JMP Pro 可以輕鬆解決涉及固有數據的多種問題功能性的在形式上，例如：
- 時間序列數據
- 來自製造過程的傳感器流
- 在一定溫度範圍內進行的測量
- 光譜：紅外、色譜、質譜、核磁共振
查看功能數據分析基礎知識的概述，重點是分析功能響應設計的實驗，突出顯示 JMP Pro 16 中使用功能數據瀏覽器提供的功能。Functional Data Explorer 有效地使用數據並產生易於解釋的結果，其中曲線/光譜的形狀是主要對象
然後，了解 JMP Pro 17 中新增的功能，以促進光譜數據的分析，這些功能對於解決化學、製藥和生物技術行業中普遍存在的問題特別有用。
克里斯在現場網絡研討會期間回答的問題@chris_gotwalt1和瑞安·帕克@瑞安帕克:
問：如果您運行 PCA，JMP 仍會為您提供相同的特徵值嗎？
A: Functional PCA是對模型係數進行重構形函數。 因此，尊重輸入空間的順序是與普通 PCA 不同的操作。
Q：如果我想最大化整個曲線，我應該解鎖時間嗎？ 或者是否有不同的方法來最大化曲線？
答：您可能需要在意願函數中發揮創意，或者開始嘗試幾個選定的時間點以查看是否達成共識。 也有可能您可能必須使用“保存摘要”並創建響應摘要以嘗試在 Profiler 中最大化。
問：當用內部物質的濃度對 (NIR) 光譜進行建模時，您會推薦小波還是樣條？
A：我們建議首先嘗試 Wavelets。
問：我知道在擬合曲線中您可以獲得類似的 DOE 因子功能。 是否有在 Wavelets as Non-Linear Model 下的下拉列表中添加選項的設想？ 是否計劃添加更多非線性模型？ 目前在 Fit Curve 中是有限的，不在 Fit 中。
答：同意。 幸運的是，Fit Curve 平台很容易讓我們添加新功能。 如果您有任何建議，請將它們發送至 support@jmp.com 或 JMP 用戶社區的願望清單。
Q：target函數是否複製粘貼到最後（標註為Target）？ 那麼，它仍然用於分析，還用作目標？
答：加載目標函數後，它被視為驗證數據。 因此，在擬合模型時不再使用它，而是將其排除在分析之外。
問：所以僅加載沒有任何 Z 信息的曲線/光譜不會充分發揮 FDE 的潛力？ 或者有這方面的用例嗎？
答：假設您正在查看製造過程中的曲線，並且想要確定典型變化的種類以開始了解大型多功能數據集。 從這個意義上說，您將以與主成分用於矢量多變量數據的方式大致相同的方式使用 FDE。 還有一種我們今天不在這裡討論的分析，您可能將函數作為輸入，並且您可能不會嘗試預測函數，而是使用函數來預測關鍵質量屬性。在這種情況下，您可以加載這些作為補充變量，然後在最後進行機器學習練習，使用這些函數作為輸入來預測關鍵質量屬性。
Q：target函數是否複製粘貼到最後（標註為Target）？ 是不是還在分析中使用，還作為目標使用？
答：加載目標函數後，它被視為驗證數據，在擬合模型時不再使用。相反，它被排除在分析之外。
問：當我確定常規 DOE 大小時，我使用設計分數空間並查看 80% FDS 值來確定具有給定隨機噪聲水平的給定起始模型所需的樣本量。 當我做功能性 DOE 時，我是否需要考慮我的響應將是曲線而不是標量這一事實？ 換句話說，我是否需要更大的樣本量來解釋將數據轉換為平滑函數的額外步驟？ 我只是想了解一下確定功能 DOE 需要多少條曲線。
答：在幕後，我們正在將函數轉換為標量。 因此，我認為我將使用的設計診斷與以前相同。 因此，如果您使用 FDE 圖來評估定制設計師提出的設計質量，我認為您仍然可以使用它，因為我們正在可用的標量分析之上構建功能 DOE 分析。 實際上，您所了解的有關標量 DOE 的所有內容都應該很好地擴展到功能 DOE。
問：是否可以使用原始數據而不對數據進行預處理？
A：是的，如果您認為原始數據不需要清理、子集或轉換，您可以直接進入平滑步驟而不對數據進行任何更改。
問：什麼是常規網格？
答：規則網格是連續 X 之間的間隙相同的地方。 例如，{0, .5, 1, 1.5, 2, 2.5, 3}，因為 X 值的集合是一個規則的網格。 不規則網格可能類似於 {0, .2, .7, 1.1, 1.2, 1.3, 2.4, 2.9}。
問：比方說，Symlet6 和 Symlet20 之間有什麼區別？
A：一般來說，指數，比如6比20，會導致複雜度增加。 如果你去https://wavelets.pybytes.com/wavelet/sym2/您可以看到不同符號的不同圖片。
總的來說，我還沒有真正發現有必要了解不同的小波類型和順序。 您可以讓數據決定哪個是最好的，然後查看診斷圖以確保擬合良好。 通常，您會希望花更多時間調查我想要使用的形函數的數量。
問：我認為所有顯示的小波在整個範圍內積分為零，因為它們低於零水平基線，而峰值積分為峰值下方的正區域。 如果是正確的，您如何縮小建模函數和模型之間的這種定性差距？
答：這是通過數據的離散小波變換實現的。
問：要在 JMP 中執行 FDA，是否所有曲線都需要具有相似的形狀？ 如果我在一個數據集中有不同類型的形狀（例如，正態、指數、雙峰、傾斜……）怎麼辦？
答：沒有。它們不需要相似。 平滑模型可以毫無困難地擬合非常不同的形狀，而差異很大的形狀之間的巨大差異將在功能主成分分析中出現。
問：我們能否保存形狀函數和預測模型以用於新（未來）數據（例如，新光譜）？
答：是的。 在小波模型擬合中，有一個名為“Function Summaries”的大綱節點，您可以使用它來保存預測模型，您還可以保存 Functional DOE 預測模型，您可以直接在外部使用函數 DOE 模型平台（例如，在獨立的 Graph->Profiler 中）。
問：我們可以從功能 DOE 獲得置信區間嗎？
答：這個問題已經提過好幾次了。 我們對如何做到這一點有一些想法，但我們需要做更多的研究才能使諸如置信區間之類的不確定性分析成為可能。
問：混合變量是否在列信息中設置為這樣，帶有編碼和所有？
答：存在混合編碼列屬性是因為設計是由自定義設計器創建的，它會自動為您創建它們。
資源：
