Hola, todos. Gracias para próximo a nuestro video. Mi nombre es ryan parque, y hoy Soy yendo a presente con Arcilla Pregonero acerca de alguno nuevo herramientas eso nosotros tener agregado a analizar Espectral Datos con el Funcional Datos Explorador en JMP Pro 17. Primero, I justo buscado a comenzar apagado con alguno de el motivando datos conjuntos eso condujo a nosotros a agregar estos nuevo herramientas. Ellos son en realidad motivado por estos quimiométrico aplicaciones, poder definitivamente ser aplicado a otro áreas, pero para ejemplo, nosotros tener este espectroscopia datos dónde el primero cosa tú podría aviso con este es hemos consiguió a lote de datos puntos muestreado, pero nosotros también tener alguno muy afilado picos en nuestro datos.Eso es yendo a ser a periódico tema dónde nosotros tener a necesidad a en realidad identificar estos afilado características eso el existente herramientas nosotros tener en JMP son a pequeño difícil a en realidad captura aquellos. Para ejemplo, eran pensamiento acerca de composición de materiales o cómo nosotros poder detectar biomarcadores y datos. Estos son tres espectroscópico ejemplos eso Bueno mirar en.
Otro ejemplo de datos eso es de interés es este masa espectrometría datos. Aquí eran pensamiento acerca de a masa a cargar relación eso nosotros poder usar a construir a espectro dónde el picos en el espectro, ellos son representando proteínas eso son de interés en el área de solicitud.Uno ejemplo es comparando estos espectros entre diferente pacientes, decir a paciente con cáncer o a paciente sin, y el ubicación de estos proteínas es muy importante a identificar diferencias en estos dos grupos.
Otro ejemplo es cromatografía datos. Aquí nosotros poder pensar acerca de eran usando alguno químico mezcla encima, eran usando a material eso es yendo a ayuda a nosotros cuantificar relativo cantidades de el varios componentes eso son en estos mezclas. Por usando el retención tiempo en este proceso, nosotros poder intentar a identificar el diferente componentes. Para ejemplo, si tú no saber este, I era no consciente hasta I comenzó a trabajar con este datos, intentando a personificar aceituna aceite es a grande trato. Nosotros poder usar estos datos conjuntos a cifra afuera, bueno, qué a verdadero aceituna aceite, o qué justo alguno otro verdura aceite eso alguien podría ser intentando a aprobar apagado como un aceituna ¿aceite?
El primero cosa I desear a hacer es ir a través de alguno de el nuevo preprocesamiento opciones eso hemos agregado a ayuda trabajar con espectral datos antes nosotros conseguir a el modelado escenario. Nosotros tener a nuevo herramienta llamado el Estándar normal variar, a multiplicativo dispersión corrección dónde tú tener si tú tener luz dispersión en su datos, el Filtro Savitzky-Golay, cual es el suavizado paso cuando tú tener espectral datos eso Bueno conseguir en.Finalmente, a nuevo herramienta a llevar a cabo a base corrección para el datos a eliminar tendencias eso estás no en realidad interesado en eso tú desear a conseguir afuera primero.
Bueno, entonces qué estándar normal ¿variante? Actualmente en JMP, nosotros tener el capacidad a justo estandarizar su datos en FDE. Pero cuando tú usar eso herramienta, es justo tomando el significar de todo de el funciones y a global diferencia y escalada él eso forma, pero con estándar normal variante, eran pensamiento acerca de el individual medio y variaciones de cada de el funciones a estandarizar y eliminar aquellos efectos antes nosotros ir a análisis. Cuando sea Soy en el bien aquí, después ejecutando el estándar normal variante, nosotros poder ver, bueno, allá era alguno en general medio y ahora ellos son todo juntos y cualquier exceso diferencia es tomado afuera antes nosotros ir a análisis.
multiplicar de dispersión corrección es el próximo paso, y es un alternativa a estándar normal variante. En alguno casos estás pensamiento estás yendo a... Cuando sea tú usar él, tú puede fin arriba con similar resultados. El diferencia aquí es el motivación para usando multiplicar de dispersión corrección. Eso es cuando tú tener luz dispersión, o tú pensar tú podría tener luz dispersión porque de el forma eso tú recogido el datos.
Qué sucede es para cada función, eran yendo a adaptar este simple lineal modelo dónde hemos consiguió a pendiente y un interceptar, y eran yendo a usar aquellos estimado coeficientes a ahora estandarizar nuestro datos eso eran yendo a trabajar con. Nosotros sustraer apagado el interceptar y dividir por el pendiente, y ahora nosotros tener el estandarizado versión. A ganar, tú poder fin arriba con similar resultados como estándar normal diferencia.
Ahora el próximo preprocesamiento paso Soy yendo a cubrir es el Filtro Savitzky-Golay. Cuando tú tener espectral datos, antes nosotros conseguir a el modelado escenario, el nuevo modelado herramientas nosotros tener, ellos son desarrollado en semejante a forma eso ellos son intentando a elegir arriba todo el importante piezas de el datos. Si tú tener ruido, nosotros necesidad a hacer a paso dónde nosotros liso eso primero. Eso es dónde el Filtro Savitzky-Golay llega en.Qué eran haciendo es eran yendo a adaptar un fin- grado polinovial encima a especificado banda ancha eso nosotros poder elegir a ayuda intentar a eliminar cualquier ruido de el datos. En FDE, actualmente, eran yendo a ir adelante y seleccionar aquellos mejor parámetros para tú, el grado y el ancho a intentar a minimizar el modelo error eso nosotros conseguir.
Uno cosa I hacer desear a punto afuera es eso nosotros hacer requerir a regular red a danos este operación, cual voluntad venir arriba de nuevo en el futuro, pero FDE es yendo a crear uno para tú. Nosotros también tener este reducido red opción disponible si tú desear más fino control primero antes tú confiar en a nosotros haciendo eso elección para tú. El lindo cosa acerca de este Filtro Savitzky-Golay es porque de el forma el modelo es adaptar, nosotros ahora tener acceso a derivados. Este es algo eso tiene venir arriba previo a espectral datos, y ahora eso nosotros tener este, hemos consiguió a lindo forma para tú a acceso y trabajar con modelado estos derivado funciones.
El último uno I desear a cubrir es el base corrección. Qué base corrección es haciendo es es pensamiento acerca de allá podría ser en general tendencias en nuestro datos eso nosotros desear a conseguir deshacerse de. Este datos colocar en el bien tiene justo a muy pequeño diferencias como lineal diferencia en el funciones. Qué eran pensamiento acerca de es, bueno, nosotros no en realidad desear a cuidado acerca de eso, nosotros desear a conseguir deshacerse de él. Qué este herramienta es yendo a permitir tú a hacer es seleccionar el base modelo eso tú desear.I norte este caso, es justo a en realidad simple lineal modelo, pero tú puede tener alguno dónde tienes consiguió exponencial o logarítmico tendencias eso tú desear a conseguir deshacerse de. Y entonces nosotros tener eso disponible.Entonces tú poder seleccionar su corrección región.
Para el mayoría parte, estás yendo a desear a correcto el completo función, pero él puede ser posible eso tal vez solo el comienzo o el fin de el función es dónde tú desear a correcto. Nosotros fin arriba con estos base regiones eso son estos azul líneas. Si nosotros hacer clic este agregar botón, lo hará dar a nosotros a par de azul líneas. Eran yendo a arrastrar estos alrededor a partes de el función eso nosotros creer son real. Todo el picos en estos datos es algo eso nosotros no en realidad desear a tocar. Este es el parte de el funciones eso nosotros desear a mantener y analizar y es yendo a dar el información eso eran interesado en. También si tú seleccionar este dentro región, cualquier cosa eso es dentro estos regiones es qué voluntad conseguir corregido. Estás cualquiera yendo a hacer uno o el otro, ¿bien? Estás yendo a cualquiera dejar él solo o estás yendo a cambiar solo dentro eso en aquellos datos conjuntos.
Finalmente, tú no ver él aquí, pero tú poder también agregar ancla puntos. Él puede ser, dependiente en su datos, fácil a justo especificar a pocos puntos eso tú saber este describe el en general tendencia. Cuando tú hacer clic agregar, tu lo harás conseguir a rojo línea, y eso es yendo a decir tú este, lo que sea I arrastrar eso línea, es definitivamente yendo a ser incluido en el modelo antes I correcto el base.Cuando tú hacer clic bueno aquí, tu lo harás justo fin arriba con a nuevo datos colocar eso tiene el tendencia remoto.
Bueno, entonces eso trae a nosotros a el modelado escenario. Qué hemos agregado para JMP Pro 17 son ondícula modelos. Bueno, entonces qué son ondícula modelos? Ellos son base función modelos, no como cualquier cosa nosotros tener actualmente en JMP, pero ellos poder tener muy dramático características. Qué estos características son haciendo son Ayudar a nosotros elegir arriba estos afilado picos o estos grande cambios en el función. Nosotros también tener el simple pelo onda, cual es justo a paso función. Si él vueltas afuera eso algo en realidad simple es como el paso función encaja mejor, nosotros voluntad dar tú eso como Bueno. Tú poder ver nosotros tener a pocos diferente opciones eso son en realidad...Si tú pensar acerca de doblando estos ondas y extensión a ellos afuera, eso es cómo nosotros son modelado el datos a en realidad elegir arriba todo estos características de interés.
A justo motivar eso, I desear a espectáculo tú el actual ir- a en JMP, cual es a B- ranura modelo, cual tiene a muy difícil tiempo cosecha arriba en estos características sin cualquier mano- Afinación. B- ranura modelo es haciendo a pequeño poco mejor. Él aún tiene alguno asuntos cosecha arriba el picos, pero él podría en alguno maneras ser el mejor. Directo funcional PCA, haciendo casi como bien como P-sp líneas, pero no bastante. Entonces nosotros tener ondas. Eran en realidad cosecha arriba el picos el mejor.En este particular datos colocar, es no adecuado a ellos perfectamente, pero nosotros haría pensar mirando en diagnóstico, el ondícula modelo es definitivamente el uno nosotros haría desear a ir con.
De nuevo, nosotros tener estos cinco diferente ondícula modelo tipos, y qué eran yendo a hacer es Bueno adaptar todo estos para tú entonces eso tú no tener a preocuparse acerca de cosecha y eligiendo. Afuera de el Olas de pelo, todo de el otro ondícula tipos tener a parámetro. Nosotros tener a red eso nosotros son yendo a buscar encima para tú en suma a el tipo.
Ahora él puede ser posible eso allá son alguno casos dónde usuarios tener dicho, ey, este particular ondícula tipo es exactamente cómo mi datos debería ser representado, entonces tú poder cambiar el por defecto modelo, pero por por defecto, eran yendo a elegir el modelo eso es yendo a optimizar este modelo selección criterios, el AISC. En realidad qué tú poder pensar acerca de aquí es allá podría ser potencialmente a lote de parámetros en cada uno de estos ondícula modelos. Eran efectivamente usando a Lazo modelo a intentar a eliminar afuera cualquier parámetros eso en realidad justo no lo son adecuado el datos.Nosotros conseguir a escaso representación, No asunto el ondícula modelo.Nosotros sierra este más temprano dónde nosotros tener a tener nuestro datos en el red. Es el mismo cosa con ondas. Si tú justo comenzar yendo a través de el ondícula modelos y su datos son no en el red, Bueno crear uno para tú. Pero de nuevo, justo buscado a punto afuera tú poder usar eso reducir red opción a tener más fino control.
Bueno, entonces algo demás eso nosotros espectáculo eso poder ayuda dar tú alguno conocimiento en cómo estos modelos trabajar es este coeficiente trama. Qué es narración a nosotros es este X eje es el normal X de el aporte espacio de su función, pero el Y eje es el resolución.Estos arriba resoluciones aquí, estás pensamiento acerca de en general medio. Como nosotros conseguir en estos alto resoluciones, estos son el cosas eso son sucediendo en realidad cerca juntos. A rojo línea medio es a negativo coeficiente. Azul medio es positivo. Ellos son escamoso entonces eso ellos son todo interpretable contra cada otro. El más grande líneas dar tú el idea dónde el más grande coeficientes son.Nosotros poder ver eso el más alto frecuencia elementos son en realidad aquí en el fin de el función. Nosotros tener alguno en general tendencias, pero justo algo a pensar acerca de eso estos ondícula modelos son mirando en diferente resoluciones de su datos.
Algo demás eso hemos agregado antes nosotros conseguir a nuestro manifestación con Arcilla es ondas GAMA. En FDE, nosotros tener a funcional GAMA eso es laboral con funcional principal componentes. Si tú no saber aquellos son, eso es bueno. Todo tú necesidad a saber es eso con ondas, nosotros tener coeficientes para todo de estos ondícula funciones. En este GAMA análisis, eran pensamiento acerca de modelado el coeficientes directamente. El resolución dice tú un idea de si es a alto- frecuencia artículo o bajo- frecuencia artículo. Entonces este número en el soportes es narración tú el ubicación. Tú poder pensar, bueno, estos elementos aquí son en el tres, y eso es dónde alguno de eso más alto características eran eso nosotros sierra en eso coeficiente trama.Aquellos tener qué eran vocación el más alto energía.
Energía en este caso es justo... Si nosotros puntaje todo el coeficientes, nosotros agregar a ellos arriba, tú poder pensar de eso ser como el total energía. Entonces este energía número aquí es a relativo energía y donación tú un idea de cómo mucho energía él es explicando en el datos. El lindo cosa en realidad acerca de usando el coeficiente acercarse es estos tener directo interpretación bien a el ubicación y a el resolución. Un alternativa eso tú poder intentar y comparar contra funcional PCA o funcional GAMA si tú tener este interpretabilidad de el coeficientes. Ahora I pensar Enfermo mano él encima a Arcilla. Él es consiguió a manifestación para tú a ver cómo tú usar estos modelos en JMP Pro.
Gracias, Ryan. vamos llevar a mirar en un ejemplo eso nosotros encontró. ryan mencionado brevemente el aceituna aceite datos colocar eso nosotros encontró. Es a muestra de 120 diferente aceites. Mayoría de a ellos son aceituna aceites, alguno de a ellos son mezclas o verdura aceites. Qué nosotros buscado a ver es, poder nosotros usar este alto- actuación líquido cromatografía ¿datos? Poder nosotros usar eso información a clasificar el ¿aceite? Poder nosotros mirar en el espectrolandia decir este es un aceituna aceite o este es no un aceituna ¿aceite?
Estos datos vino afuera de a estudiar de a universidad en España, y ryan y I aprendió a lote acerca de aceituna aceite en el proceso. Para ejemplo, aceituna aceite es de hecho a fruta jugo, cual I hizo no saber. vamos llevar a mirar en nuestro datos. Cada fila en nuestro datos colocar es a diferente aceituna aceite o otro aceite, y el filas representar el espectros. Bien usar el Funcional Datos Explorador, y lo hará llevar justo a segundo a adaptar el ondícula modelos. Y lo harás ver aquí, nosotros adaptar nuestro diferente ondas. Como ryan mencionado más temprano, nosotros intentar a puñado de diferente ondas y nosotros dar tú el mejor uno.
En este caso, el Simlet 20 era el mejor ondícula en términos de cómo Bueno él encaja nuestro datos. Nosotros poder ver aquí dónde hemos superpuesto estos equipado ondas con el datos eso este ondícula modelo encaja en realidad Bueno. l et's decir tú tenía a privilegiado ondícula función eso tú buscado a usar en cambio, tú poder siempre hacer clic alrededor en este informe y lo hará actualizar cual ondícula eran usando. Si nosotros buscado el Simlet 10 en cambio, todo tú tener a hacer es hacer clic en este fila en el mesa, y Bueno cambiar a el Simlet 10 en cambio. vamos ir atrás a el 20 y Bueno llevar a mirar en nuestro coeficientes.
En el ondícula informe, nosotros tener este mesa de ondícula coeficientes. Como ryan era dicho más temprano, estos dar a nosotros información acerca de dónde el picos son en el datos. El más onda, nosotros pensar acerca de eso como un interceptar, entonces eso es como un en general significar. Entonces cada uno de estos ondícula coeficientes con a resolución es... Él líneas arriba con a diferente parte de el función. Este resolución uno es el más bajo frecuencia resolución, y él va todo el forma arriba a resolución 12. Estos son mucho más alto frecuencia resoluciones.
Como tú poder ver, hemos puesto a cero a lote de estos afuera. En hecho, este entero bloquear de ondícula coeficientes es puesto a cero afuera. Eso justo va a espectáculo eso eran suavizado. Si nosotros usado todo de estos resoluciones, él haría recrear el función perfectamente, pero nosotros cero a ellos afuera y eso da a nosotros a mucho más suave función. Nosotros adaptar el ondícula modelo a nuestro espectral y nosotros pensar nosotros tener a bien modelo. vamos llevar estos coeficientes y eran yendo a usar estos a predecir si o no un aceite es aceituna aceite. He consiguió eso en a diferente datos colocar.
Ahora He importado todo de aquellos ondícula coeficientes en a nuevo datos colocar y He conjunto él con qué tipo de aceite él es. Es cualquiera aceituna aceite o es otro, y hemos consiguió todo de estos ondícula coeficientes eso eran yendo a usar a predecir eso. El forma nosotros hacer eso es usando el generalizado regresión plataforma. Eran yendo a modelo el tipo usando todo de nuestro diferente ondícula coeficientes. Desde es a binario respuesta, nosotros elegir el binomio distribución, y eran interesado en modelado el probabilidad eso un aceite es aceituna aceite. Porque nosotros no desear a usar todo de aquellos ondícula coeficientes, eran yendo a usar el Lazo a hacer variable selección.
Ahora hemos usado el Lazo y hemos consiguió a modelo con justo 14 parámetros. De todo de aquellos ondícula coeficientes eso nosotros consideró para nuestro modelo, nosotros solo en realidad necesario 14 de a ellos. Nosotros poder llevar a mirar, hemos puesto a cero afuera a lote de aquellos ondícula coeficientes. vamos llevar a mirar en el confusión matriz. Usando nuestro modelo, nosotros de hecho perfectamente predicho si o no uno de estos aceites es un aceituna aceite o es algo demás. Eso es bonito bien.Nosotros tomó nuestro ondícula coeficientes y nosotros seleccionado el 13 mayoría importante porque uno de aquellos 14 parámetros es el interceptar. Nosotros solo necesario 13 de aquellos ondícula coeficientes a predecir cual aceite nosotros tenía.
En hecho, nosotros poder llevar a mirar en dónde aquellos ondícula coeficientes caer en nuestro función. Qué nosotros tener aquí es nosotros tener el promedio aceituna aceite espectralina azul y el otro aceites en rojo, y cada de aquellos discontinuo líneas líneas arriba con el coeficientes eso nosotros usado. Alguno de estos en realidad hacer a lote de sentido. Para ejemplo, aquí está uno de el ondícula coeficientes eso es importante, y tú poder ver eso hay a grande diferencia en el aceituna aceite rastro y el otro aceite.
Asimismo, encima aquí, nosotros poder ver eso hay a grande diferencia entre el dos allá. Tú poder mirar a través de y ver eso a lote de estos ubicaciones en realidad hacer hacer sentido. Él marcas sentido eso nosotros poder usar eso parte de el curva a discriminar entre el diferente tipos de aceite. Nosotros justo pensamiento eso era a en realidad Frío ejemplo de usando ondas a predecir algo demás. No eso aceituna aceite no es divertido, pero ryan y I ambos tener joven niños y eran ambos grande aficionados de el mundo.
Nosotros también encontró a nuevo mundo datos colocar dónde alguien tenía grabado esperar veces para uno de el popular paseos en disney Mundo. Es llamado el Siete enanos Mente Tren . Es a rodillo portavasos en disney Mundo. Alguien tenía grabado esperar veces a lo largo de el día para varios años valer de datos. I también mencionado estos son a subconjunto de el datos. Uno de el problemas es el parques son abierto para diferente cantidades de tiempo cada día, y alguno de el observaciones son desaparecido. Nosotros subconjunto él abajo y consiguió él a a más manejable datos colocar. I haría decir eso este ejemplo es inspirado por real datos, pero es no exactamente real datos una vez nosotros masajeado él a pequeño poco.
Si nosotros grafico nuestro datos, nosotros poder ver... El horizontal eje aquí es el tiempo de día, y el vertical eje es el esperar tiempo. En el medio de el día, el esperar tiempo para este conducir tiende a ser el más alto. Nosotros poder mirar alrededor en diferente días de el semana. Domingo, Lunes es a pequeño poco más ocupado. Martes es a pequeño menos ocupado, Sábado es el mayoría ocupado. Nosotros poder hacer el mismo cosa mirando en el años. Este es 2015, 2016, 2017. Él aspecto como cada año es conseguir más extenso y más extenso esperar veces hasta algo sucede en 2021. I pensar nosotros todo saber por qué esperar veces en un diversión parque haría ser menos en 2021. hemos consiguió un idea eso tú poder usar este información, como día de el semana, año y mes, a predecir qué eso esperar tiempo curva voluntad mirar como. vamos ver cómo nosotros hacer eso en FDE.
Enfermo justo correr mi guion aquí. Qué hemos hecho es Bueno venir a el menú y preguntar a adaptar nuestro ondícula modelo. Él acepta justo a segundo, pero en realidad no eso largo a adaptar varios años valer de datos.Este tiempo eran no usando el Simlet ya no. Eran usando este Daubechies ondícula función. Qué ryan mencionado más temprano era el ondícula GAMA característica. Ahora, qué I no espectáculo era eso hemos también cargado tiempo de el día de el semana y el año y el mes en el FDE. Eran yendo a usar aquellos variables a predecir el ondícula coeficientes. vamos ir a el rojo triángulo menú y Bueno preguntar para ondícula GAMA.
Ahora, qué es sucediendo detrás el escenas es eran usando día de el semana, mes, y año a predecir aquellos ondícula coeficientes, y entonces nosotros poner él todo atrás juntos entonces eso nosotros poder ver cómo el predicho esperar tiempo cambios como a función de aquellos suplementario variables. Ahora, de curso, nosotros resumir él en a lindo perfilador. Nosotros poder en realidad rápidamente ver el efectos de mes. Si eran justo yendo por el promedio esperar tiempo de este particular conducir, nosotros poder ver eso Septiembre tiende a tener el más bajo esperar tiempo. Nosotros poder en realidad rápidamente ver el COVID-19 efecto. El esperar veces eran aquí en 2019, y entonces cuando nosotros fue adelante a 2020, ellos en realidad abandonó. Tú poder mirar alrededor a ver cual día de el semana tiende a ser menos ocupado, cual meses son menos ocupado.I es en realidad a Frío forma a mirar en cómo estos esperar veces cambiar como a función de diferente factores. Agradecer tú para mirando. Eso es todo nosotros tener para hoy y nosotros esperanza tu lo harás dar el ondícula características en FDE a intentar. Gracias.
