Redes neuronales combinadas
Steven White, Six Sigma Black Belt, Kennecott Utah Copper, Rio Tinto
El análisis de JMP ha demostrado cómo los minerales diferentes afectan nuestro proceso de concentración de metales. Este análisis puede arrojar luz sobre otros problemas de negocios, como las curvas de demanda económica donde la teoría y los resultados observados parecen contradecirse entre sí. El proceso de concentración de metales tiene una relación subyacente similar a la curva de demanda económica, donde existe una relación negativa entre precio y cantidad. Sin embargo, en el caso de los procesos de concentración de metales, un diagrama de dispersión de los resultados diarios a menudo muestra una relación inesperada y positiva debido a un cambio en las características del mineral. Por analogía, un cambio en la curva de demanda debido a los cambios en las preferencias del cliente puede mostrar una relación positiva, inesperada, similar a la de la cantidad. Esta presentación describirá cómo se pueden encontrar curvas teóricas dentro de estos resultados reales aparentemente contradictorios. El análisis comienza con un conjunto de datos complejos de varios cientos de términos metalúrgicos y operacionales potenciales. La plataforma de partición en JMP se utiliza para reducir esto a una lista de candidatos más manejable. La plataforma multivariable y el análisis de los componentes principales reducen aún más esta lista. Los scripts JSL directos se utilizan para probar combinaciones de los términos restantes para encontrar un modelo neural óptimo. Se utiliza un gráfico de burbujas para mostrar los resultados del análisis, donde X = el valor mediano de r-sq (prueba), Y = la desviación estándar de r-sq (prueba), y color de burbuja = número de términos para ese modelo en particular. Se realizan múltiples ejecuciones (limitadas por el tiempo de la computadora) con diferentes subconjuntos de entrenamiento / validación / prueba aleatorios, haciendo uso del método de retención repetida para la estimación de la tasa de error. La selección óptima del modelo se simplifica con una visualización de la cantidad de términos, la efectividad del modelo y la estabilidad del modelo.
