光譜資料的PCA+聚類分析你好！
我想知道是否有人可以幫助我完成對光譜資料進行 PCA + 聚類分析的步驟？
我已經標準化了所有光譜數據（強度）。我的樣品成分各異，然後每個樣品都經過不同的處理步驟。我希望多元技術可以透過討論在聚類樣本方面哪個更好（組成或處理步驟）來幫助我。
如果有用的話，我附上了我的數據的簡短版本。
提前致謝！
瑪麗安娜
進階統計建模回覆：光譜資料的PCA+聚類分析嗨@Mariana_Aguilar ，
我看到至少有 2 個選項可用於探索曲線資料集（第一個使用 JMP，第二個使用 JMP Pro）：
- 使用 JMP ：您可以使用具有堆疊資料格式的擬合曲線平台，將「歸一化強度」設為 Y，將「波長 (nm)」設為 X，將「樣本」設為 By 變數。然後，您可以將偏斜常態峰值（在紅色小三角中的峰值模型中可用）擬合到 4 個樣本，並提取擬合曲線參數：位置、尺度、偏斜和峰值（右鍵單擊表“參數估計值」並點選「製作組合資料表」）。將以堆疊格式開啟一個新表。
您可以拆分此表並使用 PCA 平台中的參數估計來評估兩個過程和組成的相似/不同程度：
大多數變化似乎來自過程，第一主成分造成了參數值約 95% 的變化，並與過程相關。
分層聚類也會向您表明，樣本之間的最大差異可能與過程差異有關（巴氏殺菌與分散，聚類中的第一次分割）：
-
使用 JMP Pro ：您可以使用具有堆疊資料格式的功能資料瀏覽器，將「歸一化強度」設為Y、輸出，將「波長(nm)」設定為X、輸入，將「樣本」設定為ID 、函數變數。
然後，您可以將 B 樣條模型擬合到曲線數據，並且具有 17 個樣條的三次模型應該可以很好地工作：
然後，您可以直接查看分數圖，以視覺化具有一兩個功能主成分的樣本：
您將再次看到該過程似乎是樣品曲線輪廓中最大的差異（對應於 FPC1 負責曲線數據中 99.8% 的變化）。
這個過程重要性結論也可以透過圖形產生器輕鬆視覺化（兩個樣本 ID 非常相似，但曲線的變化主要歸因於過程差異）：
請找到腳本來遵循所附資料表中所述的分析。
希望這兩個解決方案可以幫助你
回覆：光譜資料的PCA+聚類分析嗨@Mariana_Aguilar ，
我建議您查看來自@Bill_Worley的光譜資料多元分析中的以下資源，它們將使您很好地了解 JMP 中的相關工具以提供協助：
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
謝謝，
本
回覆：光譜資料的PCA+聚類分析嗨，維克多，感謝您的友好而徹底的回答。
如果你不介意的話我還有幾個問題...
1. 對於第一個選項（使用「擬合曲線」選單）。我似乎無法在“峰值模型”選單下找到“傾斜正常峰值”。我嘗試過使用高斯（綠色），但至少在視覺上它似乎不太合適。然後我嘗試使用 ExGaussian，這似乎更好，但是，我不確定是否會在擬合曲線參數中引入更多複雜性？
我的第二個問題是關於第二個選擇。
在功能資料瀏覽器平台中，您知道如何保存所獲得的主成分以便我可以繼續進行層次聚類嗎？ （或者平台內是否有另一個選項可以繼續進行叢集？）
太感謝了！
瑪麗安娜
回覆：光譜資料的PCA+聚類分析哦，我還有一個疑問！
在函數式資料瀏覽器平台中，首先使用 B-Spline 來預處理資料與直接使用模型選單上的直接函數式 PCA（紅色三角形下方）有什麼區別：
謝謝你！
回覆：光譜資料的PCA+聚類分析嗨@Mariana_Aguilar ，
關於您的問題：
- 我認為這種新模型類型「 偏斜正態峰值」僅在 JMP 18 中引入，因此如果您使用 JMP 17，您將只能訪問您提到的三個選項： 擬合曲線選項
如果您暫時無法使用 JMP 18，我同意 ExGaussian 可能是更合適的建模選項，因為您的峰值似乎有點傾斜。如果您有對稱的高斯峰值，則高斯峰值模型更合適。
我不明白 ExGaussian 如何在模型中增加更多“複雜性”，因為 ExGaussian 和 Gaussian 之間的模型複雜性僅存在一個參數的差異。查看資訊準則AICc和BIC，可以看到增加一個參數確實改善了建模，模型擬合度和模型複雜度之間有更好的平衡（資訊準則AICc/BIC越低越好）。
- 在Functional Data Explorer平台中，您可以儲存函數主成分：進入「 函數摘要」面板，按一下紅色三角形，然後您可以自訂並儲存函數摘要和FPC：
查看分數圖時，您可以使用 FPC 在 2D 圖中直接視覺化您的樣本：
我希望這些補充性的答案能對您有所幫助，
回覆：光譜資料的PCA+聚類分析嗨@Mariana_Aguilar ，
差異在於資料的使用和預處理方式，正如您所提到的：使用 B 樣條曲線或 P 樣條曲線，您首先使用與原始曲線資料相對應的模型，然後您可以根據這個模型（近似值）。
使用直接函數 PCA 等直接模型，您可以直接對原始資料執行奇異值分解 (SVD)，以提取特徵值和特徵函數。更多資訊請參閱： 功能模型擬合的類型
要確定合適的選項，您可以擬合不同的模型並根據統計指標（例如資訊標準 AICc 和 BIC）評估它們，並使用診斷圖的視覺化來評估模型的充分性/精確度。在您的情況下，在用曲線資料提取函數主成分之前應用 B 樣條似乎是一個不錯的選擇，因為模型的殘差非常低且均勻，與直接函數 PCA 的殘差不同：
B 樣條的診斷圖：
Direct FPCA 的診斷圖：
希望這個回答對你有幫助
回覆：光譜資料的PCA+聚類分析謝謝維克多！
