398718_ja-JP

liliconcom

スペクトルデータの分析：前処理とそれ以降（2021-US-45MP-878）

レベル：中級

 

SAS、JMPシニアグローバルイネーブルメントエンジニア、Bill Worley
Jeremy Ash、分析ソフトウェアテスター、SAS Institute、Inc。

 

JMPは、前処理から予測モデルの構築まで、スペクトルデータを分析する機能を進化させています。このプレゼンテーションでは、視覚化、前処理、およびモデル開発について説明します。分光器、分析化学者、材料科学者は、このプレゼンテーションから何かを取り上げます。JMPを使用して、標準正規変量（SNV）とサビツキーゴーレイ（SG）の平滑化を確認および実証します。次に、より高度な前処理ツールを共有し、Functional DataExplorerを使用してスペクトルを視覚化および定性的に分析する方法を示します。JMPを使用して、部分最小二乗法と一般化回帰がスペクトルデータのモデル開発ツールとして示されます。

 

 

自動生成されたトランスクリプト...

 

スピーカー	トランスクリプト
ジェレミー・アッシュ、JMP	こんにちは、そして私たちの話に来てくれてありがとう。 ジェレミー・アッシュです。 私はJMPR＆Dの統計家であり、BillWorleyがここにいます。 彼は上級システムエンジニアです。 JMPでの近赤外分光データの分析についてお話します。
	したがって、これはこのトピックに関して行われた最初の話ではありません。 ビルには、コミュニティで見つけることができるいくつかの関連する講演があります。
	私はここにこれらのいくつかへのリンクを持っています、それらは無料の資料にあり、
	ビルは、より少ない実験で多変量キャリブレーションモデルを効率的にモデル化するためのFDEとDOEについて講演し、スペクトルの前処理についても詳しく説明しました。
	今年初めにディスカバリーヨーロッパで。 そして、ビルと私はこのトピックに関するブログシリーズを書いています、そしてそれはCommunitにあります。 これまでに取り上げたトピックを次に示し、JMPアドインを作成しました。これについては、後で使用方法を示します。
	したがって、近赤外分光法の一般的な使用例は、混合物の化学組成を決定することです。右側に近赤外スペクトルの例を示します。
	また、ある範囲の波長にわたって吸光度の測定値が収集されます。ここでのスペクトルは、いくつかの基礎となる化学成分の混合物である粉末シリアルサンプルを表しています。
	また、純粋な成分のスペクトルは下部にあり、混合物のスペクトルは上部にあります。 そしてのような現象のために
	倍音とコンビネーションバンドでは、個々のコンポーネントのピークが広く重複していることが多く、そのため、スペクトルを基になるコンポーネントにデコンボリューションすることが困難になります。
	したがって、代わりに、人々がとるルートは、多くの波長での吸光度の関数として組成を予測するモデルを構築することです。これにより、データが高次元になり、変数はしばしば高度に相関します。
	したがって、近赤外スペクトルを分析するときに克服すべき主な課題の1つは、信号対雑音比が低いことが多く、これは制御されていない変動が原因であるということです。
	光散乱効果によって引き起こされます。 そして、信頼できるモデルを構築する前に、これらをクリーンアップする必要があります。 そのため、データは多くの場合、いくつかの主要な前処理変換の対象となり、いくつかの一般的なノイズ源があります。これらは、ここの右側に示されています。
	真のスペクトルは黒で表示され、緑のスペクトルは一定のベースラインシフトまたは相加効果を示します。
	そして、青色のスペクトルには、相加効果と乗法効果があります。 乗法効果とは、吸光度が大きいほど歪みが大きくなる場合で、紫色のスペクトルには、加法効果、乗法効果、およびベースラインシフトへの傾きがあります。
	次に、これらのノイズ源をクリーンアップするための前処理方法のいくつかを示します。 これらはすべてブログ投稿で詳しく説明されていますが、デモでいくつか紹介し、Savitzky-Golay一次導関数が相加効果をクリーンアップします。
	そして、二次微分フィルターも傾斜したベースラインシフトをクリーンアップします。 これらは一般的に使用されている効果的な方法ですが、問題は、変換が元のスペクトルよりもはるかに解釈が難しいことです。
	したがって、私が言及する他の前処理方法は、この解釈可能性を維持するためのより良い仕事をします。 NS
	標準正規変量の中心とスケール。これにより、各スペクトルに沿った単位分散の平均がゼロになります。これは単純な正規化ですが、加法効果と乗法効果の両方をクリーンアップするのに効果的です。
	そして、乗法散乱補正では、線形モデルを使用して各スペクトルを参照スペクトルのように見せます。多くの場合、参照が利用できないため、代わりに平均スペクトルが使用されます。
	そして、拡張された乗法散乱補正は、3つのノイズ源すべてをクリーンアップする唯一の方法であり、これは、混合物の各成分の参照スペクトルを必要とするより高度な方法です。
	そして、それがどのように機能するかは後で見ていきます。
	また、データは高次元であり、変数は高度に相関しているため、多くの多変量手法を適用できます。 リストされているすべての分析は、JMPで実行できます。
	データを視覚化するには、次元削減方法が不可欠です。 一般的な方法は、主成分分析または多次元尺度構成法です。
	そして、機能データエクスプローラーの機能主成分は、ここで特に有用な方法です。
	また、JMPは、スペクトル分析に使用できるソフトウェアの中でもユニークであり、ユーザーフレンドリーな機能データ分析プラットフォームを備えています。 また、スペクトルには関数形式があるため、FDEにはスペクトルの多くの潜在的な用途があります。
	そして、私たちはそれらの機能を探求し始めたばかりです。 そして、クラスタリングが一般的です。 JMPの階層的クラスタリングは特に便利です。
	そして、通常、外れ値分析が実行されます。
	これを行うには、最初にPCAまたはPLSモデルを構築し、次に外れ値をT二乗チャートとDModXチャートで識別します。
	そして、これはすべて、モデル駆動の多変量管理図プラットフォームで実行できます。 そして、スペクトルの関数として化学組成を予測する予測モデルは、多変量キャリブレーションモデルと呼ばれ、これらのモデルは、観測よりも多くの変数がある場合を処理します。
	また、これは、PLS、GenRegのペナルティ付き回帰、または機能データエクスプローラーでもうまく実行できます。
	では、JMPに切り替えてデモを開始します。
	最初に、スペクトルツールアドインを使用してスペクトルデータを読み込む方法を示します。
	テキスト区切りファイルの場合、提供するアドインは、ここにある複数ファイルインポーターの単なるラッパーです。
	しかし、アドインは最も便利な機能のいくつかを表面化します。 そして、JMPに新しいものであるJCAMP-DXインポーターもあります。 そして一般的に、
	これのほとんどはすでにJMPで実行できますが、私の目標は、スペクトルのワークフローを少し合理化するラッパーを作成することでした。 また、これはJMP 17で改善されるため、このアドインはまもなく廃止されることを願っていますが、
	スペクトルモデルを構築している場合、これは当面は役立つ可能性があります。
	だから私は
	csvファイルを含むフォルダー。スペクトルごとに1つのファイルがあり、これらのファイルでは、最初の列がX変数で、2番目の列がY変数です。 したがって、このディレクトリをJMPにインポートします。
	そのフォルダを選択します。
	アドインが使用する形式であるため、スタック形式で読み込みたいと思います。
	そして、それらのファイルにヘッダーがあります。そのオプションを選択します。 また、これを使用してcsvファイルのみを選択することもできます。
	したがって、これはスタック形式でスペクトルを読み込みます。
	また、ここのJMPテーブルにいくつかのメタデータがあります
	このデータテーブルに追加したいこと。 そして、私がそれを行う方法は、スペクトル列の結合を使用することです。
	しかし、私はファイル拡張子を付けてファイル名を読み込んだので、ここの列にテキストを使用して
	それらの拡張機能を取り除きます。
	私はこれにもっと有益なファイル名を付けています。
	そして、テーブルの更新を使用して、スペクトル列を照合します。
	そして最後に紹介するのは...
	または、このスペクトル列をここに移動します。
	さて、これが私がこのデータテーブルを設定する方法です
	アドインのサンプルデータに追加しました。
	そこで、最初にデータを確認します。そのために、アドインで[Launch GraphBuilder]コマンドを使用します。
	グルテンで着色します。
	そして、ここの左側では、スペクトルツールがいくつかの便利なコントロールを備えたいくつかのローカルデータフィルターを設定しているので、波長でフィルターして関心領域だけに焦点を合わせることができます。 だから私がここでこのピークに焦点を合わせたいだけなら
	データテーブルですべての列を選択している場合は、show subsetコマンドを使用できます。これにより、関心領域のサブセットが作成されます。
	このフィルターを使用して、ここで個々のスペクトルをプロットすることもできます。
	サブセットをプロットするためだけにスペクトルを検索すると便利です。
	そして最後に表示するのはアニメーションコントロールです。
	しかし、これを行うために、軸をロックします。そうしないと、個々のスペクトルに適応します。
	ここで...少しスピードアップして、これらをすばやくスキャンできるようにします。
	また、この機能は、反応モニタリングのように、さまざまな時点でスペクトルを収集する場合に特に役立ちます。
	また、グラフの3D散布図を使用して、そのデータを視覚化することもできます。
	さて、私は行きます
	これをクリアする
	フィルター。
	あなたが持っているときに覚えておくべき1つのこと
	プロットはあなたが望むように設定します、あなたはこれを保存することができます
	スクリプトをデータテーブルに戻します。これにより、前処理を行った後など、新しいデータを交換する場合に後でグラフを再作成できます。
	したがって、私が示したかったもう1つのことは、変動性といくつかの診断プロットを視覚化することです。 そのために、グループ化変数を削除します
	全体的なスペクトルの概要がわかります。 そして、箱ひげ図を使用できます。 これらは
	変動が波長全体で一定であり、特定の波長に固有であるかどうかを知るのに役立ちます。 それが一定である場合、それはいくつかのさらなる前処理の必要性を示しますが、それが波長に固有である場合、それらはしばしば実際の化学的効果であるため、これらは有用です。
	そして、変動性を視覚化する別の方法は、
	棒グラフ。 私は浮動棒グラフを使用するのが好きです。異なるサブグループの変動性を調べたい場合は、グループ化変数を追加することもできます。
	これで、視覚化で表示するのはこれだけです。 そして、私が言及したかったもう1つのことは、JCAMP-DXファイルの読み取り方法です。
	だから私はディレクトリを持っています
	それ
	JCAMP-DX標準Webサイトからの2つのJCAMP-DXファイルが含まれています。 私は快適ではありませんでした
	アドインのテストに使用するファイルを共有します。これらのファイルは顧客からのものであるためです。 そのため、そのWebサイトからテストファイルを取得し、それを2回複製して、読み取り方法を示しました。
	複数のファイル。 また、最も一般的な形式のみをサポートします。これは、圧縮なしのX / Y変数リストを持つファイルであり、ファイルごとに1つのスペクトルのみをサポートします。 これが最も一般的な形式だと思いますが、他に何か必要な場合はお知らせください。
	だから私はそれをで読むつもりです...
	ここでは、デフォルトのオプションを使用します。
	そしてそれをあなたに示すためだけに
	これは正しく読み込まれました、
	グラフビルダーでプロットします。
	これは同じスペクトルを示しています。これらは実際にはNMRスペクトルですが、これはNIRスペクトルの一般的な形式でもあります。
	だから私が見せようとしているのはそれだけです
	データのインポートあり。
	次に、スペクトルツールにある簡単な前処理方法のいくつかを示します。 その目的は、ユーザーがPLSなどの簡単なキャリブレーションモデルを開始できるようにする基本的な前処理を提供することでした。
	ワークフローに関するフィードバックを得ることができるように、JMP 17のFDEでより完全な前処理メソッドのスイートを計画しています。これはProのみですが、そのプラットフォームは機能データのモデリングに本当に特化しているため、ユーザーにFDEの使用を推奨しています。スペクトルのように。
	だから最初に見せます
	Savitzky-Golay平滑化。
	また、ここで使用されている多項式の次数を変更できます。 スライディングウィンドウのサイズを変更できます。サイズが大きいほど、より積極的に滑らかになります。 そして、ここでのトリムは、不均衡なスライディングウィンドウをトリムします。
	そして、Savitzky-Golayは実際には局所的なカーネル回帰の特殊なケースであるため、このための他のオプションを試すことができます。
	グラフビルダーでは、スライディングウィンドウを定義するさまざまな方法やさまざまな重み関数のように。 必要なパラメータを選択したら、スペクトルをテーブルに保存して戻すことができます。
	次に、に適用される標準正規変量を示します。
	滑らかなスペクトル。
	と
	これは、各スペクトルに沿って個別に中央揃えおよびスケーリングするだけであり、列式を使用してこれを行うこともできます。 ビルは前処理の話でそれを示します。
	だから今、私は前と後を視覚化するつもりです
	これを使用します。 グラフビルダーを起動します。
	グルテンによる色。
	これらの単純な前処理方法だけで、スペクトルのノイズをクリーンアップするために多くのことを行ったことがわかります。 サブグループにはまだノイズがあります。
	そして、ビルは以前の講演で、Savitzky-Golay一次微分フィルターを使用した場合にデータをさらにクリーンアップする方法を示しました。 これは、ブログ投稿で試した別のアドインに含まれていますが、ここでは説明しません。
	知っておくべき主なことは、ビルがこれを示すことです。最初に一次微分フィルターを実行し、次に標準正規変量が残りの乗法効果をクリーンアップするということです。
	だから、あなたはさらに良くすることができることがわかります
	拡張乗法散乱補正と呼ばれるものを使用して、これらのスペクトルを前処理します。
	だから私はここにその設定があります。
	したがって、これらのデータは、実際には、拡張された乗法散乱補正を紹介した論文から取得されました（これ以降はEMSCと呼んでください）。
	この前処理方法の利点を示すために、散布図を使用します。 しかし、これを行うには、各波長での平均吸光度を計算する必要があります。
	そして、私はここの列式でそれを行うことができます。
	そして、これをグラフビルダーでプロットします。
	したがって、散布効果プロットは、個々の吸光度ごとに各波長での平均吸光度をプロットし、Y軸の傾きは相加効果を示します。
	の変化
	個々のスペクトルの傾きは、これらのプロットに扇形として現れ、それは乗法効果を示しています。 そして、興味深いことに、化学的効果はこれらのプロットにループとして現れます。
	そして、ここには明らかに大きな相加効果があるので、それをクリーンアップするために、一次導関数のSavitzky-Golayフィルターを使用できます。 私はここにそのデータを持っています。
	したがって、これにより相加効果が劇的にクリーンアップされますが、これらのプロットにはまだファンが残っています。 したがって、標準正規変量でそれをクリーンアップできます。
	しかし、代わりに、EMSCが行うことは、1つのステップで加法効果と乗法効果を除去することであり、微分変換を必要としません。これにより、結果のスペクトルの解釈が容易になるため便利です。
	そして本質的にEMSCが行うことは、化学的効果によるスペクトルの変動とノイズによる変動を分離することです。
	そして、ノイズによる変動を差し引き、線形モデルでこれを行うので、ここでモデルに必要な項を設定しました。 と
	その詳細についてはブログで説明しています。 私が言おうとしているのは、フィットモデルを使用できるということだけです
	EMSCモデルに適合します。これは、前処理モデルがどのように適用され、ブラックボックスではなくなるかを理解するための非常に便利な教育ツールです。 したがって、ここのモデルには、スペクトルごとに個別のモデルがあり、係数が推定されています
	修正に使用されます、そしてあなたはすることができます...あなたはまたすることができます
	これを再起動します
	さまざまな効果を持つモデルを作成して、それがどのように物事を変えるかを確認します。
	そこで、ここで最終的な修正を適用しました。前後を表示します。
	そう
	スペクトルは散乱効果が著しくなくなり、スペクトルへの影響は次のようになります。
	混合物の組成の変化によるものは今や明らかです。 これで説明するのはこれだけです。Billに渡して、モデリング方法のいくつかを説明します。
ビル・ウォーリー	ねえ、ありがとう、ジェレミー。
	ここで画面を切り替えましょう。
	そして、あなたは今について私のデータテーブルを見ているはずです。 それをクリックしたらすぐに期待しています。
	誰もが私のデータテーブルを見ていますか？
ジェレミー・アッシュ、JMP	はい。
ビル・ウォーリー	さて、ここに行きます。 これは、ジェレミーが使用していたものと同じデータですが、この場合は、ワイドフォーマットで取得しています。 双方向でデータを分析できることをお知らせするだけです。 スタック形式を好む人もいれば、ワイド形式を好む人もいます。
	だから、それができることを知ってください。 一つだけ...私があなたに見せたい最初のことは、
	Jeremyが以前話していたのは、生の形式でデータを確認し、Savitzky-Golayの一次導関数を実行してから、最終的な標準...標準正規変量の平滑化を実行する方法です。 繰り返しになりますが、これはワイドフォーマットで行われることを知っておいてください。
	さて、それがそこでできることをあなたに示します。
	次に見せたいのは
	主成分分析。 これは、スペクトルデータを使用または分析しているほとんどの人にとってかなり標準的です。
	私たちが...それはJMPで非常に実行可能です。 それは、あなたが知っている、あなたは分析に行く、
	多変量メソッド、および主成分。 だから私はすでにそれをしました。 ここで示していることは、ほとんどの場合、2つの主成分で、進行中のすべてのバリエーションを説明できるということをすでに設定しました。 ここでこのスコアプロットを見ると、
	あなたは私たちが持っている混合物の異なるグループ、グルテンとでんぷんのサブグループ化を見ることができます。
	私たちは持っている...
	まあ、私たちはそのサブグループ化を見ることができます。 それはそこでうまく行われています。 あなたが見ることができる他のことは、ジェレミーが高度に相関したデータについて話していたことです。
	この他のコンポーネントのプロットでそれをここに示しています。 変数をオンにすることはできますが...ラベルをオンにすることはできますが、混乱する可能性があります
	を見て。 以下は外れ値分析プロットであるため、これはTの二乗プロットであり、分析の2つの主成分を使用しています。 そしてそれは、ええ、多分私達は少し外れているかもしれないいくつかのスペクトルを持っていることを示しています...
	それは外れ値かもしれませんが、ほとんどの場合...ほとんどの場合、とにかくすべてのデータを使用するつもりはありませんでした。これは、データをスコープアウトする方法のようなものです。
	次に、モデル駆動の多変量管理図と呼ばれるものを示したいと思います。これは、主成分分析で行ったのと実質的に同じです。
	別の方法。 したがって、これと同じ2つの主成分を調べています
	ここに、サブグループのグループ化があります。 ここを見下ろすと、正規化されたDModXと呼ばれるものがあります。これは、外れ値を見る別の方法です...
	データ内の潜在的な外れ値。 それがそこにあることを知ってください。 モデル駆動の多変量管理図が提供するもう1つのことは、データを比較する方法です。
	ここで行ったことは、サンプル13、46、95、および45を選択して、これらの違いを示すことです。
	これらの4つのスペクトルですね。 だから今、私たちはそれらが...それらのグループのうち、それらはかなり異なっていることがわかります、そうです、スペクトルはかなり異なっています。
	この比較を行うことができるもう1つの方法は、スコアプロットを介してここにあります。 文字Lを選択します。これにより、なげなわツールが表示されます。
	そして、他のデータを取得せずに、これを可能な限り丸で囲み、それをAグループにします。 そして、ここの赤いグループ、この最後の赤いグループ、
	それをつかんで選択します。 それは私のBグループですそしてそれから比較しますね。 そして、これにより、データを再び効果的に比較できます。
	これを行っていると、スペクトルを選択するときに、さまざまなグループで何が選択されているかがわかります。これは、データを視覚化するためのクールな方法です。
	大丈夫。 次の話に移ります。 これは生データです。 次のステップは前処理されたデータを使用することです。したがって、これは前に見たものと実質的に同じデータです。
	しかし、前処理を行ったので、生データから標準正規変量までずっと行きました。 ここでも、2つの主成分を使用して、
	データが少しよくグループ化されていることがわかります。 Tの二乗プロットよりも、ノイズがはるかに少なく、変動もはるかに少ないです。 わざとこれをしなかったことを誓いますが、データは今は少し幸せになっているようです。 ちょっと笑顔です。
	ここにあるこれらの小さなグループのそれぞれは、20のスペクトルです。 その上にカーソルを合わせると、実際にそのスペクトルをプロットし、そのスペクトルをポップアウトできます。
	それを見て、私がそう選択した場合は、大丈夫です。 以前に見たのと同じグループ化を行うことができるので、それを試してみましょう。 これを強調表示
	これにより、データが少し適切にグループ化されるため、描画ツールを使用する必要がないため、少し簡単になります。 同じ例で、前に行ったことを実行し、データを強調表示してから、
	必要に応じて比較を行います。 これが主成分の使用です。 同じタイプの分析を行う別の方法があります。
	部分最小二乗。 部分最小二乗Xスコアを保存し、そのデータを使用して、そこからモデル駆動型多変量管理図を作成します。 そして繰り返しますが、これは本当にきれいに見えます。 これは前処理されたデータです。 グループ化は本当に素晴らしいので、そこから見ることができます。
	私たちは見ることができます
	DModX。 まだ少しノイズがありますが、主成分を含む生データを見ると、データほどノイズはありません。 では、に戻りましょう
	別の分析方法を検討しています。これは、より高い...階層的クラスタリングを検討しています。 ジェレミーはこれについて言及しました
	最初に、そしてデータを見て、
	クラスタリングがどのように発生するかを調べます。 生データを実行すると、小さなクラスターがたくさんあることがわかります。
	そして実際のデータは...さまざまなグループに分散しているようです。 つまり、彼らは...あなたが望むようにグループ化されていませんね。 だから私たちはそれを取りました
	前処理されたデータ、同じ分析を行ったところ、本当に素晴らしいグループ化ができました。 そして、これらはそれぞれ5つのクラスターになっているので、ここに表示されます。
	ですから、ここではでんぷんとグルテンがとてもうまく分離されています。 クラスタの保存機能を使用してこのデータをデータテーブルに保存し直すと、
	必要に応じて、実際にモデリングで使用できます。 最も近いクラスターの数式を保存することもできます。そうすると、取得した新しいデータは次のようになります。
	最も近いクラスターに配置します。
	さて、これがデータを取り込み、確認し、モデリング用にセットアップするための2つの方法です。次のステップは、モデリングに進むことです。 次にお見せするのは、部分最小二乗法です。これは通常、または...申し訳ありませんが、これは一般化された回帰です。
	つまり、これは一般化された回帰モデルであり、人々に示したいと思います。
	これは
	何が起こっているのかを見ることができる場所です。 そして、私にはいくつかのことが変わったようです。
	つかみたい…あそこに。 それは私の部分最小二乗法であり、これは私が実際にデータを分析したことを示しています。
	良いモデルをください。 そして、私がやったことは、その方法をお見せするだけです。 あなたは分析に行きます、そしてこれはJMPProバージョンです。 私が言ったように、私があなたに示していることは、通常のJMPでできることがたくさんあります。 多変量メソッドに行くと、
	部分最小二乗法でも同じ分析を行うことができますが、JMPProバージョンを実行します。 そして、でんぷんとグルテンを選びます。
	生データを選択して追加し、そこから実行します。
	右。そして、私は間違った設定をしましたが、行きましょう
	戻る
	ここで設定した分析。 そして、ここでいくつかの異なることをお見せすることができます。 これは、前処理されたデータを使用して行われました。
	そうです、フィット感は本当に素晴らしく見えます。それらのフィット感の比較を少し紹介します。 そう
	生データ、パーツ...そして前処理されたデータの部分最小二乗データがあります。 そして、それらを比較したい場合は、
	これらのモデルがどのように機能するかがわかります。 ここで示しているのは、左側の生データと右側の前処理されたデータの比較です。前処理されたデータとの適合性が大幅に向上しているため、これはジェレミーが以前に言っていたことに戻ります。
	このデータをクリーンアップして、うまくいけば、うまくいけば、取得できる最高の予測モデルを取得する必要があります。
	私があなたに見せたいもう一つのことは
	NS...
	私がここにいるところを見てみましょう。
	機能データエクスプローラーであることをお見せしたいと思います。
	そしてこれは
	方法...モデリングの最新の方法、または少なくともJMPの場合は、継続的にデータを分析できるため、スペクトルデータのモデリングの最新の方法。
	了解しました。これを行う方法を説明します。 しかし、これが示しているのは、今、生データを見ただけで、2つの機能的主成分でこれを分析できるということです。
	主成分分析で行ったのと同じように、かなりまともなモデルを得ることができます。 これから起こることの1つは、これがもっと...これは多変量キャリブレーション方法ですが、逆多変量方法であることに気付くでしょう。
	この分析を少しずつ見ていきましょう。
	分析します。
	次に、特殊なモデリングに移動し、機能データエクスプローラーに移動します。
	私はワイドフォーマットのデータを持っているので、関数として行を使用する必要があります。
	私を使うつもりです
	補足変数としてのでんぷんとグルテン。 スペクトルは私のIDであり、生データを取得します。
	わかった。
	また、データをクリーンアップして前処理を行う限り、機能データエクスプローラーでデータを使用して実行できることはたくさんありますが、Jeremyが言ったように、それはJMP17でのみ改善されるでしょう。
	ここから、モデリングを行うか、これからモデルを構築したいと思いました。 すべてのデータを適合させたいのですが、
	それで、モデル、直接機能PCAに行きます。
	ここでこれを見ると、5つの機能的な主要コンポーネントを使用できると言っていますが、次のようになっているため、ほとんど労力の無駄です...
	2つで、実際には、バリエーションのすべてのデータ、つまりデータの100％をフィッティングしています。 それで、これを後ろにスライドさせて、これを少しきれいにしてから、もう一度下に移動します。
	そして、ここでスコアプロットを見てみましょう。
	これは、前に見たように、そこのサブグループの生データとしてのデータと、他のすべてのスコアプロットを示しています。 そして、これの良いところは、これにカーソルを合わせると、これらの個々のスペクトルをポップアウトできることです。
	視覚的に比較してください
	ここのさらに下には、汎関数主成分プロファイラーがあり、それは素晴らしいことです。 何が起こるかを見ることができます
	汎関数主成分を変更すると曲線になりますが、皆さんに伝えようとすると、汎関数主成分2を変更します。
	あなたが望む曲線を得るのはうまくいきません...うまく行きません。 したがって、追加されたのは、機能的なDOE分析と呼ばれる機能です。 そしてそれで、あなたはすることができます
	追加したコンポーネント、補足コンポーネント、混合コンポーネントに基づいて、...または曲線がどのように変化するかを確認します。 ここに1つ追加して、線形を変更します。 制約を追加します。
	と
	これを変える。
	大丈夫、OKと言ってください。 そして、ここで私たちのグループを見ると、...私がでんぷんを減らすと、そのグルテンが上がるので、その制約によって私たちは見ることができます
	さまざまなグループ化または混合物がどのように比較され、さまざまなレベルのでんぷんとグルテンを変更すると、曲線はどうなるのでしょうか。 そして、これも連続しています。データで行ったことは、非常に明確です。
	データの一部なので、データに示したように混合物が正確でなくても、何が起こるかを知ることができます。
	了解しました。これが生データです。これが...私の次のステップは...これは事実上同じことです。
	そして、私はここに正しいものがあることを確認したいと思います。 これは前処理されたデータを使用して行われるため、同じ機能データエクスプローラーです。
	前処理されたデータを使用して、すみません、そしてあなたはすでに違いを見ることができます。
	そして、前処理されたデータが入ってくるときの曲線は、私たちが行います...モデルを適合させ、2つの機能的主成分を取得します。 そして、ここで見下ろしたいのは、
	スコアプロット。 そして、変数のそれらのグループ化がどのように異なるバージョンまたは異なるという事実であるかをもう一度見ることができます
	グルテンとでんぷんのグループ化または混合物は、ここでは非常にうまくグループ化されています。 何度も繰り返しますが、別のものをポップすることができるので、それは一種の見方です。
	私が見せたり話したりしたい最後のことは、一般化回帰と呼ばれるものを見ることです。
	そしてこれが
	私とうまく遊んでください、これは生データの一般化された回帰適合です、そうです。 そして、k分割交差検定を使用したエラスティックネットフィットを使用してこれを実行しました。
	エラスティックネットのアルファを.56に設定して、アイフィットをより快適にしています。 それがすることは、異なる...またはより多くのグループを許可することです
	モデルフィットに追加される波長。 モデル全体の適合を制限するだけではありません。
	私がそれをした場合、その弾性、そのアルファを制限した場合、私はよりこのように見えるフィット感を得るでしょう。 そして今、それははるかに小さいモデル、はるかに単純なモデルですが、あなたはまた得ています...あなたは添加剤のいくつかを逃しているかもしれませんまたは
	全体的なフィット感を高めるのに役立つ可能性のある相加効果。 だからそれはあなたの選択です、より単純なモデルは長期的にあなたを助けます、
	異なるグループが必要な場合は、複数の成分が混在している場合に異なるグループを見つけるのに役立ちますが、
	より低いエラスティックネットアルファは、より多くの因子とより多くの変数、より多くの波長がモデルの一部になることを可能にします。
	そして、それは生データです。 これが私に与えるかどうか見てみましょう...
	取得するかどうかを確認します...そしてこれは
	完全に前処理されたデータなので、実質的に同じです。
	全体的に異なる出力を見ているだけです。
	右。あなたは別のモデルを見ています、それはずっと異なって見えます。 これもまた、異なるエラスティックネットアルファと
	何を...最終的に私たちがやりたいのは、これらのことを比較することです。 比較すると...
	繰り返しになりますが、PLSの生データと前処理されたデータを比較すると、適合性が大幅に向上しています。 一般化回帰と...を比較すると、これは部分最小二乗データです。
	前処理済み、小さいエラスティックネットアルファでの一般化回帰を使用した前処理、次に高いエラスティックネットアルファ。 私たちは至る所でうまくフィットしているので、それを使用して害を与えたり調査したりすることはありません
	JMPProの一般化回帰と部分最小二乗法。 実際にあなたはいくつかの本当に良いモデルを手に入れ、
	これは、データを分析し、将来の比較や将来のデータを取得するときに予測モデルを構築するための優れた方法です。
	それでは、ありがとうございました。 ジェレミー、これにご協力いただきありがとうございます。 そして、皆さんがこれを楽しんでくれることを願っています。 フィードバックをお寄せください。 フィードバックをお待ちしております。 これらの新しい機能について人々がどう思っているかを知りたいのです。

起こるデータ探索統計とモデリング