JMP Pro facilita la resolución de muchos tipos de problemas relacionados con datos que son inherentemente funcional en forma, como:
- Datos de series de tiempo
- Flujos de sensores de procesos de fabricación
- Medidas tomadas en un rango de temperaturas
- Espectros: IR, cromatografía, espectro de masas, resonancia magnética nuclear
Vea una descripción general de los conceptos básicos del análisis de datos funcionales, con énfasis en el análisis de experimentos diseñados para respuestas funcionales, destacando la funcionalidad que ha estado disponible en JMP Pro 16 utilizando Functional Data Explorer.El Explorador de datos funcional usa los datos de manera eficiente y produce resultados que son fáciles de interpretar y donde las formas de las curvas/espectros son el objeto principal
Luego, conozca las capacidades agregadas en JMP Pro 17 para facilitar el análisis de datos espectrales que son especialmente útiles para resolver problemas frecuentes en las industrias química, farmacéutica y biotecnológica.
Preguntas respondidas durante el seminario web en vivo por Chris @chris_gotwalt1 y ryan parker @RyanParker :
P: Si ejecuta PCA, ¿JMP aún le daría el mismo valor propio?
R: El PCA funcional se realiza en los coeficientes del modelo para reconstruir las funciones de forma. Por lo tanto, es una operación diferente al PCA normal respetar el orden del espacio de entrada.
P: Si intento maximizar toda la curva, ¿debería desbloquear el tiempo? ¿O hay un método diferente para maximizar la curva?
R: Es posible que deba ser creativo con la función de deseabilidad o comenzar a probar algunos puntos de tiempo seleccionados para ver si hay un consenso. También es posible que deba usar "Guardar resúmenes" y crear un resumen de la respuesta para tratar de maximizar en un generador de perfiles.
P: Al modelar espectros (NIR) con concentraciones de lo que había dentro, ¿recomendaría en lugar de ondículas o splines?
R: Recomendamos probar Wavelets primero.
P: Sé que en Fit Curve puede obtener una capacidad similar para los factores DOE. ¿Existe la posibilidad de agregar una opción en el menú desplegable bajo Wavelets como modelo no lineal? ¿Se planea agregar más modelos no lineales? Actualmente en Fit Curve está limitado y no está en Fit.
R: De acuerdo. Afortunadamente, es fácil para nosotros agregar nuevas funciones a la plataforma Fit Curve. Si tiene sugerencias, envíelas a support@jmp.com o a la Lista de deseos en la comunidad de usuarios de JMP.
P: ¿La función de destino se copia y se pega al final (etiquetada como Destino)? Entonces, ¿todavía se usa en el análisis, pero también se usa como objetivo?
R: Después de cargar una función de destino, se trata como datos de validación. Por lo tanto, ya no se usa al ajustar los modelos y, en cambio, se mantiene fuera del análisis.
P: Entonces, ¿solo cargar curvas/espectros sin ninguna información Z no usaría todo el potencial del FDE? ¿O hay casos de uso para esto?
R: Suponga que está observando las curvas de un proceso de fabricación y desea identificar los tipos de variaciones típicas para comenzar a comprender un gran conjunto de datos multifunción. En ese sentido, usaría FDE de la misma manera que los componentes principales se usan para datos vectoriales multivariados. También hay un tipo de análisis del que no estamos hablando aquí hoy, en el que puede tener las funciones como entradas y es posible que no intente predecir una función, sino que use funciones para predecir un atributo de calidad clave.En ese caso, las cargaría como variables complementarias y luego haría un ejercicio de aprendizaje automático al final para predecir el atributo de calidad clave utilizando las funciones como entradas.
P: ¿La función de destino se copia y se pega al final (etiquetada como Destino)? ¿Todavía se usa en el análisis, pero también se usa como objetivo?
R: Después de cargar una función de destino, se trata como datos de validación y ya no se usa al ajustar los modelos.En cambio, se mantiene fuera del análisis.
P: Cuando dimensiono un DOE normal, utilizo el espacio Fracción de diseño y observo el valor de FDS del 80 % para determinar el tamaño de muestra necesario para un modelo inicial dado con un nivel dado de ruido aleatorio. Cuando estoy haciendo DOE funcional, ¿debo tener en cuenta el hecho de que mi respuesta será una curva en lugar de un escalar? En otras palabras, ¿necesito tener un tamaño de muestra más grande para tener en cuenta el paso adicional de convertir los datos en funciones uniformes? Solo estoy tratando de tener una idea para determinar cuántas curvas voy a necesitar para el DOE funcional.
R: Detrás de escena, estamos convirtiendo las funciones en escalares. Entonces, creo que los diagnósticos de diseño que usaría serían los mismos que antes. Por lo tanto, si está utilizando diagramas FDE para evaluar la calidad del diseño propuesto por el diseñador personalizado, creo que aún puede usarlo porque estamos creando un análisis DOE funcional además de los análisis escalares que están disponibles. Realmente, todo lo que ha aprendido sobre los DOE escalares debería extenderse muy bien a los DOE funcionales.
P: ¿Es posible utilizar los datos sin procesar sin preprocesarlos?
R: Sí, si no cree que los datos sin procesar deban limpiarse, dividirse en subconjuntos o transformarse, puede ir directamente al paso de suavizado sin realizar ningún cambio en los datos.
P: ¿Qué es una cuadrícula regular?
R: Una cuadrícula regular es donde los espacios entre las X consecutivas son iguales. Por ejemplo, {0, 0,5, 1, 1,5, 2, 2,5, 3}, ya que el conjunto de valores X es una cuadrícula regular. Una cuadrícula irregular podría ser algo como {0, .2, .7, 1.1, 1.2, 1.3, 2.4, 2.9}.
P: ¿Cuál es la diferencia entre, digamos, Symlet6 y Symlet20?
R: En general, el índice, como 6 contra 20, conduce a una mayor complejidad. Si vas a https://wavelets.pybytes.com/wavelet/sym2/ Puedes ver diferentes imágenes de los diferentes symlets.
En general, realmente no he encontrado necesario aprender sobre los diferentes tipos y órdenes de ondículas. Simplemente puede dejar que los datos decidan cuál es el mejor y mirar los gráficos de diagnóstico para asegurarse de que el ajuste sea bueno. En general, querrá dedicar más tiempo a investigar la cantidad de funciones de forma con las que quiero trabajar.
P: Creo que todas las ondículas que se muestran se integran a cero en todo el rango porque caen por debajo de la línea base de nivel cero, mientras que los picos se integran a un área positiva debajo de un pico. Si estoy en lo correcto, ¿cómo cierra esta brecha cualitativa entre la función modelada y el modelo?
R: Eso ocurre a través de la transformada wavelet discreta de los datos.
P: Para realizar FDA en JMP, ¿todas las curvas deben tener formas similares? ¿Qué pasa si tengo diferentes tipos de formas (p. ej., normal, exponencial, bimodal, sesgada,...) en un conjunto de datos?
R: No.No es necesario que sean similares. El modelo de suavizado se ajusta a las formas muy diferentes sin dificultad, y las grandes diferencias entre las formas muy diferentes aparecerán en el Análisis de Componentes Principales Funcionales.
P: ¿Podemos guardar las funciones de forma y el modelo predictivo para usarlos con datos nuevos (futuros) (p. ej., espectros nuevos)?
R: Sí. En el ajuste del modelo wavelet, hay un nodo de esquema llamado "Resúmenes de funciones" que puede usar para guardar el modelo predicho, y también puede guardar el modelo de predicción DOE funcional que puede usar para trabajar con el modelo DOE de función directamente fuera del plataforma (por ejemplo, en Graph->Profiler independiente).
P: ¿Podemos obtener intervalos de confianza del DOE funcional?
R: Esa pregunta ha surgido varias veces. Tenemos algunas ideas sobre cómo podemos hacer esto, pero necesitamos investigar más para hacer posible el análisis de incertidumbre como los intervalos de confianza.
P: ¿Las variables de mezcla están configuradas como tales en la información de la columna, con codificación y todo?
R: La propiedad de la columna Codificación de la mezcla está ahí porque el diseño fue creado por el Diseñador personalizado, que los crea automáticamente para usted.
Recursos:
