Predictive Analytics - Webbinarieserie
Det finns många kraftfulla algoritmer som kan ge djupare insikter i er data. Ta del av Minitabs on‑demand‑webbinarieserie och utforska marknadsledande algoritmer inom maskininlärning.
Minitabs webbinarieserie inom prediktiv analys introducerar bland annat följande algoritmer:
Med Minitabs mest avancerade lösningar för prediktiv analys går vi igenom två verklighetsbaserade datamängder och visar hur analyser kan användas för att både förutse energiproduktion och arbeta mer proaktivt med underhåll i industriella miljöer.
Exempel 1: Så kan energiproduktionen i ett kraftverk förutsägas
Exempel 2: Prediktivt underhåll för vindkraftverk
CART® & Random Forests®
I detta webbinarium går vi igenom Classification and Regression Trees (CART®) – en kraftfull metod för att lösa problem inom prediktiv analys på ett datadrivet sätt. Vi beskriver grunderna bakom algoritmen, dess unika styrkor och presenterar två verklighetsbaserade exempel från tillämpningar inom sol‑ och vindkraft.
Avslutningsvis introducerar vi Random Forests, en ensemble‑metod som kombinerar flera CART‑träd för att öka modellens noggrannhet och robusthet.
TreeNet®
I detta webbinarium fortsätter vi vår genomgång av moderna träd‑baserade metoder inom prediktiv analys genom att introducera den stokastiska gradient boosting‑algoritmen TreeNet®. Vi går igenom algoritmens bakgrund, grundläggande designprinciper och användningsområden, samt de unika fördelar som möjliggör mycket hög prediktionsnoggrannhet.
MARS®
I det avslutande webbinariumet i serien presenterar vi det senaste verktyget för prediktiv analys i Minitab – MARS®. MARS är utvecklat för att överbrygga gapet mellan klassisk multipel linjär regression och moderna datadrivna algoritmer som TreeNet® och Random Forests®. Algoritmen identifierar automatiskt icke‑linjära samband i data och sammanställer dem i en tydlig och lättkommunicerad uppsättning ekvationer.
Vi demonstrerar hur MARS kan användas för både regressionsproblem och binära klassificeringsproblem, med exempel hämtade från tillämpningar inom sol‑ och vindkraft. För dig som vill överträffa traditionella regressionsmetoder utan att kompromissa med modellernas enkelhet och transparens är MARS ett kraftfullt verktyg.
Datamängder
Datamängd 1: Förutsäga energiproduktion i ett solkraftverk
Problem:
Eftersom solkraftverk är starkt beroende av väderprognoser är det svårt att på ett tillförlitligt sätt beräkna hur mycket energi som kan produceras.
Lösning:
Med hjälp av prediktiv analys kan energiproduktionen förutsägas mer noggrant och effektivt baserat på tillgänglig data.
Resultat:
Genom att kunna förutse framtida energiproduktion kan verksamheten planera bättre och arbeta mer effektivt.
Datamängd 2: Prediktivt underhåll för vindkraftverk
Problem:
Vindkraftverk påverkas av många faktorer som har betydelse för systemets hälsa, till exempel lufttemperatur, vridmoment och vindhastighet. Eftersom dessa faktorer inte kan kontrolleras finns risk för haverier, och när de inträffar kan reparationer bli mycket kostsamma.
Lösning:
För att undvika kostnader kopplade till driftstopp kan ett vindkraftsbolag använda prediktiv analys för att beräkna sannolikheten för maskinfel och genomföra förebyggande underhåll.
Resultat:
Genom att använda prediktiv analys får organisationen ett konkret och datadrivet underhållsunderlag som minskar stilleståndstid och eliminerar onödiga reparationskostnader.
MINITAB STATISTICAL SOFTWARE