JMP Pro semplifica la risoluzione di molti tipi di problemi che coinvolgono dati intrinsecamente funzionale in forma, come:
- Dati di serie temporali
- Flussi di sensori dai processi di produzione
- Misurazioni effettuate in un intervallo di temperature
- Spettri: IR, cromatografia, spettro di massa, risonanza magnetica nucleare
Visualizza una panoramica delle nozioni di base dell'analisi dei dati funzionali, con enfasi sull'analisi degli esperimenti progettati per la risposta funzionale, evidenziando le funzionalità che erano disponibili in JMP Pro 16 utilizzando Functional Data Explorer.Functional Data Explorer utilizza i dati in modo efficiente e produce risultati facili da interpretare e in cui le forme delle curve/spettri sono l'oggetto principale
Quindi, scopri le funzionalità aggiunte in JMP Pro 17 per facilitare l'analisi dei dati spettrali che sono particolarmente utili per risolvere i problemi prevalenti nelle industrie chimiche, farmaceutiche e biotecnologiche.
Risposte alle domande durante il webinar dal vivo di Chris @chris_gotwalt1 e Ryan Parker @RyanParker :
Se esegui PCA, JMP ti darebbe comunque lo stesso autovalore?
A: La PCA funzionale viene eseguita sui coefficienti del modello per ricostruire le funzioni di forma. Quindi, è un'operazione diversa dalla normale PCA rispettare l'ordine dello spazio di input.
Se sto cercando di massimizzare l'intera curva, devo sbloccare il tempo? O c'è un metodo diverso per massimizzare la curva?
A: Potrebbe essere necessario essere creativi con la funzione di desiderabilità o iniziare a provare alcuni punti temporali selezionati per vedere se c'è un consenso. È anche possibile che tu debba utilizzare "Salva riepiloghi" e creare un riepilogo della risposta per cercare di massimizzarla in un Profiler.
Quando modellate gli spettri (NIR) con le concentrazioni di ciò che c'era all'interno, consigliereste piuttosto wavelet o spline?
R: Consigliamo di provare prima le Wavelet.
So che in Fit Curve è possibile ottenere funzionalità simili per i fattori DOE. C'è una visione di aggiungere un'opzione nel menu a discesa sotto Wavelet come modello non lineare? È prevista l'aggiunta di altri modelli non lineari? Attualmente in Fit Curve è limitato e non è in Fit.
R: D'accordo. Fortunatamente per noi è facile aggiungere nuove funzioni alla piattaforma Fit Curve. Se hai suggerimenti, inviali a support@jmp.com o alla Wish List nella community degli utenti di JMP.
La funzione target è stata copiata e incollata fino alla fine (etichettata come Target)? Quindi, è ancora utilizzato nell'analisi, ma utilizzato anche come bersaglio?
R: Dopo aver caricato una funzione di destinazione, viene trattata come dati di convalida. Pertanto, non viene più utilizzato durante l'adattamento dei modelli e viene invece tenuto fuori dall'analisi.
Quindi solo il caricamento di curve/spettri senza alcuna informazione Z non sfrutterebbe tutto il potenziale dell'FDE? O ci sono casi d'uso per questo?
R: Supponi di osservare le curve di un processo di produzione e di voler identificare i tipi di variazione tipica per iniziare a comprendere un grande set di dati multifunzione. In tal senso, useresti FDE più o meno allo stesso modo in cui i componenti principali vengono utilizzati per i dati multivariati vettoriali. C'è anche un tipo di analisi di cui non stiamo parlando qui oggi, in cui potresti avere le funzioni come input e potresti non provare a prevedere una funzione, ma invece usare le funzioni per prevedere un attributo di qualità chiave.In tal caso, le caricheresti come variabili supplementari e alla fine eseguirai un esercizio di apprendimento automatico per prevedere l'attributo di qualità chiave utilizzando le funzioni come input.
La funzione target è stata copiata e incollata fino alla fine (etichettata come Target)? È ancora utilizzato nell'analisi, ma utilizzato anche come target?
R: Dopo aver caricato una funzione di destinazione, questa viene trattata come dati di convalida e non viene più utilizzata durante l'adattamento dei modelli.Invece, è tenuto fuori dall'analisi.
Quando dimensiono un normale DOE, utilizzo lo spazio Fraction of Design e osservo il valore FDS dell'80% per determinare la dimensione del campione richiesta per un dato modello iniziale con un dato livello di rumore casuale. Quando eseguo il DOE funzionale devo tenere conto del fatto che la mia risposta sarà una curva anziché uno scalare? In altre parole, devo avere una dimensione del campione maggiore per tenere conto del passaggio aggiuntivo di conversione dei dati in funzioni uniformi? Sto solo cercando di farmi un'idea per determinare quante curve avrò bisogno per Functional DOE.
A: Dietro le quinte, stiamo convertendo le funzioni in scalari. Quindi, penso che la diagnostica di progettazione che userei sarebbe la stessa di prima. Quindi, se stai usando i grafici FDE per valutare la qualità del progetto proposto dal designer personalizzato, penso che tu possa ancora usarlo perché stiamo costruendo l'analisi DOE funzionale sopra le analisi scalari disponibili. Davvero tutto ciò che hai imparato sui DOE scalari dovrebbe estendersi bene ai DOE funzionali.
È possibile utilizzare i dati grezzi, senza pre-elaborare i dati?
R: Sì, se non ritieni che i dati grezzi debbano essere ripuliti, sottoinsiemi o trasformati, puoi passare direttamente alla fase di livellamento senza apportare alcuna modifica ai dati.
Che cos'è una griglia regolare?
R: Una griglia regolare è dove gli spazi tra le X consecutive sono gli stessi. Ad esempio, {0, .5, 1, 1.5, 2, 2.5, 3}, poiché l'insieme di valori X è una griglia regolare. Una griglia irregolare potrebbe essere qualcosa come {0, .2, .7, 1.1, 1.2, 1.3, 2.4, 2.9}.
Qual è la differenza tra, diciamo, Symlet6 e Symlet20?
A: Generalmente, l'indice, come 6 contro 20, porta a una crescente complessità. Se vai a https://wavelets.pybytes.com/wavelet/sym2/ puoi vedere diverse immagini dei diversi simboli.
Nel complesso, non ho davvero trovato necessario conoscere i diversi tipi e ordini di wavelet. Puoi semplicemente lasciare che i dati decidano qual è il migliore e guardare i grafici diagnostici per assicurarti che l'adattamento sia buono. In generale, vorrai dedicare più tempo a studiare il numero di funzioni di forma con cui voglio lavorare.
Credo che tutte le wavelet mostrate si integrino a zero nell'intero intervallo perché scendono al di sotto della linea di base del livello zero, mentre i picchi si integrano in un'area positiva sotto un picco. Se ho ragione, come colmate questo divario qualitativo tra la funzione modellata e il modello?
A: Ciò avviene attraverso la trasformata wavelet discreta dei dati.
Per eseguire FDA in JMP, tutte le curve devono avere forme simili? Cosa succede se ho diversi tipi di forme (ad esempio, normale, esponenziale, bimodale, distorta, ...) in un set di dati?
R: No.Non hanno bisogno di essere simili. Il modello di livellamento si adatta senza difficoltà a forme molto diverse e le grandi differenze tra le forme molto diverse si presenteranno nell'analisi delle componenti principali funzionali.
Possiamo salvare le funzioni di forma e il modello predittivo per utilizzarli con nuovi (futuri) dati (ad es. nuovi spettri)?
R: Sì. Nell'adattamento del modello wavelet c'è un nodo di contorno chiamato "Riepiloghi funzione" che puoi usare per salvare il modello previsto, e puoi anche salvare il modello di previsione DOE funzionale che puoi usare per lavorare con il modello DOE funzione direttamente al di fuori del piattaforma (ad esempio, nel grafico autonomo Graph->Profiler).
Possiamo ottenere intervalli di confidenza dal DOE funzionale?
A: Questa domanda è emersa diverse volte. Abbiamo alcune idee su come possiamo farlo, ma dobbiamo fare più ricerche per rendere possibile l'analisi dell'incertezza come gli intervalli di confidenza.
Le variabili della miscela sono impostate come tali nella colonna info, con codifica e tutto il resto?
R: La proprietà della colonna Mixture Coding è presente perché il design è stato creato dal Custom Designer, che li crea automaticamente per te.
Risorse:
