光谱数据的 PCA + 聚类分析你好！
我想知道是否有人可以帮助我完成光谱数据的 PCA + 聚类分析的步骤？
我已经对所有光谱数据（强度）进行了归一化。我的样本成分各异，然后每个样本都经过不同的处理步骤。我希望多变量技术可以帮助我讨论在聚类样本方面哪个更好（成分或处理步骤）。
如果有用的话，我附上了我的数据的简短版本。
提前致谢！！
马里亚纳
高级统计建模回复：光谱数据的 PCA + 聚类分析嗨@Mariana_Aguilar ，
我看到至少有2个选项可以探索曲线数据集（一个使用JMP，第二个使用JMP Pro）：
- 使用 JMP ：您可以使用平台的“拟合曲线”和堆叠数据格式，将“强度归一化”设置为 Y，“波长 (nm)”设置为 X，“样本”设置为按变量。然后，您可以将斜正态峰（在红色三角形中的峰值模型中可用）拟合到 4 个样本，并提取拟合曲线参数：位置、尺度、斜率和峰值（右键单击表“参数估计”，然后单击“制作组合数据表”）。将以堆叠格式打开一个新表。
您可以拆分此表并使用 PCA 平台中的参数估计值来评估两个过程和组成的相似/不同程度：
大多数变化似乎来自于过程，其中第一个主成分负责参数值大约 95% 的变化并且与过程相关。
层次聚类还会向您显示，样本之间的最大差异可能与工艺差异有关（巴氏灭菌与分散，聚类中的第一次分割）：
-
使用 JMP Pro ：您可以使用具有堆叠数据格式的功能数据资源管理器，将“强度归一化”设置为 Y，输出，“波长 (nm)”设置为 X，输入和“样本”设置为 ID，函数变量。
然后，你可以将 B 样条模型拟合到曲线数据中，并且具有 17 条样条的三次模型应该可以很好地运行：
然后，您可以直接查看得分图，以使用一个或两个功能主成分来可视化您的样本：
您将再次看到，该过程似乎是样品曲线轮廓中最大的差异（对应于 FPC1 导致曲线数据变化的 99.8％）。
该过程重要性结论也可以很容易地通过图形生成器可视化（两个样本ID非常相似，但曲线的变化主要可以归因于过程差异）：
请在所附数据表中找到遵循此处描述的分析的脚本。
我希望这两种解决方案能帮助你，
回复：光谱数据的 PCA + 聚类分析嗨@Mariana_Aguilar ，
我建议您查看@Bill_Worley提供的有关光谱数据的多元分析的以下资源，它们将帮助您很好地理解 JMP 中的相关工具以提供帮助：
https://www.jmp.com/en_be/articles/analyzing-spectral-data-multivariate-methods.html
https://community.jmp.com/t5/Mastering-JMP/Building-Predictive-Models-for-Corlated-and-High-Dimensional/ta-p/618888
https://community.jmp.com/t5/Discovery-Summit-Americas-2020/Using-Multivariate-Tools-in-JMP-for-Analysis-of-Spectral-Data/ta-p/281561
谢谢，
本
回复：光谱数据的 PCA + 聚类分析你好 Victor，谢谢你友好而详尽的回答。
如果您不介意的话我还有几个问题……
1. 对于第一个选项（使用“拟合曲线”菜单）。我似乎无法在“峰值模型”菜单下找到“倾斜正态峰值”。我尝试使用高斯（绿色），但至少从视觉上看，它似乎不太合适。然后我尝试使用 ExGaussian，它似乎更好，但我不确定我是否会在拟合曲线参数中引入更多复杂性？
我的第二个问题是关于第二种选择。
从功能数据探索平台，您知道如何保存获得的主成分，以便我可以继续进行层次聚类吗？（或者平台内是否有另一个选项可以继续进行聚类？）
太感谢了！
马里亚纳
回复：光谱数据的 PCA + 聚类分析噢，如果我可以的话，我还有一个疑问！
在函数数据探索平台中，首先进行 B-Spline 预处理数据与直接在模型菜单上（红色三角形下）使用直接函数 PCA 有什么区别：
谢谢你！
回复：光谱数据的 PCA + 聚类分析嗨@Mariana_Aguilar ，
关于您的问题：
- 我认为这种新的模型类型“ 斜正态峰”仅在 JMP 18 中引入，因此如果您使用 JMP 17，您将只能访问您提到的三个选项： 拟合曲线选项
如果您暂时无法使用 JMP 18，我同意 ExGaussian 可能是一个更合适的建模选项，因为您的峰值似乎有点倾斜。如果您有对称高斯峰值，高斯峰值模型更合适。
我不明白 ExGaussian 如何增加模型的“复杂性”，因为 ExGaussian 和 Gaussian 之间的模型复杂性只有一个参数的差异。查看信息标准 AICc 和 BIC，您可以看到添加一个参数确实可以改善建模，模型拟合度和模型复杂性之间的平衡更好（信息标准 AICc/BIC 越低越好）。
- 在功能数据探索器平台中，您可以保存功能主成分：进入“ 功能摘要”面板，单击红色三角形，然后从那里您可以自定义和保存功能摘要和 FPC：
查看评分图时，你可以直接使用 FPC 在 2D 图中直观地看到你的样本：
我希望这些补充答案能对你有所帮助，
回复：光谱数据的 PCA + 聚类分析嗨@Mariana_Aguilar ，
不同之处在于如何使用和预处理数据，正如您所提到的：使用 B 样条线或 P 样条线，首先使用与原始曲线数据相对应的模型，然后可以根据该模型计算函数主成分（近似值）。
使用直接模型（如直接函数式 PCA），您可以直接对原始数据执行奇异值分解 (SVD) 以提取特征值和特征函数。更多信息请见此处： 函数式模型拟合类型
要确定哪种选择合适，您可以拟合不同的模型并根据统计指标（如信息标准 AICc 和 BIC）对其进行评估，并使用诊断图的可视化来评估模型的充分性/精度。 就您而言，在使用曲线数据提取函数主成分之前应用 B 样条线似乎是一个不错的选择，因为与直接函数 PCA 不同，模型的残差非常低且均匀：
B 样条线的诊断图：
直接 FPCA 的诊断图：
希望这个答案能帮助你，
回复：光谱数据的 PCA + 聚类分析谢谢你，维克多！
