JMP Pro를 사용하면 본질적으로 데이터와 관련된 많은 종류의 문제를 쉽게 해결할 수 있습니다. 기능의 다음과 같은 형식으로:
- 시계열 데이터
- 제조 공정의 센서 스트림
- 온도 범위에서 수행된 측정
- 스펙트럼: IR, 크로마토그래피, 질량 분석, 핵 자기 공명
Functional Data Explorer를 사용하여 JMP Pro 16에서 사용할 수 있었던 기능을 강조하면서 기능적 응답 설계 실험 분석에 중점을 두고 기능적 데이터 분석의 기본 사항에 대한 개요를 확인하십시오.Functional Data Explorer는 데이터를 효율적으로 사용하고 해석하기 쉽고 곡선/스펙트럼의 모양이 주요 대상인 결과를 생성합니다.
그런 다음 JMP Pro 17에 추가된 기능에 대해 알아보고 화학, 제약 및 생명 공학 산업에서 널리 퍼진 문제를 해결하는 데 특히 유용한 스펙트럼 데이터 분석을 용이하게 하십시오.
Chris가 라이브 웨비나에서 답변한 질문 @chris_gotwalt1 그리고 라이언 파커 @라이언파커 :
Q: PCA를 실행해도 JMP는 여전히 동일한 고유값을 제공합니까?
A: 기능적 PCA는 형상 함수를 재구성하기 위해 모델 계수에서 수행됩니다. 따라서 입력 공간의 순서를 존중하는 것은 일반 PCA와 다른 작업입니다.
Q: 전체 곡선을 최대화하려는 경우 시간을 잠금 해제해야 합니까? 아니면 곡선을 최대화하는 다른 방법이 있습니까?
A: 바람직함 기능으로 창의력을 발휘하거나 합의가 있는지 확인하기 위해 몇 가지 선택 시점을 시도해야 할 수도 있습니다. "요약 저장"을 사용하고 응답 요약을 생성하여 프로파일러에서 최대화를 시도해야 할 수도 있습니다.
Q: 내부에 있는 것의 농도로 (NIR) 스펙트럼을 모델링할 때 웨이블릿 또는 스플라인을 권장합니까?
A: 먼저 Wavelets를 사용해 보는 것이 좋습니다.
Q: 적합 곡선에서 DOE 요인에 대해 유사한 기능을 얻을 수 있다는 것을 알고 있습니다. 비선형 모델로서 Wavelets 아래의 드롭다운에 옵션을 추가하는 비전이 있습니까? 더 많은 비선형 모델이 추가될 예정입니까? 현재 Fit Curve에서는 제한적이며 Fit에 없습니다.
답: 동의합니다. Fit Curve 플랫폼은 다행스럽게도 새로운 기능을 쉽게 추가할 수 있습니다. 제안 사항이 있는 경우 support@jmp.com 또는 JMP 사용자 커뮤니티의 위시 리스트로 보내주십시오.
Q: 대상 함수가 복사되어 끝에 붙여넣어지나요(Target으로 표시됨)? 그래서 여전히 분석에 사용되지만 대상으로도 사용됩니까?
A: 대상 함수를 로드하면 유효성 검사 데이터로 처리됩니다. 따라서 모델을 피팅할 때 더 이상 사용되지 않고 대신 분석에서 제외됩니다.
Q: 그렇다면 Z 정보가 없는 로딩 곡선/스펙트럼만 FDE의 잠재력을 최대한 활용하지 못합니까? 아니면 이에 대한 사용 사례가 있습니까?
A: 제조 공정의 곡선을 보고 있고 대규모 다기능 데이터 세트를 이해하기 위해 일반적인 변형의 종류를 식별하려고 한다고 가정합니다. 그런 의미에서 벡터 다변량 데이터에 주성분이 사용되는 것과 거의 같은 방식으로 FDE를 사용합니다. 오늘 여기서 다루지 않는 일종의 분석도 있습니다. 여기서는 기능을 입력으로 사용하고 기능을 예측하지 않고 대신 기능을 사용하여 주요 품질 속성을 예측할 수 있습니다.이 경우 이러한 변수를 추가 변수로 로드한 다음 마지막에 기계 학습 연습을 수행하여 함수를 입력으로 사용하여 주요 품질 속성을 예측합니다.
Q: 대상 함수가 복사되어 끝에 붙여넣어지나요(Target으로 표시됨)? 여전히 분석에 사용되지만 대상으로도 사용됩니까?
A: 대상 함수를 로드한 후에는 유효성 검사 데이터로 처리되며 모델을 피팅할 때 더 이상 사용되지 않습니다.대신 분석에서 제외됩니다.
Q: 일반 DOE의 크기를 결정할 때 설계 공간의 비율을 사용하고 80% FDS 값을 확인하여 주어진 수준의 랜덤 노이즈가 있는 주어진 시작 모델에 필요한 샘플 크기를 결정합니다. 기능적 DOE를 수행할 때 응답이 스칼라가 아닌 곡선이라는 사실을 고려해야 합니까? 즉, 데이터를 평활 함수로 변환하는 추가 단계를 설명하기 위해 더 큰 샘플 크기가 필요합니까? Functional DOE에 필요한 곡선의 수를 결정하기 위한 느낌을 얻으려고 합니다.
A: 배후에서 우리는 함수를 스칼라로 변환하고 있습니다. 그래서 제가 사용할 설계 진단은 이전과 동일할 것이라고 생각합니다. 따라서 사용자 지정 디자이너가 제안한 디자인의 품질을 평가하기 위해 FDE 플롯을 사용하는 경우 사용 가능한 스칼라 분석 위에 기능적 DOE 분석을 구축하고 있기 때문에 계속 사용할 수 있다고 생각합니다. 실제로 스칼라 DOE에 대해 배운 모든 것이 기능적 DOE로 확장되어야 합니다.
Q: 데이터를 전처리하지 않고 원시 데이터를 사용할 수 있습니까?
A: 예, 원시 데이터를 정리, 하위 집합 또는 변환할 필요가 없다고 생각되면 데이터를 변경하지 않고 평활화 단계로 바로 이동할 수 있습니다.
Q: 일반 그리드란 무엇입니까?
A: 일반 그리드는 연속된 X 사이의 간격이 동일한 곳입니다. 예를 들어 {0, .5, 1, 1.5, 2, 2.5, 3}은 X 값 집합이 일반 그리드이므로 불규칙한 그리드는 {0, .2, .7, 1.1, 1.2, 1.3, 2.4, 2.9}와 같은 것일 수 있습니다.
Q: Symlet6과 Symlet20의 차이점은 무엇입니까?
A: 일반적으로 6 대 20과 같은 지수는 복잡성을 증가시킵니다. 에 가면 https://wavelets.pybytes.com/wavelet/sym2/ 당신은 다른 symlet의 다른 사진을 볼 수 있습니다.
전반적으로 다양한 웨이블릿 유형과 순서에 대해 배울 필요가 없다는 것을 알았습니다. 데이터가 가장 좋은 것을 결정하도록 하고 진단 플롯을 살펴보고 적합성이 좋은지 확인할 수 있습니다. 일반적으로 작업하려는 모양 함수의 수를 조사하는 데 더 많은 시간을 할애하고 싶을 것입니다.
Q: 표시된 모든 웨이블릿은 0 레벨 기준선 아래로 떨어지기 때문에 전체 범위에서 0으로 통합되는 반면 피크는 피크 아래의 양수 영역으로 통합된다고 생각합니다. 맞다면 모델링된 기능과 모델 사이의 질적 격차를 어떻게 좁힐 수 있습니까?
A: 데이터의 개별 웨이블릿 변환을 통해 발생합니다.
Q: JMP에서 FDA를 수행하려면 모든 곡선의 모양이 비슷해야 합니까? 하나의 데이터 세트에 다른 유형의 모양(예: 일반, 지수, 이중 모드, 기울어짐 등)이 있는 경우 어떻게 합니까?
답: 아니요.비슷할 필요는 없습니다. 매우 다른 모양에 어려움 없이 맞는 스무딩 모델과 광범위하게 다른 모양 사이의 큰 차이점은 기능적 주성분 분석에서 나타날 것입니다.
Q: 새로운(미래) 데이터(예: 새로운 스펙트럼)와 함께 사용하기 위해 형상 함수와 예측 모델을 저장할 수 있습니까?
답: 예. 웨이블릿 모델 적합에는 예측 모델을 저장하는 데 사용할 수 있는 "함수 요약"이라는 개요 노드가 있으며 함수 DOE 모델과 직접 작업하는 데 사용할 수 있는 기능 DOE 예측 모델을 저장할 수도 있습니다. 플랫폼(예: 독립 실행형 Graph->Profiler).
Q: Functional DOE에서 신뢰 구간을 얻을 수 있습니까?
A: 그 질문은 여러 번 나왔습니다. 이를 수행할 수 있는 방법에 대한 몇 가지 아이디어가 있지만 신뢰 구간과 같은 불확실성 분석을 가능하게 하려면 더 많은 연구가 필요합니다.
Q: 혼합 변수는 코딩 및 모두와 함께 열 정보에 설정되어 있습니까?
A: 혼합물 코딩 열 속성은 사용자를 위해 디자인을 자동으로 생성하는 Custom Designer에 의해 디자인이 생성되었기 때문에 존재합니다.
자원:
