Bonjour Je suis Chris Gotwalt avec JMP et mon co- présent Giuseppe À propos Martin depuis Haut de la page , et je sont donnant un présentation que raconte le histoire de un données analyse projet que vitrines le nouveau ondelette analyse dans le fonctionnel Données explorateur un de le la plupart passionnant nouveau capacités dans JMP 17.
Le cas étude départ avec un produit formulation problème où hauts o recherché à conception un catalyseur que optimiser deux réponses mais le réponses sont dans conflit avec un un autre dans que amélioration un réponse souvent compter mais le au dépend de le autre
UN en tant que candidat pour le optimal troquer était trouvé avec des modèles devient par le généralisé régression plate-forme et le optimal facteur paramètres étaient trouvé en utilisant le désirabilité les fonctions dans le profileur Ce était un assez standard Biche analyse Mais dans ajout à le mesuré réponses NIR spectres étaient pris depuis quelques mais pas tous de le échantillon lots Ce c'est information que Peut être utilisé à donner un indice à le R&D équipe à propos quoi le chimique structure de le idéal formulation devrait regarder comme
Dans ajout à le Général Reg modèle de le réponses nous aussi utilisé ondelette des modèles comme le base fonction de un fonctionnel Biche analyse de le spectres en utilisant le Biche facteurs comme contributionsNous étaient alors capable à obtenir un synthétique spectres de le optimal formulation par bouchage dans le optimal facteur paramètres trouvé dans le initial analyse de le deux critique réponses
Avant en allant dans le présentation je vouloir à indiquer dehors que mais le début de le projet Giuseppe était très nouveau à JMP et n'a pas avoir un arrière-plan dans ce taper de statistique analyse Giuseppe appris tous il nécessaire à je donne le analyse sur à ceux-là propre après un couple de la toile réunions avec JE.
Ce évidemment montre il est un intelligent gars mais aussi que JMP faire apprentissage comment à je donne quelques très sophistiqué données analyse projets rapidement et facile Maintenant Je suis en allant à main le montrer sur à Giuseppe
Merci toi Chris. Ici c'est quelques arrière-plan à propos notre projet C'est un catalyseur développement projet Donc, nous sont développement beaucoup différent recettes Chaque recette avoir un unique ensemble de production paramètres et une fois le échantillon c'est préparé nous caractériser va dans notre analyse laboratoire dans Haut de page. Et enfin nous je donne un performance témoin
pendant le performance test nous regarder pour deux valeurs que ici nous appel Réponse 1 et Réponse 2. Dans ce spécifique fromage nous sont en essayant à minimiser réponse 1 pendant maximiser réponse 2. Que volonté plomb nous à ce idéal espace dans le haut gauche coin de le graphique. Mais comme toi Peut voir le 55 échantillons que nous avons testé obtenir bloqué dans le milieu de le graphique. Que c'est parce que Réponse 1 et Réponse 2 sont entre corrélé signification que amélioration un compter avec le dépenses de le autre
Donc, nous se déplacer à JMP et nous essayer à regarder mais notre réponse données et notre caractérisation données essayer à voir si nous Peut se déplacer loin depuis ce doubler dans le milieu de le graphique. Nous identifié deux cibles domaines que nous vouloir à atteindre et ensemble avec Chris nous pensée à propos en utilisant JMP à créer un modèle que serait connecter le production paramètres à le réponse valeursT Poule nous plus loin regardé dans notre infrarouge spectroscopie données à essayer à force notre modèle et à obtenir quelques dehors information à propos le cible échantillons
Ici c'est si aperçu de le données ensemble Nous avoir produit 112 échantillons Chaque échantillon avoir un unique ensemble de production paramètres Nous avoir analysé tous le échantillons en utilisant infrarouge spectroscopie Nous avoir un spectre pour chaque échantillon
Alors nous avoir utilisé beaucoup autre caractérisation techniques que nous avoir dans- maison que comptes pour 21 généralement Colonnes de données Enfin, nous avoir testé moitié de le échantillons et que comptes pour le dernier deux Colonnes que nous appelé réponse
Mais le début de notre projet nous en fait recherché à inclure le infrarouge spectroscopique données dans notre plus grand données ensemble et c'est pourquoi nous recherché à utiliser JMP parce que maintenant nous avoir ce nouveau ondelette modèle possibilité Et que serait activer nous à inclure le principal Composants à venir depuis le ondelette modèle dans notre données ensemble Et nous pourrait utiliser que à créer des modèles dans JMP Mais avant nous commencer notre analyse nous besoin à avoir un regarder mais le Pour données à trouver valeurs aberrantes Nous je donne que par en cliquant Analyser et le Multivarié méthodes Multivarié
H être nous Peut sélectionner notre production paramètres et caractérisation données comme Oui Colonnes et nous obtenir ce nuage de points matrice Ce c'est si exemple de juste regarder mais le production paramètres mais quoi nous serait identifier comme si valeur aberrante Nous Peut voir que là c'est un ensemble de points dans production paramètres aussi que c'est loin loin pour tous le autre points En outre, nous avoir arrière-plan connaissance à propos ces échantillons que nous savoir ne le ferais-je pas être optimal pour notre catalyseur développement donc nous décidé à droite Cliquez sur et dire "Rangée, cacher et exclure."
Nous Je l'ai fait ce aussi avec autre points regarder mais le nuage de points métrique de tous le caractérisation données Maintenant que nous avoir nettoyé en haut le données nous Peut devient un modèle Nous Cliquez sur Analyser et C'est fait Modèle et nous sélectionner le production paramètres comme variables dans notre modèle Nous Cliquez sur macro et réponse surface à créer un deuxième polynôme combinaison de ces variables Alors nous sélectionner notre réponses comme Oui valeurs
Alors nous décidé à utiliser généralisé régression H être Chris Peut ajouter quelques généralement Info à propos pourquoi nous décidé à utiliser ce spécifique taper de modèle
Nous utilisé un quadratique réponse surface modèle parce que le conception avait trois ou généralement les niveaux pour chaque facteur donc je savait que nous serait être capable à devient courbure termes si nécessaire et aussi être capable à devient assez un variété de différent interaction termes Nous utiliser le généralisé régression plate-forme parce que va tu fais modèle sélection avec Non Gaussienne distributions comme le enregistrer normale Dans mon avis là ils ne sont pas beaucoup les raisons pas à utiliser le généralisé régression plate-forme si toi avoir JMP Pour parce que va c'est donc facile à utiliser alors que dans beaucoup façons être donc beaucoup généralement puissant pour Biche analyse que le autre choix dans JMP et JMP Pour.
Après que nous Peut sélectionner notre distribution Nous savoir que le réponses sont en allant à être strictement positivement donc nous sélectionner le enregistrer normale distribution et alors nous Cliquez sur Courir et nous dire Non
Dans ce glisser nous Peut voir que nous avoir maintenant créé un modèle mais nous avoir aussi le possibilité de créer autre taper de des modèles en utilisant différent évaluation méthodes Nous décidé à utiliser meilleur sous-ensemble ici Chris Peut ajouter quelques généralement mots à propos va.
Bien donc ici nous utiliser meilleur sous-ensemble sélection parce que le complet modèle n'est-ce pas terriblement grand donc pourquoi pas essayer chaque possible sous-ensemble de que complet modèle et trouver le un que fournit le absolument meilleur troquer entre précision et modèle simplicité?
Sur le autre main avait là ont été huit ou généralement facteurs je serait avoir utilisé un rapide algorithme comme avant sélection ou taillé avant sélection parce que avec plus grand base des modèles va serait prendre un très long effrayé à devient chaque possible sous-modèle à le données Étaient en allant à être en utilisant le AIC modèle sélection critères à comparer Général Reg des modèles
Le AIC permet toi à comparer des modèles avec différent effets dans eux comme Bien comme différent réponse distributions Avec le AIC plus petit valeurs sont mieux et le règle de pouce je utiliser c'est que si un modèle avoir si AIC valeur que c'est dans 4 de le le plus petit AIC valeur vu alors ceux deux des modèles sont pratiquement identique dans qualité de devient
Si le deux des modèles avoir AIC valeurs dans dix de chaque autre alors ils sont statistiquement similaire à un un autre. Le principal indiquer ici être que si nous avoir deux des modèles et leur AICc différer par généralement que dix alors le données sont joli fortement suggérant que le un avec le plus petit AIC c'est le mieux modèle à être fonctionnement avec
Comme avec n'importe lequel individuel statistiques toi devrait voir le UN CCI comme un suggestion Si ton sujet matière expérience fortement suggestions un modèle sur le autre toi peut vouloir à confiance ton instinct et ignorer le recommandation de le UN Cic.
Une fois nous avoir créé ce nouveau modèle nous Peut voir que le pas zéro paramètres avoir maintenant abandonné depuis 16 à neuf Si nous vouloir à comparer si le modèle avoir amélioré nous Peut regarder mais le UN CCI valeursNous Peut voir que là c'est si amélioration de généralement que dix lequel c'est si important différence Donc, nous décidé à aller avec le meilleur sous-ensemble
Nous Je l'ai fait le de même pour Réponse 2 et alors nous déplacé sur. Maintenant nous Peut Cliquez sur sur le éd flèche et dire profileur Dans le profileur nous Peut jouer autour avec le production paramètres et voir comment le modèle c'est attendant Réponse 1 et Réponse 2 à changement Ce c'est déjà un super outil pour le scientifique à comprendre comment le modèle c'est attendant le réponses à varier mais nous Peut je donne généralement Nous Peut Cliquez sur sur optimisation et désirabilité et désirabilité les fonctions
Depuis depuis glisser un nous savoir que nous avoir deux cibles que nous vouloir à atteindre nous Peut changement le désirabilité fonction à correspondre ceux cibles Donc nous double Cliquez sur sur le Désirabilité fonction et nous dire correspondre cible et sélectionner le cible zone que nous vouloir à atteindre Enfin, nous Peut Cliquez sur encore sur optimisation et désirabilité et dire maximiser désirabilité
ici le profileur volonté essayer à atteindre le optimal points pour le production paramètres À résumer nous Peut dire que maintenant nous avoir le d'abord modèle nous aller depuis production paramètres à réponses et nous avoir ensemble deux cibles que nous vouloir à atteindre Ce chemin nous Peut obtenir idéal production paramètres que nous Peut communiquer à le développement équipe et ils Peut utiliser à se déplacer sur dans leur recherche
Dans le deuxième partager de le présentation Je suis en allant à parler à propos comment nous utiliser le IR Spectres Ici nous avoir un déposer pour chaque spectre et donc nous besoin à Cliquez sur sur déposer et importer plusieurs des dossiers Alors nous besoin à spécifier que nous vouloir le déposer à savoir à être colonnade dans le données ensemble et alors nous Peut utiliser ce échantillon nom lequel c'est le à savoir de le déposer comme si IDENTIFIANT à connecter va à le autre tableau où nous avoir tous le données Nous Cliquez sur sur le colonne et dire lien référence
Maintenant que le deux les tables sont connecté nous Peut Cliquez sur Analyser et spécialiser la modélisation et fonctionnel données explorateur Dans le fonctionnel Données explorateur nous vouloir à utiliser le intensité valeur comme le Oui sortir Nous Peut utiliser le échantillon nom matrice à savoir comme notre IDENTIFIANT fonction
Alors ce c'est très important Nous utiliser le production paramètres comme supplémentaire données Et le poids nombre c'est de bien sûr le X- axe Et nous dire "D'accord, ici nous Peut voir que le données c'est déjà faire le ménage." Nous avons importé tous le Spectres et le données regards faire le ménage parce que j'ai viens le prétraitement dehors de JMP je utilisé Python parce que Je suis généralement familier avec que et là c'est un très bon module que c'est capable à retirer le arrière-plan et ramener le gamme que nous vouloir à regarder mais
JMP était bien à travail avec comme si dehors outil après ce retraitement Alors nous décider à Cliquez sur sur des modèles et ondelettes Nous se déplacer depuis discrètement données à continu données Maintenant nous Peut aussi regarder mais le diagnostique parcelles Ce c'est pour toi Chris à prendre la parole à propos
C'est un bien idée à regarder mais réel par prédit parcelles comme toi procéder à travers un fonctionnel données analyse Ces avoir le réel observé valeurs dans le données sur le Oui axe et le prédit valeurs sur le X axe Nous vouloir le prédit valeurs à être comme fermer à le réel valeurs comme possible UN parcelle comme ce un que c'est serré le long de le 45 degré doubler indiquer que nous avoir un bien modèle
Maintenant quelques de toi peut être concerné à propos surajustement depuis le prédictions devient le données donc Bien Dans mon expérience je n'ai pas trouvé que à être un problème dans le base fonction raccord et fonctionnel principal composant pas de fonctionnel Biche analyse Identifiant aussi comme à indiquer dehors que dans JMP 17 nous avons ajoutée un parcelle de nouveau caractéristiques pour spectral prétraitement comme standard normale varier multiplicativement dispersion correction et Filtres Savitzky-Golay . Thos de toi que ne le faites pas savoir Python avoir approche à ces capacités dans JMP Pour 17.
Après que nous Peut aussi avoir un regarder mais le fonctionnel APC analyse ici Bien dépenser quelques généralement mots sur va.
Après le ondelette modèle c'est devient JMP Pour automatiquement tu fais un fonctionnel principal Composants analyse de le ondelette modèle Ce décomposer le spectres dans si dans l'ensemble signifier spectres et un linéaire combinaison de forme Composants et coefficients que sont unique à chaque échantillon spectres Quand nous je donne le fonctionnel Biche analyse Général Reg automatiquement convient des modèles à ces coefficients derrière le scènes et combine le résultant modèle avec le signifier fonction et le forme Composants à prédit le forme de le spectres mais nouveau valeurs de le saisir paramètres
Si nous regarder mais le principal composant analyse nous Peut voir que le ondelette modèle avoir créé un signifier fonction de tous le spectres que nous avons ensemble comme saisir et alors va avoir créé différent forme les fonctions Nous décidé à arrêt mais six Quoi ce forme fonction décrit c'est le variation de le données que nous sont en cours d'analyse
Comme toi Peut voir depuis le gauche le d'abord forme fonction c'est comptabilité pour 72 % de le variation alors que le deuxième c'est comptabilité pour 22 %. ensemble le compte appelé six compte pour 99,5 % de le variation Comme si exemple nous Peut regarder mais principal composant 2, et nous Peut voir que autour 3 737 là c'est un réduction Là c'est un moins Que signifier que en augmentant le principal composant 2 sera diminuer le culminer mais 3 737.
Ce c'est juste si exemple à dire que déjà depuis ces six forme les fonctions nous Peut obtenir un parcelle de information Si nous avoir sujet matière connaissance à propos le infrarouge spectroscopie et ce catalyseur système Déjà ici nous dépensé assez un parcelle de effrayé regarder mais le principal Composants mais ce c'est pas quoi nous sont en allant à se concentrer sur dans le suivant diapositives
Quoi nous vouloir à regarder mais plutôt c'est le fonctionnel Biche analyse Ici nous avoir comme Bien un profileur mais nous Peut maintenant prise le production paramètres que nous a obtenu depuis le d'abord modèle que nous développé Donc, connaissance le cible production paramètres que nous vouloir à utiliser nous Peut générer un faux spectre ou un synthétique spectre nous Peut appel va.Ce c'est un spectre de un échantillon que était jamais produit Va pourrait être faux mais va Peut donner quelques idées à le scientifiques à propos quoi toi serait attendez à obtenir depuis ces nouveau production paramètres
À Je suis en haut nous Peut dire que maintenant nous se déplacer depuis production paramètres à infrarouge spectre Nous avoir un deuxième modèle que utiliser le ondelette modèle à générer synthétique spectre je imaginer ce à être comme quand tu es pâtisserie un gâteau maintenant toi avoir le recette mais toi a obtenu aussi un instantané image de le final gâteau Va n'a pas expliquer toi comment à je donne va mais va ajouts information à propos quoi toi vouloir à atteindre
Enfin, nous Peut se déplacer depuis modèle à témoin Que signifier que nous Peut donner le R&D équipe un nouveau recette et aussi le synthétique spectre de cette recette. Ensemble avec ce information ils Peut essayer à développer le nouveau catalyseur et voir si le modèle c'est validé ou c'est faux
Un autre chose le groupe Peut je donne c'est regarder dos mais le précédent échantillons Maintenant nous avoir moitié de le échantillons que étaient pas testé Thos sont le noir points dans le glisser Nous Peut regarder pour valeurs aberrantes Il est là un échantillon que pourrait effectuer vraiment bien que nous n'ai pas regardé mais? Nous en fait avoir un Donc c'est un autre témoin nous Peut je donne
Regarder mais avenir travail je ajoutée ce glisser que était mais le début juste à dire que nous concentré sur le production paramètres et le IR spectres mais nous n'ai pas vraiment regardé mais ces 21 généralement Colonnes de caractérisation données
Dans le avenir nous pourrait dépenser quelques effrayé en essayant à identifier le la plupart de manière prévisible paramètres dans ces 21 Colonnes et créer peut être un nouveau modèle depuis ce caractérisation données à le réponse et utiliser ce modèle comme un dépistage modèle à éviter essai échantillons que serait pas effectuer comme bien C'est ça le fin de le présentation
