FDE 演示的提示JMP Pro 14 中 FDE 的一個重點是執行功能 PCA，然後使用 fPC 作為預測模型的輸入。 JMP 文檔中的示例展示了使用 GenReg 來識別重要的 fPC。https://www.jmp.com/support/help/14/additional-example-of-the-functional-data-explor.shtml#240860 .
為了直接展示在預測建模中使用 fPC 的好處，讓我們擬合兩個標準最小二乘模型：一個使用 fPC（左），另一個使用每個過程變量的平均測量值（右）。 RSquare adj 的區別。驚人：0.78 對 0.12！ 傳統的平均方法丟棄了解釋產量可變性的信息。
附有保存腳本的數據。 我運行的 FDE 模型是初始數據的 3 次 B 樣條曲線。
回复：FDE 演示的提示我真的很喜歡健這個例子。 但在使用驗證列時顯示廣義回歸的強大功能也可能會有所幫助（請注意這些結果來自 14.1 並使用不同的 FPC 子集，因此您的結果在 14.0 中會有所不同）。
在 genreg 中使用標準最小二乘法時，Validation Rsquare 很低：
使用 Adaptive Lasso 時，它得到了很大改進：
回复：FDE 演示的提示這些都是非常好的工具，Ryan，非常棒，它們將在 V14.1 中推出。感謝更新！
（功能數據分析（Ramsay & Silverman）幾天前就到了。享受涉水的細節！）
回复：FDE 演示的提示Jerry，你提到的一些其他工具將在 14.1 中出現，當你保存摘要:
Prediction 公式使用 FPC 得分，使用 Mean 和 Eigenfunction 公式重建函數：
如果您有功能響應 DOE，您還可以構建模型以根據輸入（在本例中為 AOS、AO 和 XP 80）預測 FPC 分數，以使用這些輸入值重建函數：
回复：FDE 演示的提示這是偉大的健，謝謝你！
所以我認為一個好的展示方式可能是：
- “這是一些功能數據。目前，您如何處理使用數據來預測產量？”（答案幾乎肯定包括“使用平均值”）
- 使用平均值建模，顯示預測能力有多差
- “如果我們能夠考慮到功能特性本身呢？”
- 引入 FDE。
仍然需要一些額外的工具，例如：
- 一旦您獲得了最大化良率的最佳 fPC 值，最佳的單個函數是什麼樣的？
- 類似探查器的函數很適合處理“假設”問題。輸入 fPC 值或可能拖動功能形狀（通過樣條調整）並預測產量？
再次感謝健！下週我會用這個！
