Analyse PCA des données temporelles pour produire une PCA par ID de lotBonjour,
J'ai plusieurs données de bioréacteur. Chaque bioréacteur possède un ID (1 à 5) et plusieurs variables de profil temporel (Oxygène dissous, pH...). J'ai 20 variables pour les données temporelles et 10 points temporels.
Lorsque je fais une analyse PCA, en utilisant les 20 variables comme colonnes Y, j'obtiens un graphique de score des données du bioréacteur, ce qui est bien. Cela signifie que pour chaque bioréacteur, j'obtiens un profil temporel prenant en compte les 20 variables, avec 10 points de données par lot. Mais j'aimerais également obtenir un "Batch ID PCA", dans lequel les données de chaque bioréacteur seraient condensées en un seul point de données, et je pourrais identifier quels bioréacteurs sont similaires les uns aux autres. Je voudrais donc obtenir un tracé PCA avec seulement 5 points de données, dans lequel ces points de données prendraient en compte les (20*10 données pour chaque bioréacteur)
Plus je me suis rapproché d'y parvenir grâce à la plate-forme de cluster K-means.
De l'aide? Utiliser de préférence les menus JMP plutôt que les scripts.
Je sais qu'une alternative serait de diviser ma matrice. Parce que la raison pour laquelle j'obtiens des données temporelles dans mon analyse PCA est parce que j'ai mon tableau de données dans la colonne 1 = ID ; Colonne 2=heure ; Colonnes 3 à 20 = Variables.
Si je pouvais créer une seule ligne pour chaque lot, l'analyse PCA me donnerait ce que je veux. J'ai essayé de diviser mes données, mais sans succès.Si je pouvais convertir ma table de données en colonne 1 = ID ; colonne 2-201 - points de données, je pense que l'analyse PCA me donnerait ce que je veux.
Comment puis-je convertir mon tableau de données actuel en 200 nouvelles colonnes ? (21 premières colonnes seraient le temps 1, les valeurs des 20 variables pour le temps 1 ; 21 colonnes suivantes seraient le temps 2 et les valeurs des 20 variables pour le point temporel 2, et ainsi de suite).
Merci beaucoup
Re : Analyse PCA des données temporelles pour produire une PCA par ID de lotSalut @gzmorgan0 ,
Merci beaucoup pour votre reponse!
J'apprécie votre contribution concernant l'analyse visuelle. En effet, c'est ma première étape : observer les données et trouver des modèles et des profils étranges.
Cependant, pour cela, j'aurais vraiment besoin de faire la PCA comme je l'ai décrit, et malheureusement je n'ai pas les mêmes délais pour chaque lot. Alors une autre suggestion ? Sinon, je suppose que je vais simplement exporter les données vers Excel et faire un lot par ligne à l'ancienne et ennuyeuse !
Merci beaucoup pour votre contribution
Re : Analyse PCA des données temporelles pour produire une PCA par ID de lot@HUMIDE ,
Vous trouverez ci-joint un sous-ensemble de la table de données Fermentation Process.jmp Si vous divisez vos colonnes Y par temps (je suppose que vous avez les mêmes valeurs de temps), vous pouvez créer la table de données que vous décrivez.
Data Table( "Subset of Fermentation Process" ) <<
Split(
Split By( :Time ),
Split( :Ethanol, :Temp, :Molasses Feed, :NH3 Feed, :Air, :Tank Level, :pH ),
Group( :BatchID ),
Remaining Columns( Drop All ),
Sort by Column Property
);
Cependant, je crois fermement à l'analyse visuelle et je la recommande comme première analyse si votre ensemble de données n'est pas trop volumineux, avant toute autre modélisation.
Donc, avant votre PCA, je vous suggère de tracer chacune de vos 20 variables par temps en utilisant ID comme variable de superposition et de couleur dans GraphBuilder pour avoir une certaine intuition des modèles temporels et de la cohérence des réacteurs. Si vous disposiez de JMP PRO FDE, il crée ces tracés en plus des méthodes qui peuvent mettre à l'échelle, filtrer et aligner vos données (déformation temporelle), ce qui est formidable.Cependant, l’analyse visuelle peut potentiellement conduire à des variables discriminantes plus intuitives que les vecteurs propres. Considérez le graphique NH3 Feed vs.Time ci-dessous. Les BatchID 6, 29, 33 et 47 ont des modèles temporels différents, en particulier avant le temps 1,5 et après le temps 7.Une métrique de stabilité de début et de stabilité de fin peut être de meilleurs prédicteurs de métriques de qualité, et est souvent plus facilement explicable à d'autres personnes non familiarisées avec l'ACP.
Juste quelques suggestions. Bonne chance!
Re : Analyse PCA des données temporelles pour produire une PCA par ID de lotBonjour,
Merci pour votre réponse. Malheureusement, je n'ai pas JMP Pro. Une autre suggestion ?
Meilleur,
Re : Analyse PCA des données temporelles pour produire une PCA par ID de lotAvez-vous vu ce que Explorateur de données fonctionnelles peut faire? Cette documentation comprend un exemple de fermentation de biocarburants pertinent pour votre cas.
