1.本发明涉及高级建模技术领域，具体为一种高级建模的数据分析方法。
背景技术：2.高级建模，也称高阶建模、机器学习建模、深度学习建模，可以解决问题、揭示可能性并在不确定的环境中做出科学的决定。通过高级建模可以有效地应用统计结果，深入了解具体信息、制定长远计划并获得持续学习和改进的方法。高级建模有助于挖掘内在协同关系，无论目标是描述，预测，还是说明。
3.高级建模为回归分析提供了一系列更完善的方法；为探索方法、减少数据维度和建模、时间序列和分类数据的分析提供了更有效的多元工具。此外，高级建模还具有一系列处理前期常见数据问题的建模工具，纳入了大量高级算法，用于对杂乱的数据进行更好地建模。
4.高级建模，不仅可以快速、正确地完成建模，还可以轻松比较和对比使用不同方法构建的模型，通过可视化和交互式的报表，可以直观展示数据分析结果。现有的高级建模方法存在很多缺陷，具体为：1、功能单一，运用领域片面；2、在多个因子具有多重共线性时，建模结果不准确；3、当因子与响应之间的关系为非线性时，模型结果无法解释；4、响应为分类型变量时，传统建模方法无法进行预测；5、模型精准度不高，评价指标单一；为此提供了一种高级建模的数据分析方法。
技术实现要素：5.本发明的目的是针对现有技术的缺陷，提供一种高级建模的数据分析方法，以解决上述背景技术提出的问题。
6.为实现上述目的，本发明提供如下技术方案：一种高级建模的数据分析方法，具体步骤如下：
7.步骤一、确定目标变量及建模目的；
8.步骤二、确定影响因子，收集历史数据，并进行数据清洗；
9.步骤三、确定建模目的，如果建模目标为筛选因子，通过高级建模中的随机森林方法可以做到广泛筛选；
10.步骤四、如果建模目的为预测响应目标值，利用传统方法可能会受因子相互作用的影响，同样可以利用高级建模中的随机森林方法；
11.步骤五、通过响应刻画器得到显著因子的最佳组合参数，确保按照最佳条件进行生产能获得预期效果；
12.步骤六、在步骤五得到的因子范围内进行试生产，得到数值，并进行记录。
13.作为本发明的一种优选技术方案，所述步骤三中的随机森林方法是随机森林集成决策树，利用交叉验证法随机抽取一部分样本放入随机森林模型中进行建模、学习，剩下的样本进行验证。
14.作为本发明的一种优选技术方案，所述步骤四中利用随机森林方法集成决策树，每一棵决策树以信息熵为度量构造一颗熵值下降最快的方式，如集成5000棵树，则对5000次建模结果进行简单平均，从而得到对自然宽展的预测值。
15.作为本发明的一种优选技术方案，所述步骤五中在最佳因子组合的基础上，设定因子的参数的波动范围，利用模拟器进行范围模拟，查看响应的变化区间；根据区间的可接受程度，修改因子的波动范围。
16.本发明的有益效果是：本方法用于预测分析以及发现变量之间的线性或非线性关系，可根据输入、输出的类型不同而有选择型建模，同时对建模结果给出更加精准解释；其功能包括：多元线性回归、决策树、随机森林、神经网络、xgboost、lightgbm、时间序列分析；
17.具体的优点如下：
18.1、在传统行业，很多输入对输出的解释可能是非线性的，但传统方法均为线性方式，本发明有效利用非线性模型，可以得到更准确预测结果；
19.2、针对多个因子的多重共线性，即多个因子之间有相互作用，本发明可以合理解释影响；
20.3、针对模型后的结果，本发明使用刻画器找到因子的设计空间，从而在试生产控制因子输入量，更具有指导意义；
21.4、使用传统建模方法与本发明方法针对大数据建模，传统方法完全失效，而采用本方法的设计空间进行试生产，cpk提高了80％。
附图说明
22.图1为本发明的流程图。
具体实施方式
23.下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易被本领域人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
24.一种高级建模的数据分析方法，具体步骤如下：
25.步骤一、确定目标变量及建模目的；
26.步骤二、确定影响因子，收集历史数据，并进行数据清洗；
27.步骤三、确定建模目的，如果建模目标为筛选因子，通过高级建模中的随机森林方法可以做到广泛筛选，随机森林集成决策树，利用交叉验证法随机抽取一部分样本放入随机森林模型中进行建模、学习，剩下的样本进行验证，通过这种重复抽样的方式避免了大数据下基础模型的过拟合；这种方法相较于传统建模会更利于筛选出显著影响因子，尤其在因子个数比较多；对每个决策树模型计算特征重要性，最后在进行简单投票法，得到重要特征；
28.步骤四、如果建模目的为预测响应目标值，利用传统方法可能会受因子相互作用的影响，同样可以利用高级建模中的随机森林方法，利用随机森林方法集成决策树，每一棵决策树以信息熵为度量构造一颗熵值下降最快的方式，如集成5000棵树，则对5000次建模结果进行简单平均，从而得到对自然宽展的预测值；
29.步骤五、通过响应刻画器得到显著因子的最佳组合参数，确保按照最佳条件进行
生产能获得预期效果，在最佳因子组合的基础上，设定因子的参数的波动范围，利用模拟器进行范围模拟，查看响应的变化区间；根据区间的可接受程度，修改因子的波动范围；
30.步骤六、在步骤五得到的因子范围内进行试生产，得到数值，并进行记录。
31.实施例：下面结合热轧精轧的自然宽展实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
32.宽度的尺寸精度是热轧产品质量的重要指标，高的宽度精度不仅可以提高产品的成材率，而且可以给热轧用户及后部工序创造良好的生产条件。以往文献针对精轧自然宽展模型进行了研究，并提出以神经网络为主的模型，其模型输入参数为带钢化学成分(碳、硅、锰
……
)、粗轧出口宽度、粗轧出口目标宽度、精轧出口宽度、精轧出口目标厚度、精轧出口目标温度、各机架的压下率等。但由于其模型结构过于复杂，在进行实际推广时非常困难，另外利用单一模型难以确定输入参数的范围。本发明很好解决预测精轧自然宽展、关键输入因子找出以及输入参数范围确定的问题。
33.步骤一、首先需要确定目标变量；自然宽展模型关注的因子为粗轧宽度；
34.步骤二、确定影响因子，收集历史数据，并进行数据清洗；
35.根据历史文献以及工人经验，挑选的因子为：带钢宽度、厚度、带钢的质量、硅含量、锰含量等24个因子，团队采集了2499热轧共十个月的精轧生产数据，利用数据清洗，共提取出有效数据87955块带钢；
36.步骤三、确定建模目的，如果建模目标为筛选因子，比如确定影响带宽的因子，通过高级建模中的随机森林方法可以做到广泛筛选；
37.随机森林集成决策树，利用交叉验证法随机抽取一部分样本放入随机森林模型中进行建模、学习，剩下的样本进行验证；通过这种重复抽样的方式避免了大数据下基础模型的过拟合；这种方法相较于传统建模会更利于筛选出显著影响因子，尤其在因子个数比较多；对每个决策树模型计算特征重要性，最后在进行简单投票法，得到重要特征，即对自然宽展量最具影响力的几个输入因子；
38.步骤四、如果建模目的为预测响应目标值，如确定因子的范围以使粗轧宽度达到目标值，利用传统方法可能会受因子相互作用的影响，同样可以利用高级建模中的随机森林方法；本方法集成决策树，每一棵决策树以信息熵为度量构造一颗熵值下降最快的方式，如集成5000棵树，则对5000次建模结果进行简单平均，从而得到对自然宽展的预测值；
39.步骤五、通过响应刻画器得到显著因子的最佳组合参数，确保按照最佳条件进行生产能获得预期效果。在最佳因子组合的基础上，设定因子的参数的波动范围，利用模拟器进行范围模拟，查看响应的变化区间；根据区间的可接受程度，修改因子的波动范围；
40.步骤六、在步骤五得到的因子范围内进行试生产，得到自然宽展的数值，并进行记录，对比调整前后的宽展量，发现调整后离目标值的距离缩小60％。
41.上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
技术特征：1.一种高级建模的数据分析方法，其特征在于：具体步骤如下：步骤一、确定目标变量及建模目的；步骤二、确定影响因子，收集历史数据，并进行数据清洗；步骤三、确定建模目的，如果建模目标为筛选因子，通过高级建模中的随机森林方法可以做到广泛筛选；步骤四、如果建模目的为预测响应目标值，利用传统方法可能会受因子相互作用的影响，同样可以利用高级建模中的随机森林方法；步骤五、通过响应刻画器得到显著因子的最佳组合参数，确保按照最佳条件进行生产能获得预期效果；步骤六、在步骤五得到的因子范围内进行试生产，得到数值，并进行记录。2.根据权利要求1所述的一种高级建模的数据分析方法，其特征在于：所述步骤三中的随机森林方法是随机森林集成决策树，利用交叉验证法随机抽取一部分样本放入随机森林模型中进行建模、学习，剩下的样本进行验证。3.根据权利要求1所述的一种高级建模的数据分析方法，其特征在于：所述步骤四中利用随机森林方法集成决策树，每一棵决策树以信息熵为度量构造一颗熵值下降最快的方式，如集成5000棵树，则对5000次建模结果进行简单平均，从而得到对自然宽展的预测值。4.根据权利要求1所述的一种高级建模的数据分析方法，其特征在于：所述步骤五中在最佳因子组合的基础上，设定因子的参数的波动范围，利用模拟器进行范围模拟，查看响应的变化区间；根据区间的可接受程度，修改因子的波动范围。
技术总结本发明公开了一种高级建模的数据分析方法，具体步骤如下：确定目标变量及建模目的；确定影响因子，收集历史数据，并进行数据清洗；确定建模目的，如果建模目标为筛选因子，通过高级建模中的随机森林方法可以做到广泛筛选；如果建模目的为预测响应目标值，利用传统方法可能会受因子相互作用的影响，同样可以利用高级建模中的随机森林方法；通过响应刻画器得到显著因子的最佳组合参数，确保按照最佳条件进行生产能获得预期效果；将得到的因子范围内进行试生产，得到数值，并进行记录。本方法用于预测分析以及发现变量之间的线性或非线性关系，可根据输入、输出的类型不同而有选择型建模，同时对建模结果给出更加精准解释。时对建模结果给出更加精准解释。时对建模结果给出更加精准解释。
技术研发人员：金丽伟
受保护的技术使用者：上海普茅数据科技有限公司
技术研发日：2022.08.04
技术公布日：2022/12/1
