Bonjour, tout le monde.
Mon nom est Facture Worley,
et I suis un système ingénieur pour JMP pour le NOUS Chimie équipe.
Aujourd'hui Je suis en allant à être parler à toi à propos
Un Analytique Flux de travail pour Données et Chimiométrie Analyse avec JMP .
J'ai a peu des choses I vouloir à souligner.
Étaient en allant à être parler à propos obtenir le données dans...
En fait juste suivant le analytique flux de travail que nous partager
à propos obtenir données dans, nettoyage et mélange,
visualisation, exploratoire données analyse, bâtiment modèles.
Et alors finalement,
quoi sont toi en allant à faire avec que données et comment sont toi en allant à partager il?
Couple de des choses que sont important
sont le nouveau JMP Flux de travail Constructeur,
Je suis en allant à souligner que.
Ce est juste a instantané de quoi Je vais être montrer toi dans a petit peu.
Et le chimiométrique partie de ce est L'analyse porte sur l'analyse de l'état du sujet et de l'analyse de l'état de l'objet. L'analyse spectral données,
en utilisant fonctionnel Données Explorateur pour pré- traitement.
Et ces sont maintenant construit dans JMP.
Si tu peux voir sur ici, nous avons a obtenu a languette en haut ici dans ETP Maintenant
où toi peut choisir depuis différent types de pré- traitement,
standard, normal, variable , multiplicatif diffusion correction,
Savitzy-Golay filtration, et ligne de base correction.
Et I croire là volonté être peut être un ou deux autre des choses ajouté à que.
Juste donc toi savoir, le données que Je suis en utilisant est tiré depuis ce papier.
Vous voyez bien. vers le bas ici, retour de 2002.
Juste à laisser toi savoir, c'est où le date est à venir depuis.
Tous droite, Je suis en allant à mettre que de côté pour maintenant,
et Je suis en allant à aller devant et obtenir des choses en allant ici.
Donc J'ai a obtenu mon maison fenêtre.
Je suis en allant à aller et commencer a Déposer, Nouveau, Projet.
Et le flux de travail que Je suis en allant à être fonctionnement avec est ce un droite ici.
Je suis en allant à droite- cliquez sur que.
Je suis en allant à ouvrir il.
Quoi J'ai fait est J'ai pris le données ensemble que I vouloir à travail avec
et J'ai construit tous ces mesures dans le Flux de travail Constructeur,
et Je suis en allant à jouer que pour toi maintenant.
Donc c'est en allant à peupler notre projet ici.
Donc Je suis en allant à aller devant et frapper jouer.
Comme toi peut voir, c'est bâtiment le flux de travail, faire quelques analyse.
Étaient faire quelques modèle dépistage droite maintenant.
Et alors tout est complet.
Et maintenant nous avoir tous ces onglets à travers le haut
où nous avons complété que analyse avec le flux de travail.
J'ai en fait compris un autre tableau dans là.
Quand nous obtenir là, Je vais parler plus à propos que.
Mais nous construit ça tableau, nous tiré le tableau dans
juste à montrer vous ils sont depuis le source données.
Nous avons en fait tiré ce données dans depuis un Exceller déposer.
Obtenir le données dans JMP depuis Exceller est assez facile.
Et nous construit quelques exploratoire données analyse.
Donc le d'abord étape nous fait est faire a distribution,
et nous peut interagir avec il juste comme rien autre.
Tout est interactif depuis le Flux de travail Constructeur.
A fait quelques graphiques où I mettre le colonne commutateur dans,
ajouté le locale données filtre.
Juste donc toi savoir,
comme nous construire le flux de travail, tous ces des choses sont intégré
et le enregistrement aide toi garder piste de qu'est-ce que en allant sur.
Et toi peut voir que nous avons a obtenu complet fonctionnalité en allant sur là.
A fait quelques plus exploratoire données analyse regarder à Fit Live IX ,
faire un [inaudible 00:03:46]
comme dans ce cas,
Fit Live IX pour le temps de moulin contre dissolution,
et mélange temps contre dissolution.
Juste à obtenir dos à il,
ce est comprimé données c'est joli populaire dans le SCE communauté dans JMP.
Et Je suis juste bâtiment sur comment nous serait analyser que et construire dehors ce flux de travail.
Suivant étape serait être multi- DIVERS analyse à voir,
pour ce dissolution, lequel est notre clé performance indicateur,
quoi pourrait être n'importe lequel de le facteurs
ou quoi facteurs pourrait être très corrélé avec dissolution.
Pas vision rien c'est sauter dehors aussi beaucoup.
Nous faire avoir quelques partiel corrélation,
mais Non un facteur est sauter dehors comme
le répondre pour le données que étaient regarder à.
Nous peut obtenir a mieux compréhension de quoi facteurs pourrait être important
si nous regarder à a prédicteur dépistage.
Nous peut voir ici que nous avoir des choses appelé écran taille, moulin temps, pulvérisation taux.
Ceux regarder à être important facteurs que nous pourrait utiliser à construire a mieux modèle.
Suivant, nous peut en fait ensemble en haut a étape par étape régression.
Je suis en allant à aller ici et en fait courir ce modèle dans a deuxième.
Et alors nous avons a obtenu que sortir donc que données est là
et nous pourrait utiliser que comme nécessaire.
Donc nous construit que modèle,
et étaient dehors ici regarder à un autre taper de analyse,
lequel serait être décision arbre, une partition analyse.
Nous peut faire neural filet, construire que modèle
et nous peut faire a [inaudible 00:05:35] carrés.
Donc nous avons a obtenu tous ceux des choses ensemble.
Mais une fois tous dit et fait,
toi pourrait en fait utiliser quelque chose appelé Modèle Dépistage dans JMP Pro
à construire ces modèles dehors et trouver dehors lequel est le meilleur dans l'ensemble modèle.
Et basé sur que, nous peut voir que
a neural- boosté modèle est probablement le meilleur dans l'ensemble modèle pour nous à travail avec.
Nous peut alors prendre tous ce information,
partager il avec tous notre collègues, collègues,
personne OMS pourrait être intéressé.
Et nous peut faire ce dans plusieurs différent façons.
Un de le meilleur façons serait être à utiliser JMP L ive
et mettre tout dehors là pour gens à regarder à et partager.
C'est le d'abord partie de le analytique flux de travail.
Et encore, si nous regarder dos ici, c'est tous ensemble en haut dans ce portefeuille ici.
Et comme I dit avant, I avait ouvert un autre tableau.
Et ce est pour le partie chimiométrique de le analyse.
Ce est près- infrarouge données pour trouver le actif ingrédient dans comprimés.
Nous construit le comprimés, nous fait le comprimés.
Maintenant nous avoir à prendre le fini produit et trouver dehors qu'est-ce que il tous à propos de.
Faire nous avoir le droite actif ingrédient?
Et peut nous dire basé sur ce technique appelé près- infrarouge analyse?
Étaient en allant à étape à travers a peu différent des choses,
mais Je suis en allant à tourner que Flux de travail Constructeur dos sur
à enregistrer ces mesures.
Donc allons-y tourner que sur, allons-y aller dos à notre données ensemble,
et allons-y faire quelques analyse maintenant.
Donc I vouloir à clair dehors ces brut États d'abord.
Et maintenant I vouloir à aller à Analyser Clustering, Hiérarchique Regroupement.
Donc I a obtenu que, et J'ai a obtenu tous mon données groupes.
Donc il y a 404 longueurs d'onde que sont groupés.
Je suis en allant à tirer ceux dans, dire, d'accord.
Allons-y construire ce dehors a petit peu,
étaient en allant à regarder à trois différent groupes,
et allons-y couleur ceux groupes.
Tous droite, donc toi peut gentil de voir que,
laisser moi tirer ce vers le bas a petit peu,
vous pouvez voir que nous avons a obtenu trois groupes,
assez grand vert grappe et deux plus petit bleu et rouge.
Donc nous avons a obtenu que.
Et maintenant allons-y aller dos à notre données ensemble, et allons-y faire a Graphique Constructeur.
Donc allons-y aller à Graphique Constructeur.
Allons-y tirer notre longueurs d'onde dans,
ici à X,
faire a parallèle parcelle,
faire le ménage que en haut a petit peu,
et droite- cliquez là à combiner Balance et parallèle fusionné.
Je suis faire ces mesures joli rapide.
Ce est quelque chose vous allez vouloir à aller dos et montre encore, si c'est de intérêt.
Mais le chose I vouloir à montrer toi ici est que le données est joli dispersé,
et il y a a parcelle de ligne de base séparation,
peut être quelques additif et multiplicatif diffusion que nous besoin à faire le ménage en haut.
Donc allons-y aller dos à notre données tableau
et aller à un autre analyse étape.
Allons-y aller à a multivarié méthode.
Allons-y aller à principal composants.
Encore, Bien tirer tous notre longueurs d'onde dans.
Dis d'accord.
Et le chose I vouloir toi à note ici est que
nous avoir quelques 404 longueurs d'onde
sont tous groupés droite autour ce petit zone droite ici.
Que est très corrélé données.
Nous pourrait construire a modèle désactivé de que,
mais il peut pas être le meilleur.
Parce que étaient en allant à être y compris longueurs d'onde que sont pas de importance
parce que de le haut corrélation.
Donc Bien faire le ménage que en haut dans a petit peu.
Je vais montrer toi comment à faire le ménage que en haut dans a petit peu.
Et comme a matière de fait, allons-y aller à que étape droite maintenant.
Allons-y aller dos sur ici et aller à Analyser,
Spécialisé Modélisation.
Et étaient en allant à aller à Fonctionnel D minutes Explorateur.
Et allons-y obtenir ce ensemble en haut d'abord, et Je vais dire toi plus à propos il.
Mettons notre longueur d'onde là,
nous avoir notre actif ingrédient, lequel est a supplément variable.
Et alors notre IDENTIFIANT fonction. Là nous aller.
Dis d'accord.
Tel quel fonctions. Laisser moi faire que encore.
Actif ingrédient et notre longueurs d'onde.
Ce gentil de regard comme quoi nous scie avant dans Graphique Constructeur,
et nous vouloir à faire le ménage ce en haut.
Donc nous avons a obtenu ces nouveau onglets dans J Député Pro 17 pour Fonctionnel Données Explorateur.
Spectral est un de le onglets.
Et alors, comme nous parlé avant, nous avoir standard normale DIVERS
multiplicatif diffusion, Savitzy-Golay et ligne de base correction.
Je suis en allant à sélectionner le standard première variable normale
à nettoyage que en haut.
Et alors toi peut voir le ligne de base est a petit bancal ici.
Allons-y faire le ménage que en haut, prendre que suivant étape,
et alors aller devant et dire d'accord.
Et maintenant nous avons a obtenu que ensemble en haut.
Il regard a parcelle mieux, a parcelle nettoyeur.
Et maintenant le suivant étape serait être à modèle ce.
Étaient en allant à utiliser un autre nouveau fonction dans Explorateur de données fonctionnelles
appelé ondelettes.
C'est ondelettes modélisation ici.
Et toi peut voir vers le bas ici que notre modèle a a été construit,
et étaient explication a parcelle de le variation avec à propos
cinq fonctionnel principe composants.
Mais si toi regarder à ces, étaient explication le forme avec notre forme fonctions.
C'est où notre valeurs propres viens dans.
Ce est vraiment juste a bon chemin à regarder à le données
et faire bien sûr que notre le spectre est être Bien modélisé.
Comme I dit, nous avons a obtenu
cinq forme fonctions que sont explication des choses vraiment Bien.
Donc allons-y faire le ménage ce en haut a petit peu et tirer ce dos,
faire notre modèle a petit plus simple.
Nous ne le fera pas aller tous le chemin dos à cinq, mais Bien partir il à 10 pour maintenant.
Toi peut regarder à le score intrigues.
Il y a toujours quelques diffusion ici dans le données,
mais Bien faire le ménage que en haut dans a deuxième.
Et alors un de le autre mesures toi vouloir à prendre soins est à faire a ondelettes modèle.
Ce est nouveau dans JMP 17, ce ondelettes analyse.
Et quoi ce est vraiment tous à propos est regarder pour
peut nous trouver le important longueurs d'onde
que sont en allant à donner nous a témoin signe de qu'est-ce que en allant sur avec le données.
Et quoi Je suis regarder pour, en particulier avec le spectres,
est quelque chose où I peut voir a changement dans le ligne de base.
Et I peut voir que nous avons a obtenu a bien changement dans le ligne de base
et a regroupement de spectral longueurs d'onde autour 88 20 à peut être 88 50.
Donc c'est le important partie ici.
Donc nous obtenir un idée de quoi le important longueurs d'onde sont.
Tous le données que I avait fait en haut ici avant,
laisser moi tirer ce dos,
le pré- traitement que I avait fait avant,
I vouloir à sauvegarder que données dehors et faire quelques analyse sur il.
Donc Je suis en allant à aller ici à le Fonctionnel Données Explorateur,
sélectionner Sauvegarder Données.
Ce est en allant à être a nouveau données ensemble,
et maintenant nous avons a obtenu à faire quelques travail avec ce données et faire le ménage il en haut
et faire bien sûr étaient prêt à aller.
I vouloir à faire a transposer.
Transposer ET. X est notre étiquette.
Et ces deux baisse dans [inaudible 00:13:38] .
Voir si nous a obtenu ce droite, On y va, d'accord ?
Et Oui.
Donc nous avons nettoyé que tableau en haut, nous avons pris ceux 300 spectres,
et alors nous avons transposé eux dans un autre données tableau.
Ce est tous le pré- traité données,
donc étaient en allant à faire a peu plus des choses à ce
à montrer où que pré- traitement a vraiment nettoyé en haut le données
et où nous peut construire quelques modèles avec il.
Donc laisser moi obtenir débarrasser de ce colonne.
Tous droite, et prêt à aller.
Donc étaient en allant à faire le même chose que nous a fait avant.
Allons-y aller à Analyser, Hiérarchique Regroupement.
En fait, laisser moi prendre a étape dos ici réel rapide.
Ici, je veux regrouper ces colonnes à faire des choses a parcelle Plus facile.
Donc groupe ceux colonnes et allons-y aller dos à où nous étaient.
Allons-y aller à Analyse hiérarchique Clustering,
tirer notre colonnes dans, dire, d'accord.
Bien faire le même chose nous a fait avant, Bien regarder à trois différent groupes,
et couleur ceux groupes.
Ce volonté être a rapide comparaison,
mais si toi regarder à quoi nous a fait avant de quoi nous avons a obtenu maintenant,
nous avons a obtenu a parcelle plus serré groupes.
Et ces en fait sont joli Bien dispersé.
Ils sont joli même.
Ceux groupes sont assez même droite maintenant.
Allons-y aller dos à notre données tableau.
Allons-y aller dos à notre Graphique Constructeur
et tirer notre longueurs d'onde dans encore, nous a fait avant.
Étaient en allant à faire a parallèle parcelle dehors de ce encore.
Il n'a pas regarder super droite maintenant, mais allons-y droite- cliquez ici,
et allez à combiné Balance, parallèle fusionné.
Et maintenant toi voir que le données est vraiment nettoyé en haut
où nous a fait que pré- traitement a pris des choses à...
Ils regarder a parcelle mieux.
Allons-y voir si nous peut comparer Ça, ici.
Quoi nous avait avant, et quoi nous avoir maintenant.
Donc nous avons a obtenu que données beaucoup nettoyeur.
N'importe lequel analyse que nous faire depuis ici devrait être beaucoup mieux.
Donc allons-y aller dos à Analyser,
Multivarié M méthodes, Principe Composants.
Tirez notre longueurs d'onde dans.
Dis d'accord.
Et maintenant nous avons pris que données
et nous avons cassé que corrélation structure que nous avait avant.
Ce est actuellement après pré- traitement,
ce est quoi nous avait avant.
Juste à montrer toi le différence.
Donc nous avons vraiment faire le ménage des choses en haut.
Maintenant épouser vouloir à prendre peut être un plus étape dans le analyse.
Analysons, allons-y Qualité et Processus
Modèle- conduit multivarié Contrôle graphiques.
Étaient juste regarder pour peut être quelques inhabituel comportement dans ici.
Dans ce cas, c'est basé sur le principal composants.
Dis d'accord.
Et ce est regarder à deux principal composants.
Tu peux voir que il y a quelques potentiel valeurs aberrantes ici.
Mais ce est spectral données, étaient pas en allant à obtenir débarrasser de rien.
Nous juste vouloir à gentil de voir que.
Et un autre chose nous vouloir à regarder à est à aller à Moniteur le Processus,
étaient en allant à regarder à score intrigues.
Et maintenant nous peut regarder à notre sous-groupement vers le bas ici
et nous peut en fait comparer ces groupes.
Je suis en allant à tirer en haut a outil ici, à perdre outil.
Je suis en allant à faire mon meilleur à groupe ces, a couple de ces.
C'est en allant à être mon groupe A.
A et Je suis va faire un autre lasso ici.
Bien juste partir que comme est et aller là.
Nous saisi un de le faux ceux, mais Je pense que nous allons être d'accord.
Et maintenant nous peut comparer où étaient vision différences dans le spectres
pour ces deux sous-groupes.
Et comme je était adage avant si nous regardait droite dans ici,
ceux longueurs d'onde sont dans quelque part dans que 8800 gamme,
et alors nous peut voir que il y a a réel différence là.
O est plus chose nous vouloir à faire, et ce est le dernier étape.
Quoi Identifiant montré avant, Identifiant fait modèle dépistage,
et I vouloir à faire modèle dépistage encore.
I aller à Analyser, Prédictif Modélisation, Modèle Dépistage.
Étaient en allant à ensemble ce en haut, étaient en allant à faire notre actif.
Voici notre réponse que étaient en essayant à modèle,
et étaient en allant à utiliser notre longueurs d'onde à construire ce modèle dehors.
Je suis en allant à faire le ménage ce en haut a petit peu.
Nous ne le faites pas besoin tous ces différent modélisation types.
Étaient en allant à tirer ce dehors.
Mais le bon chose à propos ce est I peut construire tous ces modèles à une fois
et vraiment trouver dehors qu'est-ce que le meilleur modélisation approche à prendre avec ce données.
Je n'en ai pas besoin. Je n'en ai pas besoin.
Allons-y ajouter ceux.
Un chose Je suis pas aller à faire pour temps saké
est Je suis pas aller à ajouter n'importe lequel croix- validation.
Si nous prendre que dans compte,
ça va en fait courir a parcelle plus long.
Mais comme vous allez voir, ce est en allant à être assez rapide.
Je suis en allant à aller devant et dire d'accord.
Et comme ce est en allant, juste parler a petit peu plus à propos quoi étaient vision.
Étaient bâtiment dehors ces modèles.
Toi peut voir c'est marche à travers.
Et allons-y voir dans à propos un autre peu secondes le voici devrait être fait.
Là nous aller.
Prise a petit plus long.
Là nous aller.
Basé sur quoi I dit,
I n'a pas utiliser n'importe lequel validation, mais neural nécessite il.
Donc c'est le validations que toi voir là.
Mais dans l'ensemble, nous obtenir a vraiment bien idée
XG booster est en allant à être le meilleur modèle à ajuster ce données.
Nous pourrait utiliser n'importe lequel de ces autres,
parce que ils sont tous vraiment bien modèles comme Bien.
Mais toi obtenir à choisir, sélectionner un, allons-y dire partiellement carrés.
Parce que c'est le aller- à analyse méthode pour spectral données de toute façon.
Mais nous avons a obtenu que.
Nous peut dire courir, choisi,
et remplir dehors que modèle et trouver dehors, peut nous faire il même mieux?
Avec un peu de chance quoi J'ai fait et montré toi est que nous peut construire ces...
Laisser moi tirer ce dos à notre début ici.
Quelques étapes seulement.
Ce est notre flux de travail, et J'ai ajouté ceux mesures.
Donc nous avons a obtenu que tableau que étaient fonctionnement avec.
Nous dédouané le états bruts . Nous transposer le données.
Rien que nous fermé dehors est maintenant partie de que flux de travail.
Donc nous continuer à construire que flux de travail.
Un chose Je vais dire est que
I serait typiquement pas construire a flux de travail à l'intérieur a projet,
mais juste montrer toi que il peut être fait.
Laisser moi aller dos à mon glisser Ici, et partagez.
Inversons la tendance.
Un plus étape ici.
Je viens de vouloir à dire remercier toi à a peu personnes.
Jeremy Cendre, qui est Non plus long à JMP, mais il est a super inspiration pour ce.
Marque Bailey a a été a super aide.
Ryan Parker et Argile Aboyeur avoir fait vraiment fantastique des choses
avec genreg et Fonctionnel Données Explorateur.
Chris Gotwalt a a été vraiment utile dans obtenir des choses ensemble en haut.
Et alors Mon Stevens a a été a réel soutien personne
dans portion moi construire le spectral analyse dehors dans JMP.
Donc I vraiment apprécier tout et que Je vais dire remercier toi.
C'est il.
