El muestreo de puntos a partir de datos curvos no suele ser la forma más precisa de crear un modelo predictivo. En muchos casos, los puntos muestreados pasan por alto la variabilidad que podría afectar el resultado.Esta demostración utiliza un estudio de caso para mostrar cómo utilizar el Explorador de datos funcional de JMP para abordar este desafío.
El estudio de caso: Utilice espectros para determinar los factores que predecirán el octanaje de la gasolina.
Los pasos principales:
- Y es la absorbancia, X es la longitud de onda, la función ID es la muestra asociada con cada espectro y utiliza la función suplementaria Z para la respuesta que desea predecir.
- Utilice de forma interactiva Limpiar, Transformar y Alinear desde la interfaz FDE para centrarse en la región de interés en los espectros antes de construir el modelo.
- Construya el modelo base para definir la forma de los espectros.
- Interpretar la precisión del modelo examinando gráficos y observando los criterios de selección del modelo.
- Interactúe con Functional Principal Component Profiler para ver cómo cambian los espectros a medida que cambian los componentes principales. Utilice Functional DOE Profiler para ver cómo se ven los espectros para diferentes niveles de respuesta.
- Extraiga el análisis de componentes principales funcionales en una tabla separada del informe de resúmenes funcionales; utilice la nueva tabla para construir un modelo predictivo para su respuesta.
Preguntas respondidas por Jason Wiggins @Jason_Wiggins , @Peter_Hersh y @jiancao después de la demostración:
P: ¿Los números azules en el Prediction Profiler (Octane) tienen intervalos de confianza del 95%?
R: Sí
P: ¿Qué son los valores propios y cómo se utilizan en el análisis actual?
A: Valores propios representan las variaciones de los componentes principales funcionales. En el siguiente ejemplo, la varianza del Componente Principal 1 representa el 79,4 % de la varianza de los datos. Y cada FPC es una combinación de sus variables de entrada originales.
Eigen Values ExampleEjemplo de valores propios
P: ¿Existe un umbral de valores propios que sugiera qué FPC es más contributivo?
R: Si el valor propio define al menos el 1 % de su variación, se incluirá. Puede personalizarlo en Resúmenes funcionales.
P: ¿Puedes incluir un factor no funcional con factores funcionales?
R: Sí, simplemente pase esa variable en un análisis y aparecerá en una columna y el modelo la usará como valor, factores Z adicionales que se incluyen con las formas.
P: ¿Cómo se vincula el FPC con los factores experimentales?
R: Ver Comprensión y modelado de curvas de respuesta presentación y materiales de Jason Wiggins y Peter Hersh.
P: En pruebas posteriores, obtendrá un espectro y para predecir los resultados necesitará sus componentes principales funcionales.¿Vuelve a ejecutar FDE para que esos FPC se conecten a su modelo de predicción?
R: Por ahora sí.Vuelva a ejecutar el modelo para crear los nuevos componentes de datos funcionales y luego utilice esos nuevos datos como datos de validación.
Model Summaries Extracted to New TableResúmenes de modelos extraídos a una nueva tabla
P: ¿Existe alguna forma de aumentar los nudos para mejorar el ajuste?
R: Sí, si el ajuste original sigue aumentando con más nudos, puede valer la pena explorar cambiar los nudos y/o volver a ejecutar usando una variedad de nudos. También puedes usar p-spline.
P: ¿Puedes identificar la longitud de onda que puede ser más sensible al octanaje?
R: Sí, exploramos FDOE Profiler y experimentamos con opciones aquí, incluido un simulador.
P: ¿Puedes cambiar el orden de los pasos que utilizas en la limpieza de datos?
R: Puedes realizar los pasos en cualquier orden.Se complementan entre sí, por lo que si desea rehacer el pedido, le sugerimos que siga eliminando los últimos pasos hasta llegar al primer paso con un resultado que le guste y luego continúe.
Data Cleanup StepsPasos de limpieza de datos
P: ¿Se pueden establecer límites (máximo, mínimo, valor objetivo) en Prediction Profiler?
R: Sí, los generadores de perfiles funcionan como todos los generadores de perfiles de predicción. También puede incluir el control Extrapolación para asegurarse de no variar fuera de una región de forma normal.JMP incorpora una advertencia si extrapola fuera de la zona de confort.
Extrapolation Control Step 1Control de extrapolación Paso 1
P: ¿Cómo se obtiene el indicador de sensibilidad?
R: Es una opción del triángulo rojo de Prediction Profiler. Muestra u oculta un triángulo violeta cuya altura y dirección corresponden al valor de la derivada parcial de la función de perfil en su valor actual. Esto es útil en perfiles grandes para poder detectar rápidamente las células sensibles.
Extrapolation Control Step 2Control de extrapolación Paso 2
P: ¿Se puede ejecutar una simulación de Monte Carlo desde FDOE Profiler y, de ser así, sería útil?
R: Sí, es posible y puede simular valores que no están en la tabla de datos.Aquí es cómo:
P: ¿Cómo hiciste que el gráfico de espectro apareciera en una columna de la tabla de datos?
R: Después de ejecutar el modelo, en el triángulo rojo Resúmenes funcionales, seleccione Personalizar resúmenes funcionales y luego marque la casilla Guardar gráfico.
