こんにちは、みんな。 ありがとうのために到来に私たちのビデオ。 私の名前はライアンパーカー、そして今日私は行くに現在と粘土バーカーについていくつかの新しいツールそれ私たちは持っている追加したに分析するスペクトルデータとの機能的データ冒険者でJMPプロ17.初め、私ただ欲しかったに始めるオフといくつかのののやる気を起こさせるデータセットそれ導かれた私たちに追加これら新しいツール。 彼らは本当にやる気のあるによるこれら化学測定アプリケーション、できる絶対になれ適用済みに他の地域、しかしのために例、私たちは持っているこれ分光法データどこの初めものあなたかもしれない知らせとこれは私たちは持っています得たある多くのデータポイントサンプリングされた、しかし私たちはまた持っているいくつかのとてもシャープピークで私たちのデータ。それは行くになれある繰り返しのテーマどこ私たちは持っているある必要に本当に識別するこれらシャープ特徴それの既存 ツール私たちは持っているでJMPはある少し難しいに本当に捕獲それらの。 のために例、だった考えについて構成の材料またはどうやって私たちはできる検出するバイオマーカーそしてデータ。 これらは三つ分光的な例それ良い見てで。
別の例のデータそれはの興味はこれ質量分光分析データ。 ここだった考えについてある質量に充電比率それ私たちはできる使用に構築するあるスペクトラムどこのピークでのスペクトラム、彼らは代表するタンパク質それはの興味でのエリアの応用。1つ例は比較するこれらスペクトル間違う患者、言うある忍耐強いと癌またはある忍耐強いそれなし、そしての位置のこれらタンパク質はとても重要に識別する違いでこれら二グループ。
別の例はクロマトグラフィーデータ。 ここ私たちはできる考えるについてだったを使用していくつかの化学薬品混合以上、だったを使用してある材料それは行くにヘルプ私たち定量化する相対的金額のの様々なコンポーネントそれはでこれら混合物。 によるを使用しての保持時間でこれプロセス、私たちはできる試すに識別するの違うコンポーネント。 のために例、もしあなたしませんでした知るこれ、私だったないわかっているそれまで私始めましたに仕事とこれデータ、試していますになりすますオリーブ油はある大きい取引。 私たちはできる使用これらデータセットに形外、わかった、何ですかある真実オリーブ油、または何ですかただいくつかの他の野菜油それ誰かかもしれないなれ試していますに合格オフとしてのオリーブ油？
の初めもの私欲しいにするは行くを通していくつかののの新しい前処理オプションそれ私たちは持っています追加したにヘルプ仕事とスペクトルデータ前に私たちは得るにのモデリングステージ。 私たちは持っているある新しい道具呼ばれたの標準普通変化させて、ある乗法散らばる修正どこあなた持っているもしあなた持っているライト散らばるであなたのデータ、のSavitzky-Golay フィルター、どれのはのスムージングステップいつあなた持っているスペクトルデータそれ良い得るの中へ。ついに、ある新しい道具に実行するあるベースライン修正のためにのデータに取り除くトレンドそれあなたはない本当に興味があるでそれあなた欲しいに得る外初め。
わかった、それで何ですか標準普通変異体？ 現在でJMP、私たちは持っているの能力にただ標準化するあなたのデータでFDE。 しかしいつあなた使用それ道具、そのただ取るの平均の全てのの機能そしてあるグローバル分散そしてスケーリングそれそれ方法、しかしと標準普通変異体、だった考えについての個人手段そして差異のそれぞれのの機能に標準化するそして取り除くそれらの効果前に私たちは行くに分析。 いつでも私はの上の右ここ、後演奏するの標準普通変異体、私たちはできる見る、わかった、そこにはだったいくつかの全体手段そして今彼らは全て一緒にそしてどれでも過剰分散は取られた外前に私たちは行くに分析。
乗算するの散らばる修正はの次ステップ、そしてそのの代替に標準普通変異体。 でいくつかのケースあなたは考えあなたは行くに... いつでもあなた使用それ、あなた5月終わり上と似ている結果。 の違いここはのモチベーションのためにを使用して乗算するの散らばる修正。 それはいつあなた持っているライト散らばる、またはあなた考えるあなたかもしれない持っているライト散らばるなぜならのの方法それあなた集めましたのデータ。
何起こるはのために毎関数、だった行くにフィットこれ単純線形モデルどこ私たちは持っています得たあるスロープそしてのインターセプト、そしてだった行くに使用それらの推定係数に今標準化する私たちのデータそれだった行くに仕事と。 私たちは引き算オフのインターセプトそして分けるによるのスロープ、そして今私たちは持っているの標準化されたバージョン。 あ得、あなたできる終わり上と似ている結果として標準普通分散。
今の次前処理ステップ私は行くにカバーはのSavitzky-Golay フィルター。 いつあなた持っているスペクトルデータ、前に私たちは得るにのモデリングステージ、の新しいモデリングツール私たちは持っている、彼らは発展したでそのようなある方法それ彼らは試していますに選ぶ上全ての重要個ののデータ。 もしあなた持っているノイズ、私たちは必要にするあるステップどこ私たちはスムーズそれ初め。 それはどこのSavitzky-Golay フィルター来るで。何だったやってるはだった行くにフィットの終わり-程度多項式以上ある指定された帯域幅それ私たちはできる選ぶにヘルプ試すに取り除くどれでもノイズからのデータ。 でFDE、現在、だった行くに行く先にそして選択するそれらの最高パラメーターのためにあなた、の程度そしての幅に試すに最小化するのモデルエラーそれ私たちは得る。
1つもの私する欲しいにポイント外はそれ私たちはする必要とするある通常グリッドに私たちに与えてくださいこれ手術、どれの意思来る上またでの未来、しかしFDEは行くに作成する1つのためにあなた。 私たちはまた持っているこれ削減グリッドオプション利用可能もしあなた欲しいより細かいコントロール初め前にあなた頼るの上私たち作るそれ選択のためにあなた。 のニースものについてこれSavitzky-Golay フィルターはなぜならのの方法のモデルはフィット、私たちは今持っているアクセスに派生製品。 これは何かそれもっている来る上前にスペクトルデータ、そして今それ私たちは持っているこれ、私たちは持っています得たあるニース方法のためにあなたにアクセスそして仕事とモデリングこれら派生関数機能。
の最後1つ私欲しいにカバーはのベースライン修正。 何ベースライン修正はやってるはその考えについてそこにはかもしれないなれ全体トレンドで私たちのデータそれ私たちは欲しいに得る取り除くの。 これデータセットの上の右もっているただあるとても小さい違いのように線形違いでの機能。 何だった考えについては、わかった、私たちはしないでください本当に欲しいにお手入れについてそれ、私たちは欲しいに得る取り除くのそれ。 何これ道具は行くに許可するあなたにするは選択するのベースラインモデルそれあなた欲しい。私nこれ場合、そのただある本当に単純線形モデル、しかしあなた5月持っているいくつかのどこあなたは得た指数関数的または対数トレンドそれあなた欲しいに得る取り除くの。 そしてそれで私たちは持っているそれ利用可能。それからあなたできる選択するあなたの修正地域。
のためにのほとんど一部、あなたは行くに欲しいに正しいの全体関数、しかしそれ5月なれ可能それ多分のみの始まりまたはの終わりのの関数はどこあなた欲しいに正しい。 私たちは終わり上とこれらベースライン地域それはこれら青線。 もし私たちはクリックこれ追加ボタン、それは与える私たちあるペアの青線。 だった行くに引っ張るこれらその周りに部品のの関数それ私たちは信じるは本物。 全てのピークでこれらデータは何かそれ私たちはしないでください本当に欲しいに触る。 これはの一部のの機能それ私たちは欲しいに保つそして分析するそしては行くに与えるの情報それだった興味があるで。 またもしあなた選択するこれ内で地域、何でもそれは内でこれら地域は何意思得る修正しました。 あなたはどちらか行くにする1つまたはの他の、右？ あなたは行くにどちらか離れるそれ一人でまたはあなたは行くに変化のみ内でそれでそれらのデータセット。
ついに、あなたしないでください見るそれここ、しかしあなたできるまた追加アンカーポイント。 それ5月なれ、依存しての上あなたのデータ、簡単にただ特定ある少しポイントそれあなた知るこれ説明しますの全体傾向。 いつあなたクリック追加、あなたはそうします得るある赤ライン、そしてそれは行くに教えてあなたこれ、どこでも私引っ張るそれライン、その絶対に行くになれ含まれていますでのモデル前に私正しいのベースライン。いつあなたクリックわかったここ、あなたはそうしますただ終わり上とある新しいデータセットそれもっているの傾向削除されました。
わかった、それでそれもたらす私たちにのモデリングステージ。 何私たちは持っています追加したのためにJMPプロ17はウェーブレットモデル。 わかった、それで何はウェーブレットモデル？ 彼らはは基礎関数モデル、ないのように何でも私たちは持っている現在でJMP、しかし彼らはできる持っているとても劇的特徴。 何これら特徴はやってるは助ける私たち選ぶ上これらシャープピークまたはこれら大きい変化での関数。 私たちはまた持っているの単純ハールウェーブレット、どれのはただあるステップ関数。 もしそれターン外それ何か本当に単純はのようにのステップ関数合う最高、私たちは意思与えるあなたそれとして良い。 あなたできる見る私たちは持っているある少し違うオプションそれは本当に...もしあなた考えるについて曲げこれらウェーブレットそしてストレッチ彼ら外、それはどうやって私たちははモデリングのデータに本当に選ぶ上全てこれら特徴の興味。
にただ動機付けるそれ、私欲しいに見せるあなたの現在行く-にでJMP、どれのはあるB-スプラインモデル、どれのもっているあるとても難しい時間ピッキング上の上これら特徴それなしどれでも手-チューニング。 B-スプラインモデルはやってるある少し少しより良い。 それまだもっているいくつかの問題ピッキング上のピーク、しかしそれかもしれないでいくつかの方法なれの最高。 直接機能的なPCA、やってるほとんどとして良いとしてP-sp線、しかしないとても。 それから私たちは持っているウェーブレット。 だった本当にピッキング上のピークの最高。でこれ特定のデータセット、そのないフィッティング彼ら完璧に、しかし私たちはするだろう考える探しているで診断、のウェーブレットモデルは絶対にの1つ私たちはするだろう欲しいに行くと。
また、私たちは持っているこれら五違うウェーブレットモデル種類、そして何だった行くにするは良いフィット全てこれらのためにあなたそれでそれあなたしないでください持っているに心配についてピッキングそして選ぶこと。 外ののハール ウェーブレット、全てのの他のウェーブレット種類持っているあるパラメータ。 私たちは持っているあるグリッドそれ私たちはは行くに検索以上のためにあなたで追加にのタイプ。
今それ5月なれ可能それそこにははいくつかのケースどこユーザー持っている言った、おい、これ特定のウェーブレットタイプはその通りどうやって私のデータすべきなれ代表され、それであなたできる変化のデフォルトモデル、しかしによるデフォルト、だった行くに選ぶのモデルそれは行くに最適化するこれモデル選択基準、のAISC。 本当に何あなたできる考えるについてここはそこにはできたなれ潜在的にある多くのパラメーターで毎1つのこれらウェーブレットモデル。 だった効果的にを使用してあるなげなわモデルに試すに取り除く外どれでもパラメーターそれ本当にただそうではありませんフィッティングのデータ。私たちは得るあるまばらな表現、いいえ案件のウェーブレットモデル。私たちは見たこれ以前どこ私たちは持っているに持っている私たちのデータの上のグリッド。 そのの同じものとウェーブレット。 もしあなたただ始める行くを通してのウェーブレットモデルそしてあなたのデータはないの上のグリッド、良い作成する1つのためにあなた。 しかしまた、ただ欲しかったにポイント外あなたできる使用それ減らすグリッドオプションに持っているより細かいコントロール。
わかった、それで何かそれ以外それ私たちは見せるそれできるヘルプ与えるあなたいくつかの洞察力の中へどうやってこれらモデル仕事はこれ係数プロット。 何その伝える私たちはこれバツ軸はの普通バツのの入力空間のあなたの関数、しかしのY軸はの解決。これら上解像度ここ、あなたは考えについて全体手段。 として私たちは得るの中へこれら高い決議、これらはのものそれはハプニング本当に近い一緒に。 あ赤ライン手段そのあるネガティブ係数。 青手段そのポジティブ。 彼らはスケーリングされたそれでそれ彼らは全て解釈可能なに対してそれぞれ他の。 の最大行与えるあなたのアイデアどこの最大係数は。私たちはできる見るそれのより高い頻度アイテムは本当にここでの終わりのの関数。 私たちは持っているいくつかの全体トレンド、しかしただ何かに考えるについてそれこれらウェーブレットモデルは探しているで違う解像度のあなたのデータ。
何かそれ以外それ私たちは持っています追加した前に私たちは得るに私たちのデモと粘土はウェーブレットDOE。 でFDE、私たちは持っているある機能的なエネルギー省それは働くと機能的な主要コンポーネント。 もしあなたしないでください知るそれらのは、それはわかった。 全てあなた必要に知るはそれとウェーブレット、私たちは持っている係数のために全てのこれらウェーブレット機能。 でこれエネルギー省分析、だった考えについてモデリングの係数直接。 の解決言うあなたのアイデアのもしそのある高い-頻度アイテムまたは低い-頻度アイテム。 それからこれ番号での括弧は伝えるあなたの位置。 あなたできる考える、わかった、これらアイテムここはでのスリー、そしてそれはどこいくつかののそれ最高特徴だったそれ私たちは見たでそれ係数プロット。それらの持っている何だった電話をかけるの最高エネルギー。
エネルギーでこれ場合はただ... もし私たちはスコア全ての係数、私たちは追加彼ら上、あなたできる考えるのそれいるとしての合計エネルギー。 それでこれエネルギー番号ここはある相対的エネルギーそして与えるあなたのアイデアのどうやって多くのエネルギーそれは説明するでのデータ。 のニースもの本当にについてを使用しての係数アプローチはこれら持っている直接解釈右にの位置そしてにの解決。 アン代替それあなたできる試すそして比較するに対して機能的なPCAまたは機能的なエネルギー省もしあなた持っているこれ解釈可能性のの係数。 今私考える病気手それ以上に粘土。 彼は得たあるデモのためにあなたに見るどうやってあなた使用これらモデルでJMPプロ。
ありがとう、ライアン。 しましょう取るある見てでの例それ私たちは見つかった。 ライアン言及された簡単にのオリーブ油データセットそれ私たちは見つかった。 そのあるサンプルの120違う油。 ほとんどの彼らはオリーブ油、いくつかのの彼らはブレンドするまたは野菜油。 何私たちは欲しかったに見るは、できる私たちは使用これ高い-パフォーマンス液体クロマトグラフィーデータ？ できる私たちは使用それ情報に分類するの油？ できる私たちは見てでのスペクトラランド言うこれはのオリーブ油またはこれはないのオリーブ油？
これらデータ来た外のある勉強からある大学でスペイン、そしてライアンそして私学んだある多くについてオリーブ油でのプロセス。 のために例、オリーブ油は実はあるフルーツジュース、どれの私したない知る。 しましょう取るある見てで私たちのデータ。 それぞれ行で私たちのデータセットはある違うオリーブ油または他の油、そしての行代表するのスペクトル。 良い使用の機能的データ冒険者、そしてそれは取るただある2番にフィットのウェーブレットモデル。 Yやりますよ見るここ、私たちはフィット私たちの違うウェーブレット。 としてライアン言及された以前、私たちは試すある一握りのの違うウェーブレットそして私たちは与えるあなたの最高1つ。
でこれ場合、のシムレット20だったの最高ウェーブレットで条項のどうやって良いそれ合う私たちのデータ。 私たちはできる見るここどこ私たちは持っています重ねられたこれらフィットしたウェーブレットとのデータそれこれウェーブレットモデル合う本当に良い。 Lら言うあなた持っていたある好ましいウェーブレット関数それあなた欲しかったに使用その代わり、あなたできるいつもクリックその周りでこれ報告そしてそれはアップデートどれのウェーブレットだったを使用しています。 もし私たちは欲しかったのシムレット10その代わり、全てあなた持っているにするはクリックの上これ行でのテーブル、そして良いスイッチにのシムレット10その代わり。 しましょう行く戻るにの20そして良い取るある見てで私たちの係数。
でのウェーブレット報告、私たちは持っているこれテーブルのウェーブレット係数。 としてライアンだった言ってる以前、これら与える私たち情報についてどこのピークはでのデータ。 のさらに遠くウェーブレット、私たちは考えるについてそれのようにのインターセプト、それでそれはのようにの全体平均。 それから毎1つのこれらウェーブレット係数とある解決は... それ行上とある違う一部のの関数。 これ解決1つはの最低頻度解決、そしてそれ行きます全ての方法上に解決12.これらは多くのより高い頻度決議。
としてあなたできる見る、私たちは持っていますゼロ化されたある多くのこれら外。 で事実、これ全体ブロックのウェーブレット係数はゼロ化された外。 それただ行きますに見せるそれだったスムージング。 もし私たちは使用済み全てのこれら決議、それするだろう再作成するの関数完璧に、しかし私たちはゼロ彼ら外そしてそれ与える私たちある多くのより滑らかな関数。 私たちはフィットのウェーブレットモデルに私たちのスペクトルそして私たちは考える私たちは持っているある良いモデル。 しましょう取るこれら係数そしてだった行くに使用これらに予測するかどうかまたはないの油はオリーブ油。 私は得たそれである違うデータセット。
今私は輸入された全てのそれらのウェーブレット係数の中へある新しいデータセットそして私は組み合わせたそれと何タイプの油それは。 そのどちらかオリーブ油またはその他の、そして私たちは持っています得た全てのこれらウェーブレット係数それだった行くに使用に予測するそれ。 の方法私たちはするそれはを使用しての一般化された回帰プラットホーム。 だった行くにモデルのタイプを使用して全ての私たちの違うウェーブレット係数。 以来そのあるバイナリ応答、私たちは選ぶの二項分布、そしてだった興味があるでモデリングの確率それの油はオリーブ油。 なぜなら私たちはしないでください欲しいに使用全てのそれらのウェーブレット係数、だった行くに使用のなげなわにする変数選択。
今私たちは持っています使用済みのなげなわそして私たちは持っています得たあるモデルとただ14パラメーター。 の全てのそれらのウェーブレット係数それ私たちは考慮されたのために私たちのモデル、私たちはのみ本当に必要な14の彼ら。 私たちはできる取るある見て、私たちは持っていますゼロ化された外ある多くのそれらのウェーブレット係数。 しましょう取るある見てでの混乱マトリックス。 使用する私たちのモデル、私たちは実は完璧に予測されたかどうかまたはない1つのこれら油はのオリーブ油またはその何かそれ以外。 それはかわいい良い。私たちは取った私たちのウェーブレット係数そして私たちは選択されたの13ほとんど重要なぜなら1つのそれらの14パラメーターはのインターセプト。 私たちはのみ必要な13のそれらのウェーブレット係数に予測するどれの油私たちは持っていた。
で事実、私たちはできる取るある見てでどこそれらのウェーブレット係数秋の上私たちの関数。 何私たちは持っているここは私たちは持っているの平均オリーブ油スペクトラリン青そしての他の油で赤、そしてそれぞれのそれらの破線行行上との係数それ私たちは使用済み。 いくつかののこれら本当に作るある多くのセンス。 のために例、ここにあります1つののウェーブレット係数それは重要、そしてあなたできる見るそれあるよある大きい違いでのオリーブ油痕跡そしての他の油。
同じく、以上ここ、私たちはできる見るそれあるよある大きい違い間の二そこには。 あなたできる見てを通してそして見るそれある多くのこれら場所本当にする作るセンス。 それ作るセンスそれ私たちはできる使用それ一部のの曲線に差別する間の違う種類の油。 私たちはただ考えそれだったある本当にいいね例のを使用してウェーブレットに予測する何かそれ以外。 ないそれオリーブ油そうではありません楽しい、しかしライアンそして私両方持っている若い子供たちそしてだった両方大きいファンのの世界。
私たちはまた見つかったある新しい世界データセットどこ誰か持っていた記録された待って回のために1つのの人気のある乗り物でディズニー世界。 その呼ばれたのセブンドワーフ心電車。 そのあるローラーコースターでディズニー世界。 誰か持っていた記録された待って回全体を通しての日のためにいくつかの年価値のデータ。 私また言及されたこれらはあるサブセットののデータ。 1つのの問題はの公園は開けるのために違う金額の時間それぞれ日、そしていくつかののの観察はない。 私たちはサブセットそれ下そして得たそれにあるもっと管理可能なデータセット。 私するだろう言うそれこれ例はインスパイヤされたによる本物データ、しかしそのないその通り本物データ一度私たちはマッサージされたそれある少し少し。
もし私たちはグラフ私たちのデータ、私たちはできる見る... の水平軸ここはの時間の日、そしての垂直軸はの待って時間。 での真ん中のの日、の待って時間のためにこれ乗る傾向があるになれの最高。 私たちはできる見てその周りで違う日々のの週。 日曜日、月曜日はある少し少しもっと忙しい。 火曜日はある少し少ない忙しい、土曜日はのほとんど忙しい。 私たちはできるするの同じもの探しているでの年。 これは2015年、 2016年、 2017年。 それ見た目のように毎年その取得より長いですそしてより長いです待って回それまで何か起こるで2021年。 私考える私たちは全て知るなぜ待って回でのアミューズメント公園するだろうなれ少ないで2021年。私たちは得たのアイデアそれあなたできる使用これ情報、のように日のの週、年そして月、に予測する何それ待って時間曲線意思見てのように。 しましょう見るどうやって私たちはするそれでFDE。
病気ただ走る私の脚本ここ。 何私たちは持っています終わりは良い来るにのメニューそして聞くにフィット私たちのウェーブレットモデル。 それかかりますただある2番、しかし本当にないそれ長さにフィットいくつかの年価値のデータ。これ時間だったないを使用してのシムレットもう。 だったを使用してこれドーベシーウェーブレット関数。 何ライアン言及された以前だったのウェーブレットエネルギー省特徴。 今、何私しませんでした見せるだったそれ私たちは持っていますまたロード済み時間のの日のの週そしての年そしての月でのFDE。 だった行くに使用それらの変数に予測するのウェーブレット係数。 しましょう行くにの赤三角形メニューそして良い聞くのためにウェーブレットDOE。
今、何はハプニング後ろにのシーンはだったを使用して日のの週、月、そして年に予測するそれらのウェーブレット係数、そしてそれから私たちは置くそれ全て戻る一緒にそれでそれ私たちはできる見るどうやっての予測された待って時間変化としてある関数のそれらの補足変数。 今、のコース、私たちは要約するそれであるニースプロファイラー。 私たちはできる本当に素早く見るの効果の月。 もしだったただ行くによるの平均待って時間のこれ特定の乗る、私たちはできる見るそれ9月傾向があるに持っているの最低待って時間。 私たちはできる本当に素早く見るのCOVID効果。 の待って回だったここで2019年、そしてそれからいつ私たちは行ったフォワードに2020年、彼らは本当に落とした。 あなたできる見てその周りに見るどれの日のの週傾向があるになれ少ない忙しい、どれの月少ないです忙しい。私tさんの本当にあるいいね方法に見てでどうやってこれら待って回変化としてある関数の違う要因。 感謝あなたのために見てる。 それは全て私たちはのために持っています今日そして私たちは希望あなたはそうします与えるのウェーブレット特徴でFDEある試す。 ありがとう。
