Combinaison de réseaux de neurones
Steven Whites, Ceinture noire Six Sigma, Cuivre Kennecott, Utah, Rio Tinto
L'analyse JMP a montré comment différents minerais affectent notre processus de concentration de métaux. Cette analyse peut faire la lumière sur d’autres problèmes commerciaux, tels que les courbes de demande économique où la théorie et les résultats observés semblent se contredire. Le processus de concentration des métaux a une relation sous-jacente similaire à la courbe de la demande économique, où il existe une relation négative entre le prix et la quantité. Cependant, dans le cas des processus de concentration en métal, un diagramme de dispersion des résultats quotidiens montre souvent une relation positive inattendue, due à une modification des caractéristiques du minerai. Par analogie, un changement dans la courbe de la demande en raison de l'évolution des préférences des clients peut indiquer une relation prix / quantité positive tout aussi inattendue. Cette présentation décrira comment des courbes théoriques peuvent être trouvées dans ces résultats réels apparemment contradictoires. L'analyse commence par un ensemble de données complexes de plusieurs centaines de termes métallurgiques et opérationnels potentiels. La plate-forme Partition de JMP permet de réduire cette liste à une liste de candidats plus gérable. L'analyse de la plateforme multivariée et des composants principaux réduit encore cette liste. Des scripts JSL simples sont ensuite utilisés pour tester des combinaisons des termes restants afin de trouver un modèle neural optimal. Un graphique à bulles est utilisé pour afficher les résultats d'analyse, où X = la valeur médiane de r-sq (test), Y = l'écart type de r-sq (test) et la couleur de la bulle = nombre de termes pour ce modèle particulier. Des analyses multiples (limitées par le temps d'ordinateur) sont effectuées avec différents sous-ensembles d'apprentissage, de validation et de test aléatoires, en utilisant la méthode de rétention répétée pour l'estimation du taux d'erreur. La sélection optimale du modèle est ensuite simplifiée avec un affichage visuel du nombre de termes, de l'efficacité du modèle et de la stabilité du modèle.
