Sono stato in grado di capire come accedere al kernel in modo più fluido nella piattaforma bivariata.Di seguito è riportato uno script che crea alcuni dati rumorosi falsi, adatta un kernel in modo più fluido ai dati (con una variabile by) e salva l'adattamento in una nuova colonna nella tabella dei dati
dt = New Table( "smoother example",
Add Rows( 90 ),
New Column( "X",
Numeric,
"Continuous",
Format( "Best", 12 ),
Set Values(
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20,
21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10,
11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28,
29, 30, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18,
19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30]
)
),
New Column( "Y",
Numeric,
"Continuous",
Format( "Best", 12 ),
Formula(
Sine( :X / (Pi() * 2) ) + Random Normal( 0, 0.01 ) + (
Floor( Random Uniform( 0, 10 ) ) == 1) * Random Uniform( -1, 1 )
),
Set Display Width( 100 )
),
New Column( "ByVar",
Character,
"Nominal",
Set Values(
{"A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A",
"A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A",
"A", "A", "B", "B", "B", "B", "B", "B", "B", "B", "B", "B", "B", "B",
"B", "B", "B", "B", "B", "B", "B", "B", "B", "B", "B", "B", "B", "B",
"B", "B", "B", "B", "C", "C", "C", "C", "C", "C", "C", "C", "C", "C",
"C", "C", "C", "C", "C", "C", "C", "C", "C", "C", "C", "C", "C", "C",
"C", "C", "C", "C", "C", "C"}
)
)
);
obj = dt << Bivariate(
Ignore Platform Preferences( 1 ),
Y( :Y ),
X( :X ),
By( :ByVar )
);
obj << Kernel Smoother( 2, 1, 0.5, 1 );
obj << (curve[1] << save predicteds);Segno,
Grazie per aver risposto rapidamente.
Ho JMP Pro 14 e ho lavorato con l'esploratore di dati funzionali, inclusa la pulizia dei dati e l'adattamento delle b spline. Ho utilizzato gli strumenti che aiutano nella pulizia manuale dei dati e li ho trovati funzionare bene in alcuni casi. Nel caso d'uso che ho descritto, tuttavia, ci sono 3 elementi che sto cercando di risolvere.
1. Ci vuole molto tempo per ripulire un set di dati di grandi dimensioni in FDE (centinaia di singole serie temporali): eseguire manualmente lo zoom su ogni serie temporale, selezionare i punti, fare clic su "rimuovi"....
2. Le serie temporali previste emesse dalle spline adattate in FDE non imputano i dati mancanti. Ad esempio, se i dati per tempo = 1000 non erano presenti nel set di dati originale, non sono presenti nell'adattamento. Se esiste un modo efficace per imputare i valori direttamente in FDE, non l'ho trovato. Posso trovare una soluzione alternativa per questo inserendo i valori temporali mancanti, adattando una spline e utilizzando i valori della spline calcolati. Vorrei eliminare i passaggi aggiuntivi.
3. Alla fine mi piacerebbe eseguire il livellamento "sul posto", con uno script che sostituisce i dati grezzi con dati levigati su un datatable che potrebbe contenere diverse centinaia di sensori, ciascuno con diverse centinaia di punti dati.
Distinguere tra segnale reale e anomalia o distorsione è relativamente semplice nel set di dati, con la conoscenza di come viene generato. Le modifiche al tipo di passo sono reali, ma i singoli punti spuri sono valori calcolati male. I punti dati spuri nei set di dati tipici di questa analisi (che eseguo più volte alla settimana) sono facilmente rilevabili a occhio. Inoltre, uno smoother LOESS li identifica in modo affidabile.
-Volere
