共変量として主成分または機能主成分を持つカスタムDOE?主成分と関数主成分を共変量として使用してカスタム DOE を構築し、両方について同等の優れたモデルを得ました。 FDE は本当に優れたツールですが、共変量のカスタム DOE を設定するために、通常の PC よりも機能原理コンポーネントを使用する利点はありますか? どちらも同等ですか？
Re: 共変量として主成分または機能主成分を持つカスタム DOE?ありがとうフィル、これは明らかです！ この FDE ツールは大きなブレークスルーです。
Re: 共変量として主成分または機能主成分を持つカスタム DOE?ありがとう、 @フランクデルイック. それは理にかなっている。
はい、機能データのすべての観測値が X 次元 (時間または波数) に整列している場合は、通常の PCA または機能 PCA を使用でき、モデルの適合度が同じになると期待できます。
ただし、FDE を使用すると、DoE 応答と相関する機能 PC を最終的に見つけて、応答の特定の値に対する関数の形状 (たとえば、最良または最悪のケース) を視覚化できるという利点がある場合があります。
通常の PCA と比較して、FDE を使用した解釈にはおそらく利点があると思います。
機能データに X 次元で整列された観測がない場合、内挿によって整列された観測を作成するために多くの作業を行わない限り、通常の PCA を使用することはできません。
Re: 共変量として主成分または機能主成分を持つカスタム DOE?フィル、私の場合は、混合物中の成分濃度をスペクトルで予測することです。 スペクトルは、さまざまな混合サンプルで相関する関数です。この場合、PCA と FPCA の両方を使用できると思いますか? よく分かったのですが、時系列処理など機能が相関していない場合はFPCAの方がいいのでしょうか？
Re: 共変量として主成分または機能主成分を持つカスタム DOE?やあ、
実際の例について詳しく教えていただければ幸いです。 機能的で通常の PC を使用して何を説明していますか?
例を挙げるのは非常に難しい。 しかし、通常の PCA が共変量の要約に役立たない場合もあります。 たとえば、共変量が、プロセスを通じて各バッチの変数をログに記録するセンサーの時系列であり、サンプリングが時間次元で不規則である場合です。
よろしく、
フィルRe: 共変量として主成分または機能主成分を持つカスタム DOE?こんにちはフィル、例を挙げて答えを明確にしてもらえますか?
Re: 共変量として主成分または機能主成分を持つカスタム DOE?やあ@フランクデルイック、
これは、Functional Data Explorer の非常に興味深いアプリケーションのように思えます。
あなたの質問：
「...共変量のカスタムDOEを設定するために、通常のPCよりも機能原理コンポーネントを使用する利点はありますか? どちらも同等ですか？」
これは、主なコンポーネント (通常および機能) の内容に大きく依存すると思います。
よろしく、
フィル
