JMP Pro facilite la résolution de nombreux types de problèmes impliquant des données intrinsèquement fonctionnel sous forme, telle que :
- Données de séries chronologiques
- Flux de capteurs issus des processus de fabrication
- Mesures effectuées sur une plage de températures
- Spectres : IR, chromatographie, spectrométrie de masse, résonance magnétique nucléaire
Consultez un aperçu des bases de l'analyse des données fonctionnelles, en mettant l'accent sur l'analyse des expériences conçues pour les réponses fonctionnelles, 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
Découvrez ensuite les fonctionnalités ajoutées dans JMP Pro 17 pour faciliter l'analyse des données spectrales, particulièrement utiles pour résoudre les problèmes courants dans les industries chimique, pharmaceutique et biotechnologique.
Questions répondues lors du webinaire en direct par Chris @chris_gotwalt1 et Ryan Parker @RyanParker :
Q : Si vous exécutez PCA, JMP vous donnera toujours la même valeur propre ?
R : Une PCA fonctionnelle est effectuée sur les coefficients du modèle pour reconstruire les fonctions de forme. C'est donc 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 débloquer le temps ? Ou existe-t-il une méthode différente pour maximiser la courbe ?
R : Vous devrez peut-être faire preuve de créativité avec la fonction de désirabilité ou commencer à essayer quelques moments précis pour voir s'il existe un consensus. Il est également possible que vous deviez utiliser « Enregistrer les résumés » et créer un résumé de la réponse pour essayer de la maximiser dans un profileur.
Q : Lors de la modélisation de spectres (NIR) avec des concentrations de ce qui se trouve à l'intérieur, recommanderiez-vous plutôt des ondelettes ou des splines ?
R : Nous vous recommandons d’essayer d’abord les Wavelets.
Q : Je sais que dans Fit Curve, vous pouvez obtenir des fonctionnalités similaires pour les facteurs DOE. Existe-t-il une vision d'ajout d'une option dans la liste déroulante sous Ondelettes en tant que modèle non linéaire ? Est-il prévu d’ajouter davantage de modèles non linéaires ? Actuellement dans Fit Curve, il est limité et n'est pas dans Fit.
R : D’accord. Heureusement, il est facile pour nous d'ajouter de nouvelles fonctions à la plateforme Fit Curve. Si vous avez des suggestions, envoyez-les à support@jmp.com ou à la liste de souhaits de la communauté des utilisateurs JMP.
Q : La fonction cible est-elle copiée et collée jusqu'à la fin (étiquetée comme Target) ? Donc, il est toujours utilisé dans l’analyse, mais aussi 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 désormais exclu de l’analyse.
Q : Donc, seules les courbes/spectres de chargement sans aucune information Z n'utiliseraient pas tout le potentiel du FDE ? Ou existe-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 variations typiques pour commencer à comprendre un vaste 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 un type d'analyse dont nous ne parlons pas ici aujourd'hui, dans laquelle vous pouvez avoir les fonctions comme entrées et vous n'essayez peut-être pas de prédire une fonction, mais plutôt d'utiliser des fonctions pour prédire un attribut de qualité clé.Dans ce cas, vous les chargeriez en tant que variables supplémentaires, puis effectueriez un exercice d'apprentissage automatique à la fin pour prédire l'attribut clé de qualité en utilisant les fonctions comme entrées.
Q : La fonction cible est-elle copiée et collée jusqu'à la fin (étiquetée comme Target) ? Est-il toujours utilisé dans l’analyse, mais également 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 en dehors de l’analyse.
Q : Lorsque je dimensionne un DOE standard, j'utilise la fraction de l'espace de conception et j'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, dois-je disposer d’une taille d’échantillon plus grande pour tenir compte de l’étape supplémentaire de conversion des données en fonctions fluides ? J'essaie juste d'avoir une idée pour déterminer le nombre de courbes dont j'aurai besoin pour le DOE fonctionnel.
R : En 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 fonctionnelle DOE en plus des analyses scalaires disponibles. En réalité, tout ce que vous avez appris sur les DOE scalaires devrait s'étendre parfaitement aux DOE fonctionnels.
Q : Est-il possible d’utiliser les données brutes sans prétraiter les données ?
R : Oui, si vous ne pensez pas que les données brutes doivent être nettoyées, sous-ensembles 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 des valeurs X est une grille régulière. Une grille irrégulière pourrait ressembler à {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 trouvé nécessaire de me renseigner sur les différents types et ordres d'ondelettes. Vous pouvez simplement laisser les données décider lesquelles sont les meilleures et examiner les tracés de diagnostic pour vous assurer que l'ajustement est bon. En général, vous souhaiterez passer plus de temps à étudier le nombre de fonctions de forme avec lesquelles je souhaite travailler.
Q : Je crois que toutes les ondelettes affichées s'intègrent à zéro sur toute la plage car elles plongent en dessous de la ligne de base du niveau zéro, alors que les pics s'intègrent dans une zone positive sous un pic. Si j’ai raison, comment combler cet écart qualitatif entre la fonction modélisée et le modèle ?
R : Cela se produit grâce à la transformation en ondelettes discrète des données.
Q : Pour effectuer une 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 seul 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 pour les 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 plan appelé « Résumés de fonctions » que vous pouvez utiliser pour enregistrer le modèle prédit, et vous pouvez également enregistrer le modèle de prédiction fonctionnel DOE que vous pouvez utiliser pour travailler avec le modèle de fonction DOE directement en dehors du modèle de prédiction DOE fonctionnel. 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 a été posée à plusieurs reprises. Nous avons quelques idées sur la manière de procéder, mais nous devons effectuer davantage de recherches pour rendre possible l’analyse de l’incertitude, telle que 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 présente car la conception a été créée par le concepteur personnalisé, qui les crée automatiquement pour vous.
Ressources:
