Dieses Video wurde im August 2024 aktualisiert.
Das Auswählen von Punkten aus gekrümmten Daten ist normalerweise nicht die genaueste Methode zum Erstellen eines Vorhersagemodells. In vielen Fällen übersehen die ausgewählten Punkte Variabilitäten, die das Ergebnis beeinflussen könnten. Diese Demo zeigt anhand einer Fallstudie, wie Sie mit dem funktionalen Daten-Explorer von JMP diese Herausforderung bewältigen können.
Die Fallstudie: Verwenden Sie Spektren, um Faktoren zu bestimmen, die die Oktanzahl von Benzin vorhersagen.
Die wichtigsten Schritte:
- Y ist die Absorption, X ist die Wellenlänge, die ID-Funktion ist die mit jedem Spektrum verknüpfte Probe und verwenden Sie die Zusatzfunktion Z für die Reaktion, die Sie vorhersagen möchten.
- Verwenden Sie interaktiv die Funktionen „Bereinigen“, „Transformieren“ und „Ausrichten“ der FDE-Schnittstelle, um sich vor dem Erstellen des Modells auf den interessierenden Bereich in den Spektren zu konzentrieren.
- Erstellen Sie das Basismodell, um die Form der Spektren zu definieren.
- Interpretieren Sie die Genauigkeit des Modells, indem Sie Diagramme untersuchen und die Modellauswahlkriterien beachten.
- Interagieren Sie mit dem Functional Principal Component Profiler, um zu sehen, wie sich Spektren ändern, wenn sich Hauptkomponenten ändern. Verwenden Sie den Functional DOE Profiler, um zu sehen, wie die Spektren bei unterschiedlichen Antwortstufen aussehen.
- Extrahieren Sie die funktionale Hauptkomponentenanalyse aus dem Bericht „Funktionale Zusammenfassungen“ in eine separate Tabelle. Verwenden Sie die neue Tabelle, um ein Vorhersagemodell für Ihre Antwort zu erstellen.
Fragen beantwortet von Jason Wiggins @Jason_Wiggins , @Peter_Hersh bei den Live-Webinaren:
F: Wann würden Sie B-Splines anstelle einer direkten funktionalen PCA verwenden?
A: Es ist so einfach, verschiedene Modelloptionen auszuführen, dass ich sie alle ausprobieren würde. Ich mag die Einfachheit der B-Splines, die die Daten einfach in Segmente aufteilen . Wenn ich Daten segmentiere, schlägt JMP vor, wie viele Segmente ich verwenden sollte, und ich zeichne entweder eine gerade Linie, eine gekrümmte Linie oder etwas mit zwei Kurven. Direct Functional PCA ist ein großartiges Tool. Ich würde das Modell auswählen, das am besten passt, und ich denke, es ist fair genug, sie alle auszuführen.
F: Wie kann man überprüfen, ob das Modell übertrainiert ist?
A: Im Setup können Sie eine Validierung hinzufügen. Sie möchten sicherstellen, dass diese Validierung gruppiert ist, sodass ganze Spektren entweder Training oder Validierung sind. Im Video unten erfahren Sie, wie Sie dies einrichten.
F: Wie können wir das FDE-Modell speichern, sodass wir zu einem späteren Zeitpunkt neue Spektren durchlaufen können, um diese Eigenwerte zu erhalten?
A: Diese Funktion ist eine bekannte Funktionsanforderung. Derzeit fügen Sie Ihrem Set zusätzliche Daten hinzu und nennen es Validierungsdaten. Sie müssen es dennoch erneut ausführen. Siehe Video unten.
F: Gibt es Annahmen zur Berechnung von Formfunktionen?
A: JMP-Trainer Di Michelson @Di_Michelson hat eine Reihe von DeeperDive -Videos veröffentlicht, in denen die Berechnungen beschrieben werden.
F: Was ist der Unterschied zwischen diesem Ansatz und der manuellen Verwendung von PCA zum Reduzieren der Spektren und anschließenden Erstellen eines Modells auf Grundlage dieser Komponenten?
A: PCA erfordert Wellenlängenspalten als Spaltenüberschriften, daher muss alles gleichmäßig verteilt sein und bei jedem Wert gemessen werden. Für einige Daten ist dies nicht möglich. In FDE ist dies nicht erforderlich. Für das Demobeispiel könnten Sie es neu formatieren und andersherum aufteilen. PCA fasst jedoch nur Ys zusammen und kann nicht optimieren, wie sich etwas direkt auf die Form auswirkt.
F: Sind die blauen Zahlen im Prediction Profiler (Octane) 95 %-Konfidenzintervalle?
Antwort: Ja
F: Was sind Eigenwerte und wie werden sie in der Stromanalyse verwendet?
A: Eigenwerte stellen die Varianzen der funktionalen Hauptkomponenten dar. Im folgenden Beispiel macht die Varianz für Hauptkomponente 1 79,4 % der Varianz in den Daten aus. Und jede FPC ist eine Kombination Ihrer ursprünglichen Eingabevariablen.
Eigen Values ExampleBeispiel für eigene Werte
F: Gibt es einen Schwellenwert für die Eigenwerte, der darauf hinweist, welcher FPC den größeren Beitrag leistet?
A: Wenn der Eigenwert mindestens 1 % Ihrer Varianz definiert, wird er einbezogen. Sie können dies unter „Funktionale Zusammenfassungen“ anpassen.
F: Können Sie einen nicht-funktionalen Faktor zu den funktionalen Faktoren zählen?
A: Ja, geben Sie diese Variable einfach in einer Analyse weiter. Sie wird in einer Spalte angezeigt und vom Modell als Wert sowie als zusätzliche Z-Faktoren verwendet, die in die Formen einbezogen werden.
F: Wie verknüpfen Sie FPC mit experimentellen Faktoren?
A: Siehe die Präsentation und Materialien „Understanding and Modeling Response Curves“ von Jason Wiggins und Peter Hersh.
F: Bei nachfolgenden Tests erhalten Sie ein Spektrum und um Ergebnisse vorherzusagen, benötigen Sie Ihre funktionalen Hauptkomponenten. Führen Sie FDE erneut aus, um diese FPCs in Ihr Vorhersagemodell einzubinden?
A: Ab sofort ja. Sie führen das Modell erneut aus, um die neuen funktionalen Datenkomponenten zu erstellen, und verwenden diese neuen Daten dann als Validierungsdaten.
Model Summaries Extracted to New TableIn neue Tabelle extrahierte Modellzusammenfassungen
F: Gibt es eine Möglichkeit, die Anzahl der Knoten zu erhöhen, um die Passform zu verbessern?
A: Ja, wenn die ursprüngliche Passung mit mehr Knoten immer besser wird, kann es sich lohnen, die Knoten zu ändern und/oder den Vorgang mit einer Reihe von Knoten erneut auszuführen. Sie können auch P-Spline verwenden.
F: Können Sie die Wellenlänge identifizieren, die möglicherweise empfindlicher auf die Oktanzahl reagiert?
A: Ja, wir erkunden FDOE Profiler und experimentieren hier mit Optionen, einschließlich eines Simulators.
F: Können Sie die Reihenfolge der Schritte ändern, die Sie bei der Datenbereinigung verwenden?
A: Sie können die Schritte in beliebiger Reihenfolge ausführen. Sie bauen aufeinander auf. Wenn Sie also die Reihenfolge ändern möchten, empfehlen wir Ihnen, die letzten Schritte so lange zu entfernen, bis Sie beim ersten Schritt mit einem Ergebnis angekommen sind, das Ihnen gefällt. Fahren Sie dann fort.
Data Cleanup StepsSchritte zur Datenbereinigung
F: Können Sie für den Prediction Profiler Grenzwerte (Max., Min., Zielwert) festlegen?
A: Ja, die Profiler funktionieren wie alle Prediction Profiler. Sie können auch die Extrapolationssteuerung einbeziehen, um sicherzustellen, dass Sie nicht außerhalb eines normalen Formbereichs variieren. JMP integriert eine Warnung, wenn Sie außerhalb der Komfortzone extrapolieren.
Extrapolation Control Step 1Extrapolationskontrolle Schritt 1
F: Wie erhalten Sie den Sensitivitätsindikator?
A: Dies ist eine Option des roten Dreiecks des Prediction Profiler. Zeigt oder verbirgt ein violettes Dreieck, dessen Höhe und Richtung dem Wert der partiellen Ableitung der Profilfunktion bei ihrem aktuellen Wert entsprechen. Dies ist bei großen Profilen nützlich, um die empfindlichen Zellen schnell erkennen zu können.
Extrapolation Control Step 2Extrapolationskontrolle Schritt 2
F: Können Sie vom FDOE Profiler aus eine Monte-Carlo-Simulation ausführen und wäre das, falls ja, sinnvoll?
A: Ja, das ist möglich. Sie können auch Werte simulieren, die nicht in der Datentabelle enthalten sind. So funktioniert es:
F: Wie haben Sie es geschafft, dass das Spektrendiagramm in einer Datentabellenspalte angezeigt wird?
A: Nachdem Sie das Modell ausgeführt haben, wählen Sie im roten Dreieck „Funktionszusammenfassungen“ die Option „Funktionszusammenfassungen anpassen“ aus und aktivieren Sie anschließend das Kontrollkästchen „Diagramm speichern“.
