JMP Pro semplifica la risoluzione di molti tipi di problemi che coinvolgono dati intrinsecamente funzionale in forma, come ad esempio:
- Dati di serie temporali
- Flussi di sensori provenienti dai processi di produzione
- Misurazioni effettuate in un intervallo di temperature
- Spettri: IR, cromatografia, spettrometria di massa, risonanza magnetica nucleare
Visualizza una panoramica delle nozioni di base dell'analisi dei dati funzionali, con particolare attenzione all'analisi degli esperimenti progettati per la risposta funzionale, evidenziando le funzionalità 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.
Domande a cui ha risposto Chris durante il webinar dal vivo @chris_gotwalt1 e Ryan Parker @RyanParker :
Se esegui PCA, JMP ti darà comunque lo stesso autovalore?
R: La PCA funzionale viene eseguita sui coefficienti del modello per ricostruire le funzioni di forma. Rispettare l'ordine dello spazio di input è quindi un'operazione diversa dalla normale PCA.
Se sto cercando di massimizzare l'intera curva, dovrei sbloccare il tempo? Oppure esiste un metodo diverso per massimizzare la curva?
R: 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 provare a massimizzarla in un Profiler.
Quando si modellano gli spettri (NIR) con le concentrazioni di ciò che c'è all'interno, consiglieresti piuttosto wavelet o spline?
R: Consigliamo di provare prima Wavelets.
So che in Fit Curve puoi ottenere funzionalità simili per i fattori DOE. Esiste 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 Lista dei desideri nella Comunità degli utenti JMP.
La funzione target è stata copiata e incollata fino alla fine (etichettata come Target)? Quindi viene ancora utilizzato nell'analisi, ma utilizzato anche come target?
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 escluso dall'analisi.
Quindi caricare solo curve/spettri senza informazioni Z non sfrutterebbe tutto il potenziale della FDE? O ci sono casi d'uso per questo?
R: Supponiamo che tu stia osservando le curve di un processo di produzione e desideri identificare i tipi di variazione tipica per iniziare a comprendere un grande set di dati multifunzione. In questo senso, utilizzeresti FDE più o meno allo stesso modo in cui i componenti principali vengono utilizzati per i dati multivariati vettoriali. Esiste anche un tipo di analisi di cui non parleremo qui oggi, in cui potresti avere le funzioni come input e potresti non provare a prevedere una funzione, ma invece utilizzare le funzioni per prevedere un attributo chiave di qualità.In tal caso, le caricheresti come variabili supplementari e alla fine eseguiresti un esercizio di apprendimento automatico per prevedere l'attributo chiave di qualità utilizzando le funzioni come input.
La funzione target è stata copiata e incollata fino alla fine (etichettata come Target)? Viene 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.Viene invece tenuto fuori dall'analisi.
Quando dimensiono un DOE normale, utilizzo la frazione dello spazio di progettazione e osservo il valore FDS dell'80% per determinare la dimensione del campione richiesta per un determinato modello iniziale con un determinato livello di rumore casuale. Quando eseguo DOE funzionale devo tenere conto del fatto che la mia risposta sarà una curva anziché uno scalare? In altre parole, è necessario disporre di una dimensione del campione maggiore per tenere conto del passaggio aggiuntivo di conversione dei dati in funzioni uniformi? Sto solo cercando di capire di quante curve avrò bisogno per il DOE funzionale.
A: Dietro le quinte, stiamo convertendo le funzioni in scalari. Quindi, penso che la diagnostica di progettazione che utilizzerei sarebbe la stessa di prima. Quindi, se stai utilizzando i grafici FDE per valutare la qualità del progetto proposto dal progettista personalizzato, penso che tu possa comunque usarlo perché stiamo costruendo l'analisi DOE funzionale sulle 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 preelaborarli?
R: Sì, se non ritieni che i dati grezzi debbano essere ripuliti, suddivisi in sottoinsiemi o trasformati, puoi andare direttamente alla fase di smussamento senza apportare alcuna modifica ai dati.
Cos'è una griglia regolare?
R: Una griglia regolare è quella in cui gli spazi tra le X consecutive sono gli stessi. Ad esempio, {0, 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, ad esempio, Symlet6 e Symlet20?
R: Generalmente l'indice, come 6 contro 20, porta ad una crescente complessità. Se vai a https://wavelets.pybytes.com/wavelet/sym2/ puoi vedere diverse immagini dei diversi simboli.
Nel complesso, non ho ritenuto necessario conoscere i diversi tipi e ordini di wavelet. Puoi semplicemente lasciare che i dati decidano quale sia il migliore e guardare i grafici diagnostici per assicurarti che l'adattamento sia corretto. In generale, vorrai dedicare più tempo a indagare sul numero di funzioni di forma con cui voglio lavorare.
Credo che tutte le wavelet mostrate si integrino a zero sull'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 si colma questo divario qualitativo tra la funzione modellata e il modello?
R: 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, inclinata, ...) in un set di dati?
R: No.Non è necessario che siano simili. Il modello di livellamento si adatta senza difficoltà a forme molto diverse e le grandi differenze tra forme molto diverse verranno evidenziate nell'analisi delle componenti principali funzionali.
Possiamo salvare le funzioni di forma e il modello predittivo da utilizzare con nuovi dati (futuri) (ad esempio, nuovi spettri)?
R: Sì. Nell'adattamento del modello wavelet è presente un nodo di contorno chiamato "Riepiloghi delle funzioni" che puoi utilizzare per salvare il modello previsto e puoi anche salvare il modello di previsione DOE funzionale che puoi utilizzare per lavorare con il modello DOE della funzione direttamente all'esterno del piattaforma (ad esempio, nel Graph->Profiler autonomo).
Possiamo ottenere intervalli di confidenza dal DOE funzionale?
R: Questa domanda è stata sollevata più volte. Abbiamo alcune idee su come farlo, ma dobbiamo fare ulteriori ricerche per rendere possibile l’analisi dell’incertezza come gli intervalli di confidenza.
Le variabili della miscela sono impostate come tali nella colonna informazioni, con codifica e tutto?
R: La proprietà della colonna Codifica miscela è presente perché il disegno è stato creato dal Designer personalizzato, che li crea automaticamente per te.
Risorse:
