L'échantillonnage de points à partir de données courbes n'est généralement pas le moyen le plus précis de créer un modèle prédictif. Dans de nombreux cas, les points échantillonnés ne tiennent pas compte de la variabilité qui pourrait avoir un impact sur les résultats.Cette démo utilise une étude de cas pour montrer comment utiliser l'explorateur de données fonctionnel de JMP pour relever ce défi.
L'étude de cas : Utilisez des spectres pour déterminer les facteurs qui permettront de prédire l'indice d'octane de l'essence.
Les principales étapes :
- Y est l'absorbance, X est la longueur d'onde, ID Function est l'échantillon associé à chaque spectre et utilisez le rôle supplémentaire Z pour la réponse que vous souhaitez prédire.
- Utilisez de manière interactive Nettoyer, Transformer et Aligner à partir de l'interface FDE pour vous concentrer sur la région d'intérêt dans les spectres avant de créer le modèle.
- Construisez le modèle de base pour définir la forme des spectres.
- Interprétez la précision du modèle en examinant les graphiques et en examinant les critères de sélection du modèle.
- Interagissez avec Functional Principal Component Profiler pour voir comment les spectres changent à mesure que les composants principaux changent. Utilisez Functional DOE Profiler pour voir à quoi ressemblent les spectres pour différents niveaux de réponse.
- Extraire l'analyse des composantes principales fonctionnelles dans un tableau distinct du rapport des résumés fonctionnels ; utilisez le nouveau tableau pour créer un modèle prédictif pour votre réponse.
Questions répondues par Jason Wiggins @Jason_Wiggins , @Peter_Hersh et @jiancao après la démo :
Q : Les nombres bleus dans les intervalles de confiance de 95 % du Prediction Profiler (Octane) ?
R : Oui
Q : Que sont les valeurs propres et comment sont-elles utilisées dans l’analyse actuelle ?
UN: Valeurs propres représentent les écarts des composants fonctionnels principaux. Dans l'exemple ci-dessous, la variance pour la composante principale 1 représente 79,4 % de la variance des données. Et chaque FPC est une combinaison de vos variables d'entrée d'origine.
Eigen Values ExampleExemple de valeurs propres
Q : Existe-t-il un seuil de valeurs propres qui suggère quel FPC est le plus contributif ?
R : Si la valeur propre définit au moins 1 % de votre variance, elle sera incluse. Vous pouvez personnaliser sous Résumés fonctionnels.
Q : Pouvez-vous inclure un facteur non fonctionnel avec des facteurs fonctionnels ?
R : Oui, transmettez simplement cette variable dans une analyse et elle apparaîtra dans une colonne et le modèle l'utilisera comme valeur, des facteurs Z supplémentaires qui seront inclus dans les formes.
Q : Comment reliez-vous le FPC aux facteurs expérimentaux ?
R : Voir Comprendre et modéliser les courbes de réponse présentation et matériel par Jason Wiggins et Peter Hersh.
Q : Lors des tests suivants, vous obtiendrez un spectre et pour prédire les résultats, vous aurez besoin de vos composants principaux fonctionnels.Réexécutez-vous FDE pour que ces FPC se connectent à votre modèle de prédiction ?
R : Pour l’instant, oui.Vous réexécutez le modèle pour créer les nouveaux composants de données fonctionnelles, puis utilisez ces nouvelles données comme données de validation.
Model Summaries Extracted to New TableRésumés de modèles extraits dans un nouveau tableau
Q : Existe-t-il un moyen d'augmenter les nœuds pour améliorer l'ajustement ?
R : Oui, si l'ajustement d'origine continue d'augmenter avec plus de nœuds, cela peut valoir la peine d'envisager de changer les nœuds et/ou de recommencer en utilisant une gamme de nœuds. Vous pouvez également utiliser p-spline.
Q : Pouvez-vous identifier la longueur d’onde qui peut être la plus sensible à l’octane ?
R : Oui, nous explorons FDOE Profiler et expérimentons différentes options ici, notamment un simulateur.
Q : Pouvez-vous modifier l’ordre des étapes que vous utilisez lors du nettoyage des données ?
R : Vous pouvez effectuer les étapes dans n’importe quel ordre.Ils s'appuient les uns sur les autres, donc si vous souhaitez refaire l'ordre, nous vous suggérons de continuer à supprimer les dernières étapes jusqu'à ce que vous arriviez à la première étape avec un résultat que vous aimez, puis de continuer.
Data Cleanup StepsÉtapes de nettoyage des données
Q : Pouvez-vous définir des limites (max, min, valeur cible) sur Prediction Profiler ?
R : Oui, les profileurs fonctionnent comme tous les profileurs de prédiction. Vous pouvez également inclure le contrôle Extrapolation pour vous assurer que vous ne variez pas en dehors d'une région de forme normale.JMP intègre un avertissement si vous extrapolez en dehors de la zone de confort.
Extrapolation Control Step 1Contrôle d'extrapolation Étape 1
Q : Comment obtenez-vous l’indicateur de sensibilité ?
R : Il s’agit d’une option du triangle rouge du Prediction Profiler. Affiche ou masque un triangle violet dont la hauteur et la direction correspondent à la valeur de la dérivée partielle de la fonction de profil à sa valeur actuelle. Ceci est utile dans les grands profils pour pouvoir repérer rapidement les cellules sensibles.
Extrapolation Control Step 2Contrôle d'extrapolation Étape 2
Q : Pouvez-vous exécuter une simulation Monte Carlo à partir du profileur FDOE et, si oui, serait-elle utile ?
R : Oui, c'est possible et vous pouvez simuler des valeurs qui ne figurent pas dans le tableau de données.Voici comment:
Q : Comment avez-vous fait apparaître le graphique des spectres dans une colonne du tableau de données ?
R : Après avoir exécuté le modèle, dans le triangle rouge des résumés fonctionnels, sélectionnez Personnaliser les résumés fonctionnels, puis cochez la case Enregistrer le graphique.
