JMP Pro 可以輕鬆解決涉及固有資料的多種問題功能性的形式上，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：紅外線、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，重點介紹使用功能數據瀏覽器在 JMP Pro 16 中提供的功能。功能數據瀏覽器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 中添加的功能，以促進光譜數據的分析，這對於解決化學、製藥和生物技術行業中普遍存在的問題特別有用。
克里斯在現場網路研討會上回答的問題@chris_gotwalt1和瑞安·帕克@瑞安帕克:
Q：如果執行 PCA，JMP 仍會給出相同的特徵值嗎？
答：對模型係數執行函數 PCA 以重建形狀函數。 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：您可能需要對意願函數發揮創意，或開始嘗試幾個選定的時間點，看看是否達成共識。 您也可能必須使用「儲存摘要」並建立回應摘要，以嘗試在探查器中最大化。
Q：當用內部物質的濃度對 (NIR) 光譜進行建模時，您會建議使用小波還是樣條曲線？
答：我們建議先嘗試小波。
Q：我知道在擬合曲線中您可以獲得 DOE 因子的類似功能。 是否有在小波作為非線性模型下的下拉列表中添加一個選項的願景？ 是否計劃添加更多非線性模型？ 目前在Fit Curve中它是有限的並且不在Fit中。
答：同意。 幸運的是，Fit Curve 平台很容易讓我們增加新功能。 如果您有建議，請將其發送至 support@jmp.com 或 JMP 用戶社群上的願望清單。
Q：目標函數是否複製貼上到最後（標記為Target）？ 那麼，還是用在分析中，而且還要用在做目標呢？
答：載入目標函數後，它將被視為驗證資料。 因此，在擬合模型時不再使用它，而是將其排除在分析之外。
Q：那麼僅加載沒有任何 Z 資訊的曲線/光譜將無法發揮 FDE 的全部潛力？ 或有這方面的用例嗎？
答：假設您正在查看製造過程中的曲線，並且想要識別典型變化的類型，以開始理解大型多功能資料集。 從這個意義上說，您使用 FDE 的方式與用於向量多元資料的主成分的方式大致相同。 還有一種我們今天不討論的分析，您可能會將函數作為輸入，並且您可能不會嘗試預測函數，而是使用函數來預測關鍵品質屬性。在這種情況下，您將載入這些作為補充變量，然後在最後進行機器學習練習，以使用函數作為輸入來預測關鍵品質屬性。
Q：目標函數是否複製貼上到最後（標記為Target）？ 是不是還在分析中使用，而且還作為目標呢？
答：載入目標函數後，它會被視為驗證數據，在擬合模型時不再使用。相反，它被排除在分析之外。
Q：當我調整常規 DOE 大小時，我使用設計空間分數並查看 80% FDS 值來確定具有給定隨機雜訊水平的給定起始模型所需的樣本大小。 當我進行功能 DOE 時，我是否需要考慮我的響應將是曲線而不是標量？ 換句話說，我是否需要更大的樣本量來考慮將資料轉換為平滑函數的額外步驟？ 我只是想了解功能 DOE 需要多少曲線。
答：在幕後，我們將函數轉換為標量。 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 圖來評估客製化設計人員提出的設計質量，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建立功能 DOE 分析。 實際上，您所學到的有關標量 DOE 的所有內容都應該很好地擴展到函數 DOE。
Q：是否可以使用原始資料而不對資料進行預處理？
答：是的，如果您認為原始資料不需要清理、子集或轉換，您可以直接進入平滑步驟，而無需對資料進行任何變更。
Q：什麼是常規網格？
答：規則網格是連續 X 之間的間隙相同。 例如，{0, .5, 1, 1.5, 2, 2.5, 3}，因為 X 值的集合是規則網格。 不規則網格可能類似 {0, .2, .7, 1.1, 1.2, 1.3, 2.4, 2.9}。
Q：Symlet6 和 Symlet20 之間有什麼不同？
答：一般來說，索引（例如 6 與 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階數。 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。 一般來說，您需要花更多時間研究我想要使用的形狀函數的數量。
Q：我相信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，而峰值積分到峰值下方的正區域。 如果正確，您如何縮小建模函數和模型之間的這種定性差距？
答：這是透過資料的離散小波轉換來實現的。
Q：要在 JMP 中執行 FDA，所有曲線都需要具有相似的形狀嗎？ 如果一個資料集中有不同類型的形狀（例如，常態、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，並且不同形狀之間的巨大差異將在函數主成分分析中顯現出來。
Q：我們可以保存形狀函數和預測模型以與新（未來）資料（例如新光譜）一起使用嗎？
答：是的。 在小波模型擬合中，有一個名為「函數摘要」的大綱節點，您可以使用它來保存預測模型，也可以保存函數 DOE 預測模型，您可以使用該模型直接在函數外部處理函數 DOE 模型。平台（例如，在獨立的Graph->Profiler 中）。
Q：我們可以從功能 DOE 中獲得置信區間嗎？
答：這個問題已經出現過好幾次了。 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以使置信區間等不確定性分析成為可能。
Q：混合變數是否在列資訊中設定為包含編碼等？
答：混合編碼列屬性之所以存在，是因為設計是由自訂設計器建立的，它會自動為您建立它們。
資源：
克里斯@chris_gotwalt1和瑞安@瑞安帕克,
邁克爾·納扎爾科夫斯基@納扎爾科夫斯基給我發了一封電子郵件，我把它放在這裡給你。邁克爾，謝謝。我們正在嘗試使用評論區，以便其他有相同問題/想法等的人可以參與對話。
打開 NIR.jmp 後（近紅外線麩質澱粉研究）和期刊（在 JMP Pro 17 中掌握 JMP - FDE ）我看到這個項目“藍色光譜沒有麩質，紅色光譜全是麩質，灰色是混合物”這似乎是錯誤的，因為藍色光譜是全麩質的，紅色光譜與高水平的澱粉有關，而根據數據，這兩種成分以反比例存在。
如果我錯了，請糾正我。 這可能只是準備 JMP 日誌時的機械錯誤。 如果是，則值得更正社區網站上的該項目。
