398718_ja-JP

liliconcom

スペクトル データの分析: 前処理とその先 (2021-US-45MP-878)

レベル: 中級

 

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

 

JMP は、前処理から予測モデルの構築まで、スペクトル データの分析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、モデル開発について説明します。分光学者、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得るでしょう。JMP を使用した標準正規変量 (SNV) と Savitsky-Golay (SG) 平滑化を確認し、実証します。次に、より高度な前処理ツールを共有し、Functional Data Explorer を使用してスペクトルを視覚化し、定性的に分析する方法を示します。JMP を使用すると、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実証されます。

 

 

自動生成されたトランスクリプト...

 

スピーカー	成績証明書
ジェレミー・アッシュ、JMP	こんにちは。講演にお越しいただきありがとうございます。 私はジェレミー・アッシュです。 私は JMP R&D の統計学者で、ここの Bill Worley の担当者です。 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説明します。
	したがって、このテーマについて行われた講演はこれが初めてではありません。 Bill には関連する講演がいくつかあり、コミュニティで見つけることができます。
	ここにいくつかのリンクがあります。それらは無料の資料であり、
	Bill は、より少ない実験で多変量校正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ています。
	今年初めにディスカバリー・ヨーロッパで開催されました。 そして、ビルと私はこのトピックに関するブログ シリーズを書いており、それはコミュニティ上にあります。 これまでに取り上げたトピックを以下に示します。また、JMP アドインを作成しました。これについては、後ほど使用法を示します。
	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。
	そして、ある範囲の波長にわたって吸光度の測定値が収集され、ここでのスペクトルは、基礎となるいくつかの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。
	純粋な成分のスペクトルは下にあり、混合物のスペクトルは上にあります。 そして、次のような現象により、
	倍音や結合バンドでは、個々の成分のピークが幅広く重なり合っていることが多いため、スペクトルを基礎となる成分にデコンボリューションすることが困難になります。
	そこで代わりに、人々がとる道は、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あり、これによりデータが高次元になり、変数は多くの場合高度に相関します。
	したがって、近赤外スペクトルを分析する際に克服すべき主な課題の 1 つは、制御されていない変動が原因で S/N 比が低くなることがあるということです。
	光の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、データには多くの場合、いくつかの大きな前処理変換が適用され、ここの右側に示すように、いくつかの一般的なノイズ源が存在します。
	真のスペクトルは黒で表示され、緑のスペクトルには一定のベースライン シフトまたは相加効果が生じます。
	そして、青色のスペクトルには加算効果と乗算効果があります。 乗算効果では、吸光度が大きくなるほど歪みが大きくなり、紫色のスペクトルには加算効果、乗算効果、およびベースラインへの傾きのシフトが生じます。
	そこで次に、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をいくつか紹介します。 これらすべてについては、ブログ投稿で詳しく説明していますが、デモでいくつかを示し、Savitzky-Golay の 1 次導関数によって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の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、効果的な方法ですが、問題は、変換は元のスペクトルよりも解釈がはるかに難しいことです。
	したがって、これから説明する他の前処理方法は、この解釈可能性を維持する上でより適切に機能します。 の
	標準正規変量の中心とスケールにより、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、加算効果と乗算効果の両方をクリーンアップするのに効果的です。
	次に、乗法散乱補正です。これ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が、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、拡張乗法散乱補正は 3 つのノイズ源すべてを除去する唯一の方法であり、これは混合物内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。
	それがどのように機能するかは後ほど見ていきます。
	データは高次元であり、変数の相関性が高いため、多くの多変量手法が適用できます。 リストされているすべての分析は JMP で実行できます。
	次元削減手法はデータを視覚化するために不可欠です。 一般的な方法は、主成分分析または多次元尺度分析です。
	ここでは、関数データ エクスプローラーの関数主成分が特に便利な方法です。
	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関数データ分析プラットフォームを備えています。 また、スペクトルは関数形式であるため、FDE にはスペクトルの潜在的な用途が数多くあります。
	そして、私たちはそれらの機能の探索を始めたばかりです。 そして、クラスタリングが一般的です。 JMP の階層クラスタリングは特に便利です。
	そして、通常は外れ値分析が行われます。
	これを行うには、まず PCA または PLS モデルを構築し、次に T 二乗チャートと DModX チャートで外れ値を特定します。
	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行うことができます。 次に、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。これらは多変量校正モデルと呼ばれ、これらのモデルは観測値よりも多くの変数があるケースを処理します。
	これは、PLS や GenReg のペナルティ付き回帰、または関数データ エクスプローラーでもうまく実行できます。
	さて、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 データを読み取る方法を示します。
	テキスト区切りファイルの場合、私たちが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、このアドインは最も便利な機能のいくつかを明らかにします。 さらに、JMP にとって新しい機能である JCAMP-DX インポーターもあります。 そして一般的には、
	こ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いくつかのラッパーを作成することでした。 また、これは JMP 17 で改善される予定であるため、このアドインがすぐに廃止されることを願っていますが、
	これは、スペクトル モデルを構築している場合には、当面は役立つかもしれません。
	それで私は持っています
	CSV ファイルを含むフォルダーにスペクトルごとに 1 つのファイルがあり、これらのファイルの最初の列は X 変数、2 番目の列は Y 変数です。 そこで、このディレクトリを JMP にインポートします。
	そのフォルダーを選択します。
	そして、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考えています。
	そして、それらのファイルには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、これはスペクトルをスタック形式で読み取ります。
	ここの JMP テーブルにも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もの。 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。
	ただし、ファイル拡張子付きのファイル名を読み取ったので、ここで列にテキストを使用してください
	それらの拡張機能を取り除きます。
	これには、よりわかりやすいファイル名を付けています。
	そして、テーブル更新を使用して、スペクトル列を照合します。
	そして最後にお見せするのは…
	または、このスペクトル列をここに移動します。
	さて、これがこのデータテーブルの設定方法です
	それを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するために、アドインでグラフ ビルダーの起動コマンドを使用します。
	グルテンで色をつけていきます。
	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ローカル データ フィルターを設定しているため、波長でフィルターして関心のある領域だけに焦点を当てることができます。 ここでこのピークに焦点を当てたいと思ったら、
	データ テーブルですべての列が選択されている場合は、show subset コマンドを使用できます。これにより、対象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だけのスペクトルを検索すると便利です。
	最後に紹介するのはアニメーション コントロールです。
	しかし、これを行うには、軸をロックします。そうでない場合、軸は個々のスペクトルに適応します。
	ここで...少し速度を上げて、これらをすばやくざっと確認できるようにします。
	この機能は、反応モニタリングなど、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、グラフ内の 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。
	わかりました、それでは行きます
	これをクリアする
	フィルター。
	あるときに覚えておいていただきたいことが 1 つあります
	プロットを希望どおりに設定したら、これを保存できます
	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必要がある場合に、後でグラフを再作成できます。
	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。
	これでスペクトル全体の概要が得られます。 箱ひげ図も使えます。 これらは
	変化が波長全体で一定であるか、特定の波長に固有であるかを把握するのに役立ちます。 一定の場合は、さらに前処理が必要であることを示しますが、波長に固有の場合、それらは多くの場合実際の化学効果であるため、これらは役に立ちます。
	そして、変動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が、さまざまなサブグループの変動を調べたい場合は、グループ化変数を追加することもできます。
	視覚化して説明するのはこれだけです。 そしてもう 1 つ言及したいのは、JCAMP-DX ファイルを読み取る方法です。
	だから私はディレクトリを持っています
	それ
	には、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。 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は顧客から提供されたものであるため、共有します。 そこで、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、どのように読み取ることができるかを示しました。
	複数のファイル。 また、最も一般的な形式、つまり圧縮されていない X/Y 変数リストを含むファイルのみをサポートし、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。
	それで、私はそれを読み込むつもりです...
	ここではデフォルトのオプションを使用します。
	そしてそれを見せるためだけに
	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。
	それで、私がお見せするのはこれだけです
	データインポート付き。
	次に、スペクトル ツールにある簡単な前処理メソッドをいくつか紹介します。 その目的は、ユーザーが PLS などを使用していくつかの単純なキャリブレーション モデルを開始できるようにするための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するためですが、JMP 17 では FDE の前処理メソッドのより完全な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特化しているため、ユーザーには FDE を使用することをお勧めします。スペクトルのような。
	それではまずお見せします
	Savitzky-Golay スムージング。
	ここで使用されている多項式の次数を変更することもできます。 スライディング ウィンドウのサイズは変更できます。サイズが大きいほど、より積極的にスムージングされます。 そして、ここのトリムは、不均衡なスライディングウィンドウをトリミングします。
	そして、Savitzky-Golay は実際にはローカルカーネル回帰の特殊なケースであるため、これについては他のオプションを試してみることをお勧めします。
	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付け関数などを使用できます。 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直すことができます。
	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。
	そして
	これは各スペクトルに沿って個別に中心とスケールを設定するだけであり、これを列数式で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。
	それでは、ビフォーアフターを視覚化してみましょう
	これを使って。 グラフビルダーを起動します。
	グルテンによる着色。
	これらの単純な前処理方法だけで、スペクトル内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てきたことがわかります。 サブグループにはまだノイズが残っています。
	そしてビルは以前の講演で、Savitzky-Golay 一次導関数フィルターを使用するとデータをさらにクリーンアップでき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ありますが、ここでは触れません。
	知っておくべき主な点は、ビルがこれを示す予定ですが、最初に一次導関数フィルターを実行し、次に標準正規変量によって残りの乗算効果がクリーンアップされるということです。
	つまり、さらに良いことができることがわかりました
	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を持っています。
	したがって、これらのデータは実際には、拡張乗法散乱補正 (以降、EMSC と呼びます) を導入した論文から取得したものです。
	この前処理方法の利点を示すために、散布効果プロットを使用します。 ただし、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。
	ここでは列数式を使用してそれを行うことができます。
	次に、これをグラフ ビルダーでプロットします。
	したがって、散乱効果プロットは、各波長での平均吸光度を個々の吸光度でプロットし、Y 軸の傾きは相加効果を示します。
	の変化
	これらのプロットでは、個々のスペクトルの傾きが扇状に現れており、これは相乗効果を示しています。 そして、興味深いことに、これらのプロットでは化学効果がループとして現れます。
	ここには明らかに大きな相加効果があるため、これをクリーンアップするために、一次導関数 Savitzky-Golay フィルターを使用できます。 ここにそのデータがあります。
	したがって、これにより相加効果は劇的に除去されますが、これらのプロットにはまだ扇状の部分が残っています。 したがって、標準の正規変量を使用してそれをクリーンアップできます。
	しかしその代わりに、EMSC は加算効果と乗算効果を 1 ステップで除去し、微分変換を必要としないため、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、化学的影響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。
	次に、ノイズによる変動を差し引き、これを線形モデルで実行します。そのため、ここでモデルに必要な項を設定しました。 そして
	その詳細についてはブログで説明します。 私が言いたいのは、fit モデルを使用できるということだけです
	これは、前処理モデルがどのように適用されてブラック 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、ここのモデルでは、スペクトルごとに個別のモデルと推定された係数が存在します。
	は修正に使用されます。また、次のこともできます。
	これを再起動します
	さまざまな効果をモデル化して、それがどのように変化するかを確認します。
	そこで、ここで最終的な修正を適用しました。その前後を示します。
	それで
	スペクトルに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。
	混合組成の変化によるものは明らかです。 私がカバーするのはこれだけです。ビルにそれを渡します。そうすれば彼はモデリング方法のいくつかをカバーできるでしょう。
ビル・ウォーリー	やあ、ありがとう、ジェレミー。
	ここで画面を切り替えてみましょう。
	そして、今頃私のデータテーブルが表示されているはずです。 それをクリックするとすぐに期待します。
	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、それでは行きましょう。 これは Jeremy が使用していたものと同じデータですが、この場合を除いて、私たちはそれを持っています...私はそれをワイドフォーマットで持っています。 データを両方の方法で分析できることをお知らせします。 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、それはできるということを知っておいてください。 一つ…最初にお見せしたいのは、
	Jeremy が以前話していたのは、生の形式でデータを見て、Savitzky-Golay の一次導関数を実行して、最終的に標準...標準正規変量平滑化を行う方法についてです。 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、それではそれができることを示します。
	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非常に標準的なものです。
	私たちがやることは...JMP では非常に可能です。 それは、あなたが分析しに行くことです、
	多変量法と主成分。 だから私はすでにそれをやりました。 ここで示していることは、ほとんどの場合、2 つの主成分を使用して、起こっているすべての変動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、
	グルテンとデンプンという混合物のさまざまなグループがサブグループ化されていることがわかります。
	私たちは持っている...
	まあ、そのサブグループ化を確認することができます。 そこはうまくできています。 もう 1 つわかるのは、ジェレミーが相関性の高いデータについて話していたということです。
	この他のコンポーネント プロットでそれを示しています。 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と、ちょっと混乱してしまいます
	を見て。 以下は外れ値分析プロットです。これは T 二乗プロットであり、分析からの 2 つの主成分を使用しています。 そして、それは、ええ、おそらく私たちは少し外れているかもしれないスペクトルのいくつか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、データの範囲を絞り込むための一種の方法です。
	次に、モデル駆動型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、図で主成分を使用して行ったことと実質的に同じです。
	違う方法で。 したがって、これと同じ 2 つの主成分に注目します。
	ここにサブグループのグループ化が示されています。 ここで下を見ると、正規化された DModX と呼ばれるものがあり、これは外れ値を調べる別の方法です...
	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。 モデル駆動型多変量管理図が提供するもう 1 つの方法は、データを比較する方法です。
	ここで私が行ったことは、サンプル 13、46、95、および 45 を選択して、これらの違いを示したことです。
	この 4 つのスペクトルですね。 さて、こ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、そうですね、スペクトルがかなり異なります。
	この比較を行うもう 1 つの方法は、スコア プロットを使用することです。 文字 L を選択すると、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、できる限りこれを丸で囲み、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、そして比較してください。 これにより、再びデータを効果的に比較できるようになります。
	これをやっていると、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ちょっとしたクールな方法です。
	大丈夫。 次に進みます。 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ため、以前に見たものと実質的に同じデータになります。
	しかし、前処理は行ったので、生データから標準正規変量までずっと進みました。 ここでも 2 つの主成分を使用すると、
	データがもう少し適切にグループ化されていることがわかります。 T 二乗プロットよりもノイズがかなり少なく、変動もかなり少ないです。 故意にこれを行ったわけではないと誓いますが、データを見ると少しは幸せになったようです。 ちょっとした笑顔です。
	ここにあるこれらの小さなグループはそれぞれ 20 のスペクトルです。 その上にマウスを移動すると、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することができます。
	それを見てください、もし私がそうしたいなら、それでいいです。 前に見たのと同じグループ化ができるので、試してみましょう。 これを強調表示します
	データがもう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くなり、作業が少し楽になります。 同じインスタンスで、以前と同じようにデータを強調表示してから、
	必要に応じて比較してください。 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。
	部分最小二乗法。 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の多変量管理図を構築します。 繰り返しますが、これは本当にきれいに見えます。 これが前処理されたデータです。 グルーピングがとてもいいので、そこから見ることができます。
	見てみましょう
	DModX。 まだ少しノイズが多いですが、主成分を含む生データを見ると、データほどノイズは多くありません。 それでは、に戻りましょう
	別の分析方法を検討しています。これは、より高い階層クラスタリングを検討しています。 ジェレミーがこれについて言及していました
	まず最初にデータを見てみると、
	クラスタリングがどのように起こるかを調べています。 生データを実行すると、小さなクラスターが多数存在す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...あなたが期待するようなグループ化されていません。 それで私たちはそれを受け取りました
	データを前処理し、同じ分析を行ったところ、非常に優れたグループ化が得られました。 そして、これらはそれぞれ 5 つのクラスターに分かれており、ここに表示されているのはそこです。
	つまり、デンプンとグルテンはここで非常にうまく分離されます。 クラスター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それを使用できます。 また、最も近いクラスターの式を保存すると、取得した新しいデータがすべて保存されます。
	最も近いクラスターに配置します。
	以上が、データを取り込んで確認し、モデリング用に設定する方法のほんの 2 つでした。その後、次のステップでモデリングに進みます。 次に紹介するのは部分最小二乗法です。これは通常、...申し訳ありませんが、これは一般化回帰です。
	これは私たちが皆さんにお見せしたい一般化回帰モデルです。
	これは
	そこで何が起こっていたのかを見ることができるかもしれません。 そして、私にとっていくつかのことが変わったようです。
	掴みたい…そこ、そこ。 これは私の部分最小二乗法であり、うまくいけば次のような方法でデータを実際に分析したことを示しています。
	良いモデルを教えてください。 私がやったこと、その方法を紹介します。 分析に行くと、これが JMP Pro バージョンです。 先ほども言いましたが、私が紹介していることの多くは通常の JMP で実行できます。 多変量手法を使用する場合、
	部分最小二乗法を使用して同じ分析を行うこともできますが、ここでは JMP Pro バージョンを使用します。 そしてでんぷんとグルテンを選んでいきます。
	生データを選択して追加し、そこから実行します。
	右。間違った設定をしてしまいましたが、行きましょう
	戻る
	ここで設定した分析。 ここでいくつかの異なるものをお見せできます。 これは前処理されたデータを使用して行われました。
	そうですね、フィット感は非常に素晴らしく見えます。これらのフィット感の比較を少しお見せします。 それで
	生データ、部分、そして前処理されたデータの部分最小二乗データが得られました。 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はわかります。 ここで私が示しているのは、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の方がはるかによく適合するので、これはジェレミーが先ほど言ったことに戻ります。
	このデータをクリーンアップして、できる限り最良の予測モデルを取得する必要があります。できれば、それを取り出すことができます。
	もう一つお見せしたいのは、
	の...
	私がここにいるところを見てみましょう。
	ここで紹介したいのは、Functional Data Explorer です。
	そしてこれは
	これは...最新のモデリング方法、または少なくとも JMP では、継続的にデータを分析できるため、スペクトル データをモデリングする最新の方法です。
	さて、それではその方法を説明します。 しかし、これが示しているのは、現時点では、生データを見るだけで、これを 2 つの機能主成分で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。 唯一のことは...お気づきかと思いますが、これはさらに...これは多変量キャリブレーション手法ですが、逆多変量手法であるということです。
	この分析を段階的に見てみましょう。
	分析する。
	次に、特殊なモデリングに進み、関数データ エクスプローラーに進む必要があります。
	データがワイド形式であるため、行を関数として使用する必要があります。
	私のものを使うつもりです
	補足変数としてのデンプンとグルテン。 Spectra が私の ID で、生データを取得します。
	わかった。
	また、現在 Functional Data Explorer 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。クリーンアップや前処理を行うことなどですが、Jeremy 氏が言ったように、それは JMP 17 でさらに改善されるだけです。
	ここから、モデリングを行うか、そこからモデルを構築したいと考えました。 すべてのデータを当てはめたいのですが、
	そこで、モデル、直接関数型 PCA に進みます。
	これを見ると、5 つの機能主成分を使用できることを示していますが、それはほとんど努力の無駄です。
	2 つの場合、実際にはすべてのデータ (データの 100%) を変動に当てはめることになります。 それで、これを後ろにスライドさせて、少しきれいにしてから、もう一度下に移動します。
	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、サブグループ内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。 これの良い点は、これの上にマウスを置くと、これらの個々のスペクトルをポップアップ表示できることです。
	視覚的に比較してください。
	ここのさらに下には機能主成分プロファイラーがあり、これは素晴らしいものです。 何が起こるか見てみましょう
	機能主成分を変更すると曲線が変化しますが、関数主成分 2 を変更してくださいと人々に伝えようとしています。
	望むカーブを得るのはうまくいきません...うまく行きません。 追加されたのは、機能 DOE 解析と呼ばれる機能です。 これで、次のことが可能になります。
	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、... の機能や曲線がどのように変化するかを見てください。 ここで 1 つ追加させてください。線形を変更します。 制約を追加していきます。
	そして
	これを変える。
	わかりました、OK と言います。 そして、ここでグループ分けを見ると、でんぷんが下がるとグルテンが上がるので、その制約により次のことが可能になります。
	異なるグループまたは混合物がどのように比較されるか、デンプンとグルテンの異なるレベルを変更すると曲線に何が起こるか、わかりました。 そして、これも連続体上にあり、データ内で私たちが行ったことは、ご存知のとおり、非常に明確です
	データの一部を分析できるので、混合がデータで示したものとまったく同じでなくても、何が起こるかを把握できます。
	さて、これは生データの話ですが、これが正しいかどうか見てみましょう...次のステップは...これは事実上同じものです。
	そして、ここで正しいものを持ってい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、同じ機能のデータ エクスプローラーになります。
	申し訳ありませんが、前処理されたデータを使用すると、違いがすでに確認できます。
	そして、前処理されたデータが入ってくると、曲線が得られます。モデルに適合し、2 つの機能主成分が得られます。 ここで注目したいのは、
	スコアプロット。 そして、これらの変数のグループ化が、異なるバージョンや異なるものであるという事実がどのように表れるのかを再度確認できます。
	ここでは、グルテンとデンプンのグループ化または混合物がより適切にグループ化されています。 それで、何度も、違う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。
	私が最後に示したり話したりしたいのは、一般化回帰と呼ばれるものについて見ることです。
	そして、これが実現すれば
	これは生データの一般化回帰適合です。 そして、k 分割交差検証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。
	見た目にさらに心地よいフィット感を得るために、エラスティック ネット アルファを 0.56 に設定しました。 それが行うことは、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。 それはモデル全体の適合性を制限するだけではありません。
	もしそうするなら、その伸縮性、そのアルファを制限すれば、もっとこのようなフィット感が得られるでしょう。 そして今、それははるかに小さなモデル、はるかに単純なモデルですが、あなたはまた...あなたは追加的またはいくつかのことを見逃している可能性もあります
	全体的なフィット感を高めるのに役立つ追加効果。 したがって、それはあなたの選択です。よりシンプルなモデルが長期的には役立ちます。
	異なるグループが必要な場合、複数のコンポーネントが混合され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、それが適合することを知っておいてください。
	弾性ネットアルファが低いほど、より多くの因子と変数、より多くの波長をモデルに含めることができます。
	それは生データの場合です。 これで得られるかどうか見てみましょう...
	得られるかどうか見てみましょう...そして、これが
	完全に前処理されたデータなので、実質的には同じものです。
	全体的な出力が異なるだけです。
	右。別のモデルを見ていると、見た目がかなり異なります。 これもまた、異なる Elastic Net アルファを使用しており、
	何を...最終的に私たちがやりたいのは、単にこれらを比較することです。 比較してみると・・・
	もう一度、PLS の生データと前処理されたデータを比較すると、適合度が大幅に向上しています。 一般化回帰と...つまり、これは部分最小二乗データです。
	前処理され、より小さい弾性ネット アルファで一般化回帰を使用して前処理され、次により高い弾性ネット アルファで前処理されます。 あちこちで良い結果が得られています。ですから、
	JMP Pro の一般化回帰と部分最小二乗法を比較します。 実際、本当に良いモデルをいくつか手に入れました。
	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したときの予測モデルを構築するための優れた方法です。
	これをもって、感謝の意を表します。 ジェレミー、このことに協力してくれて本当にありがとう。 皆さんも楽しんでいただければ幸いです。 フィードバックをお寄せください。 フィードバックを求めています。 私たちは、これらの新しい機能について人々がどう思うかを知りたいと考えています。

起こるデータ探索統計とモデリング