere la probabilità ben visualizzata qui. Potete copiare questa colonna, incollarla dove volete come output e iniziare a rappresentare graficamente diversi risultati in base ai diversi input del modello, il che è molto utile per prevedere i rendimenti futuri con diversi scenari meteorologici estivi e per assicurarsi che tutti i possibili scenari siano inclusi nell'analisi. Torniamo al nostro Excel.
Riassumendo, JMP è una piattaforma completa in cui è possibile creare modelli predittivi. Per molti casi aziendali diversi, abbiamo già mostrato alcuni approfondimenti sull'agricoltura, credo. Ma l'intero processo è applicabile a qualsiasi caso d'uso in cui si cerchi di prevedere qualcosa per il futuro. Permette alle aziende, spesso dotate di set di dati molto ampi che non vengono utilizzati al massimo, di combinarli, esplorarli e scoprire le tendenze nascoste che in realtà sono presenti, consentendo un processo decisionale basato sui dati in futuro. Ma un aspetto davvero importante è che si basa sulla disponibilità di dati di buona qualità sufficienti per produrre un buon modello. Spero che tutto ciò vi sia stato utile. Per qualsiasi domanda, non esitate a contattarmi. Questo è tutto. Grazie.
