JMP Pro facilite la résolution de nombreux types de problèmes impliquant des données intrinsèquement fonctionnel sous forme, tels que :
- Données de séries chronologiques
- Flux de capteurs issus des processus de fabrication
- Mesures prises sur une plage de températures
- Spectres : IR, chromatographie, spectre de masse, résonance magnétique nucléaire
Consultez une présentation des principes de base de l'analyse des données fonctionnelles, en mettant l'accent sur l'analyse des expériences conçues pour la réponse fonctionnelle, en mettant en évidence les fonctionnalités disponibles dans JMP Pro 16 à l'aide de Functional Data Explorer.Functional Data Explorer utilise les données efficacement et produit des résultats faciles à interpréter et où les formes des courbes/spectres sont l'objet principal
Ensuite, découvrez les fonctionnalités ajoutées dans JMP Pro 17 pour faciliter l'analyse des données spectrales qui sont particulièrement utiles pour résoudre les problèmes courants dans les industries chimiques, pharmaceutiques et biotechnologiques.
Réponses aux questions pendant le webinaire en direct par Chris @chris_gotwalt1 et Ryan Parker @Ryan Parker :
Q : Si vous exécutez PCA, JMP vous donnera toujours la même valeur propre ?
A : L'ACP fonctionnelle est effectuée sur les coefficients du modèle pour reconstruire les fonctions de forme. Il s'agit donc d'une opération différente de la PCA normale pour respecter l'ordre de l'espace d'entrée.
Q : Si j'essaie de maximiser la courbe entière, dois-je déverrouiller le temps ? Ou existe-t-il une autre méthode pour maximiser la courbe ?
R : Vous devrez peut-être faire preuve de créativité avec la fonction de désirabilité, ou commencer à essayer quelques moments choisis pour voir s'il y a un consensus. Il est également possible que vous deviez utiliser "Enregistrer les résumés" et créer un résumé de la réponse pour essayer de maximiser dans un profileur.
Q : Lorsque vous modélisez des spectres (NIR) avec des concentrations de ce qui se trouvait à l'intérieur, recommanderiez-vous plutôt des ondelettes ou des splines ?
R : Nous vous recommandons d'essayer d'abord les ondelettes.
Q : Je sais que dans Fit Curve, vous pouvez obtenir une capacité similaire pour les facteurs DOE. Existe-t-il une vision d'ajouter une option dans la liste déroulante sous les ondelettes en tant que modèle non linéaire ? Est-il prévu d'ajouter d'autres modèles non linéaires ? Actuellement dans Fit Curve, il est limité et n'est pas dans Fit.
R : D'accord. Heureusement, il nous est facile d'ajouter de nouvelles fonctions à la plate-forme Fit Curve. Si vous avez des suggestions, envoyez-les à support@jmp.com ou à la liste de souhaits de la communauté d'utilisateurs JMP.
Q : La fonction cible est-elle copiée et collée à la fin (étiquetée comme cible) ? Donc, il est toujours utilisé dans l'analyse, mais également utilisé comme cible ?
R : Une fois que vous avez chargé une fonction cible, elle est traitée comme des données de validation. Ainsi, il n'est plus utilisé lors de l'ajustement des modèles et est plutôt tenu à l'écart de l'analyse.
Q : Ainsi, seul le chargement de courbes/spectres sans aucune information Z n'utiliserait pas tout le potentiel du FDE ? Ou y a-t-il des cas d'utilisation pour cela?
R : Supposons que vous examiniez les courbes d'un processus de fabrication et que vous souhaitiez identifier les types de variation typiques pour commencer à comprendre un grand ensemble de données multifonctions. En ce sens, vous utiliseriez FDE de la même manière que les composants principaux sont utilisés pour les données vectorielles multivariées. Il existe également une sorte d'analyse dont nous ne parlons pas ici aujourd'hui, où vous pourriez avoir les fonctions comme entrées et vous pourriez ne pas essayer de prédire une fonction, mais plutôt utiliser des fonctions pour prédire un attribut de qualité clé.Dans ce cas, vous les chargeriez en tant que variables supplémentaires, puis feriez un exercice d'apprentissage automatique à la fin pour prédire l'attribut de qualité clé en utilisant les fonctions comme entrées.
Q : La fonction cible est-elle copiée et collée à la fin (étiquetée comme cible) ? Est-il toujours utilisé dans l'analyse, mais également utilisé comme cible ?
R : Une fois que vous avez chargé une fonction cible, elle est traitée comme des données de validation et n'est plus utilisée lors de l'ajustement des modèles.Au lieu de cela, il est tenu à l'écart de l'analyse.
Q : Lorsque je dimensionne un DOE standard, j'utilise l'espace Fraction of Design et examine la valeur FDS de 80 % pour déterminer la taille d'échantillon requise pour un modèle de départ donné avec un niveau de bruit aléatoire donné. Lorsque je fais un DOE fonctionnel, dois-je tenir compte du fait que ma réponse sera une courbe au lieu d'un scalaire ? En d'autres termes, ai-je besoin d'avoir une taille d'échantillon plus grande pour tenir compte de l'étape supplémentaire de conversion des données en fonctions lisses ? J'essaie juste d'avoir une idée du nombre de courbes dont j'aurai besoin pour le DOE fonctionnel.
R : Dans les coulisses, nous convertissons les fonctions en scalaires. Donc, je pense que les diagnostics de conception que j'utiliserais seraient les mêmes qu'avant. Donc, si vous utilisez des tracés FDE pour évaluer la qualité de la conception proposée par le concepteur personnalisé, je pense que vous pouvez toujours l'utiliser car nous construisons une analyse DOE fonctionnelle en plus des analyses scalaires disponibles. Vraiment, tout ce que vous avez appris sur les DOE scalaires devrait bien s'étendre aux DOE fonctionnels.
Q : Est-il possible d'utiliser les données brutes, sans prétraiter les données ?
R : Oui, si vous pensez que les données brutes n'ont pas besoin d'être nettoyées, sous-ensembleées ou transformées, vous pouvez passer directement à l'étape de lissage sans apporter de modifications aux données.
Q : Qu'est-ce qu'une grille régulière ?
R : Une grille régulière est celle où les écarts entre les X consécutifs sont les mêmes. Par exemple, {0, .5, 1, 1.5, 2, 2.5, 3}, car l'ensemble de valeurs X est une grille régulière. Une grille irrégulière pourrait être quelque chose comme {0, .2, .7, 1.1, 1.2, 1.3, 2.4, 2.9}.
Q : Quelle est la différence entre, disons, Symlet6 et Symlet20 ?
R : Généralement, l'indice, comme 6 contre 20, conduit à une complexité croissante. Si vous allez à https://wavelets.pybytes.com/wavelet/sym2/ vous pouvez voir différentes images des différents symlets.
Dans l'ensemble, je n'ai pas vraiment jugé nécessaire d'en savoir plus sur les différents types et ordres d'ondelettes. Vous pouvez simplement laisser les données décider lesquelles sont les meilleures et examiner les diagrammes de diagnostic pour vous assurer que l'ajustement est bon. En général, vous voudrez passer plus de temps à étudier le nombre de fonctions de forme avec lesquelles je souhaite travailler.
Q : Je crois que toutes les ondelettes présentées s'intègrent à zéro sur toute la plage car elles plongent en dessous de la ligne de base de niveau zéro, tandis que les pics s'intègrent dans une zone positive sous un pic. Si j'ai raison, comment comblez-vous cet écart qualitatif entre la fonction modélisée et le modèle ?
R : Cela se produit grâce à la transformée discrète en ondelettes des données.
Q : Pour exécuter FDA dans JMP, toutes les courbes doivent-elles avoir des formes similaires ? Que se passe-t-il si j'ai différents types de formes (par exemple, normales, exponentielles, bimodales, asymétriques, ...) dans un ensemble de données ?
R : Non.Ils n'ont pas besoin d'être similaires. Le modèle de lissage s'adapte sans difficulté aux formes très différentes, et les grandes différences entre les formes très différentes apparaîtront dans l'analyse des composantes principales fonctionnelles.
Q : Pouvons-nous enregistrer les fonctions de forme et le modèle prédictif à utiliser avec de nouvelles (futures) données (par exemple, de nouveaux spectres) ?
R : Oui. Dans l'ajustement du modèle d'ondelettes, il existe un nœud de contour appelé "Résumés de fonctions" que vous pouvez utiliser pour enregistrer le modèle prédit, et vous pouvez également enregistrer le modèle de prédiction DOE fonctionnel que vous pouvez utiliser pour travailler avec le modèle de fonction DOE directement à l'extérieur du plate-forme (par exemple, dans le Graph->Profiler autonome).
Q : Pouvons-nous obtenir des intervalles de confiance à partir du DOE fonctionnel ?
R : Cette question est revenue plusieurs fois. Nous avons quelques idées sur la façon dont nous pouvons le faire, mais nous devons faire plus de recherche pour rendre possible l'analyse de l'incertitude comme les intervalles de confiance.
Q : Les variables de mélange sont-elles définies comme telles dans la colonne d'informations, avec codage et tout ?
R : La propriété de la colonne Codage du mélange est là parce que la conception a été créée par le Custom Designer, qui les crée automatiquement pour vous.
Ressources:
