Hallo, Ich bin Chris Gotwalt mit JMP, Und Mein Mit- Moderator, Josef Von Martino aus Topsoe , Und I Sind Geben a Präsentation Das erzählt Die Geschichte von a Daten Analyse Projekt Das Vitrinen Die neu Wavelet Analyse In Die Funktionalität Daten Forscher, eins von Die am meisten spannend neu Fähigkeiten In JMP 17.
Der Fall Studie beginnt mit a Produkt Formulierung Problem Wo Oberteile Sind Sie gesucht Zu Design a Katalysator Das optimiert zwei Antworten, Aber Die Antworten Sind In Konflikt mit eins ein anderer In Das Verbesserung eins Antwort oft kommt bei Die Kosten von Die andere.
A Kandidat für Die optimal Abtausch War gefunden mit Modelle fit von Die verallgemeinert Regression Plattform, Und Die optimal Faktor Einstellungen war gefunden mit Die Erwünschtheit Funktionen In Die Profiler. Das War a ziemlich Standard Damhirschkuh Analyse. Aber In Zusatz Zu Die gemessen Antworten, NIR Spektren war genommen aus manche, Aber nicht alle von Die Probe Chargen. Das Ist Information Das dürfen Sei gebraucht Zu geben a Hinweis Zu Die Forschung und Entwicklung Team um Was Die chemisch Struktur von Die Ideal Formulierung sollen sehen wie.
In Zusatz Zu Die GenReg Modell von Die Antworten, Wir Auch gebraucht Wavelet Modelle als Die Basis Funktion von a funktional Damhirschkuh Analyse von Die Spektren mit Die Damhirschkuh Faktoren als Eingänge. Wir war Dann fähig Zu erhalten a Synthetik Spektren von Die optimal Formulierung von Einstecken In Die optimal Faktor Einstellungen gefunden In Die anfänglich Analyse von Die zwei kritisch Antworten.
Vor gehen hinein Die Präsentation, I wollen Zu Punkt aus Das bei Die Anfang von Die Projekt, Josef War sehr neu Zu JMP Und nicht haben a Hintergrund In Das Typ von statistische Analyse. Josef gelernt alle Er benötigt Zu Tun Die Analyse An sein eigen nach a Paar von Web Tagungen mit Mich.
Das offensichtlich zeigt er ist a clever Kerl, Aber Auch Das JMP macht Lernen Wie Zu Tun manche sehr anspruchsvoll Daten Analyse Projekte schnell Und einfach. Jetzt Ich bin gehen Zu Hand Die zeigen über Zu Josef.
Dank Du, Chris. Hier Ist manche Hintergrund um unser Projekt. Es ist a Katalysator Entwicklung Projekt. Daher, Wir Sind Entwicklung viele anders Rezepte. Jede Rezept hat a einzigartig Satz von Produktion Parameter, Und einmal Die Probe Ist vorbereitet, Wir charakterisieren Es In unser Analyse Labor In Topsoe. Und Endlich, Wir Tun a Leistung prüfen.
Während Die Leistung prüfen, Wir sehen für zwei Werte Das Hier Wir Anruf Antwort 1 Und Antwort 2. In Das spezifisch Fall, Wir Sind versuchen Zu minimieren Antwort 1 Weile Maximierung Antwort 2. Das Wille führen uns Zu Das Ideal Raum In Die Spitze links Ecke von Die Graph. Aber als Du dürfen sehen, Die 55 Proben Das wir haben getestet erhalten gesteckt In Die Mitte von Die Graph. Das Ist Weil Antwort 1 Und Antwort 2 Sind inter- korreliert, Bedeutung Das Verbesserung eins kommt mit Die Kosten von Die andere.
Daher, Wir bewegen Zu JMP, Und Wir versuchen Zu sehen bei unser Antwort Daten Und unser Charakterisierung Daten, versuchen Zu sehen Wenn Wir dürfen bewegen weg aus Das Linie In Die Mitte von Die Graph. Wir identifiziert zwei Ziele Bereiche Das Wir wollen Zu erreichen, Und zusammen mit Chris, Wir Gedanke um mit JMP Zu erstellen a Modell Das würde verbinden Die Produktion Parameter Zu Die Antwort Werte. T Henne Wir weiter sah hinein unser Infrarot Spektroskopie Daten Zu versuchen Zu bestätigen unser Modell Und Zu erhalten manche Extra Information um Die Ziel Proben.
Hier Ist ein Überblick von Die Daten Satz. Wir haben produziert 112 Proben. Jede Probe hat a einzigartig Satz von Produktion Parameter. Wir haben analysiert alle Die Proben mit Infrarot Spektroskopie. Wir haben eins Spektrum für jede Probe.
Dann Wir haben gebraucht viele andere Charakterisierung Techniken Das Wir haben In- Haus Das Konten für 21 mehr Spalten von Daten. Endlich, Wir haben getestet Hälfte von Die Proben Und Das Konten für Die zuletzt zwei Spalten Das Wir angerufen Antwort.
Bei Die Anfang von unser Projekt, Wir Genau genommen gesucht Zu enthalten Die Infrarot spektroskopisch Daten In unser größer Daten Satz, Und das ist Warum Wir gesucht Zu verwenden JMP, Weil Jetzt Wir haben Das neu Wavelet Modell Wahrscheinlichkeit. Und Das würde aktivieren uns Zu enthalten Die Rektor Komponenten Kommen aus Die Wavelet Modell In unser Daten Satz. Und Wir könnte verwenden Das Zu erstellen Modelle In JMP. Aber vor Wir Start unser Analyse, Wir brauchen Zu haben a sehen bei Die Pro Daten Zu finden Ausreißer. Wir Tun Das von Klicken Analysieren Und Die Multivariat Methoden, Multivariat.
H Auch Wir dürfen wählen unser Produktion Parameter Und Charakterisierung Daten als Y Spalten, Und Wir erhalten Das Streudiagramm Matrix. Das Ist ein Beispiel von Nur suchen bei Die Produktion Parameter bei Was Wir würde identifizieren als ein Ausreißer. Wir dürfen sehen Das Dort Ist a Satz von Punkte In Produktion Parameter zu Das Ist weit weg für alle Die andere Punkte. Außerdem, Wir haben Hintergrund Wissen um diese Proben Das Wir wissen würde nicht Sei optimal für unser Katalysator Entwicklung, Also Wir entschieden Zu Rechts klicken Und sagen "Reihe, verstecken Und ausschließen."
Wir tat Das Auch mit andere Punkte suchen bei Die Streudiagramm Metriken von alle Die Charakterisierung Daten. Jetzt Das Wir haben gereinigt hoch Die Daten, Wir dürfen fit a Modell. Wir klicken Analysieren Und Fit Modell, Und Wir wählen Die Produktion Parameter als Variablen In unser Modell. Wir klicken Makros Und Antwort Oberfläche Zu erstellen a zweite Polynom Kombination von diese Variablen. Dann Wir wählen unser Antworten als Y Werte.
Dann Wir entschieden Zu verwenden verallgemeinert Regression. H Auch Chris dürfen hinzufügen manche mehr Info um Warum Wir entschieden Zu verwenden Das spezifisch Typ von Modell.
Wir gebraucht a quadratisch Antwort Oberfläche Modell Weil Die Design hatte drei oder mehr Ebenen für jede Faktor, Also I wusste Das Wir würde Sei fähig Zu fit Krümmung Bedingungen Wenn notwendig Und Auch Sei fähig Zu fit ganz a Vielfalt von anders Interaktion Bedingungen. Wir verwenden Die verallgemeinert Regression Plattform Weil Es tut Modell Auswahl mit nicht Gaußsche Verteilungen wie Die Protokoll Normal. In Mein Meinung, Dort sind nicht viele Gründe nicht Zu verwenden Die verallgemeinert Regression Plattform Wenn Du haben JMP Pro Weil Es Ist Also einfach Zu verwenden während In viele Wege Sein Also viel mehr leistungsstark für Damhirschkuh Analyse als Die andere Optionen In JMP Und JMP Pro.
Nach Das, Wir dürfen wählen unser Verteilung. Wir wissen Das Die Antworten Sind gehen Zu Sei streng positiv, Also Wir wählen Die Protokoll Normal Verteilung Und Dann Wir klicken Laufen, Und Wir sagen NEIN.
In Das gleiten, Wir dürfen sehen Das Wir haben Jetzt erstellt a Modell, Aber Wir haben Auch Die Wahrscheinlichkeit von Erstellen andere Typ von Modelle mit anders Schätzung Methoden. Wir entschieden Zu verwenden am besten Teilmenge. Hier, Chris dürfen hinzufügen manche mehr Wörter um Es.
Also, Also Hier Wir verwenden am besten Teilmenge Auswahl Weil Die voll Modell ist nicht schrecklich groß, Also Warum nicht versuchen jeder möglich Teilmenge von Das voll Modell Und finden Die eins Das bietet Die Absolute am besten Abtausch zwischen Genauigkeit Und Modell Einfachheit?
An Die andere Hand, hatte Dort gewesen acht oder mehr Faktoren, I würde haben gebraucht a Schneller Algorithmus wie nach vorne Auswahl oder beschnitten nach vorne Auswahl Weil mit größer Base Modelle, Es würde nehmen a sehr lang Zeit Zu fit jeder möglich Teilmodell Zu Die Daten. War gehen Zu Sei mit Die AICc Modell Auswahl Kriterien Zu vergleichen GenReg Modelle.
Der AICc erlaubt Du Zu vergleichen Modelle mit anders Effekte In ihnen als Also als anders Antwort Verteilungen. Mit Die AICc, kleiner Werte Sind besser Und Die Regel von Daumen I verwenden Ist Das Wenn a Modell hat ein AICc Wert Das Ist innerhalb 4 von Die kleinste AICc Wert gesehen, Dann diese zwei Modelle Sind praktisch identisch In Qualität von fit.
Wenn Die zwei Modelle haben AICc Werte innerhalb 10 von jede andere, Dann Sie Sind statistisch ähnlich Zu eins ein anderer. Der hauptsächlich Punkt Hier Sein Das Wenn Wir haben zwei Modelle Und ihre AICcs abweichen von mehr als 10, Dann Die Daten Sind hübsch stark vorschlagen Das Die eins mit Die kleiner AICc Ist Die besser Modell Zu Sei Arbeiten mit.
Als mit beliebig Person Statistik, Du sollen Sicht Die A ICc als a Anregung. Wenn dein Thema Gegenstand Erfahrung stark schlägt vor eins Modell über Die andere, Du Mai wollen Zu Vertrauen dein Instinkte Und ignorieren Die Empfehlung von Die A ICc.
Einmal Wir haben erstellt Das neu Modell, Wir dürfen sehen Das Die nicht- null Parameter haben Jetzt fallen gelassen aus 16 Zu neun. Wenn Wir wollen Zu vergleichen, Wenn Die Modell hat verbessert, Wir dürfen sehen bei Die A ICc Werte. Wir dürfen sehen Das Dort Ist ein Verbesserung von mehr als 10, welche Ist ein wichtig Unterschied. Daher, Wir entschieden Zu gehen mit Die am besten Teilmenge.
Wir tat Die Dasselbe für Antwort 2, Und Dann Wir bewegt An. Jetzt Wir dürfen klicken An Die Rot Pfeil Und sagen Profiler. In Die Profiler, Wir dürfen spielen um mit Die Produktion Parameter Und sehen Wie Die Modell Ist erwartet Antwort 1 Und Antwort 2 Zu ändern. Das Ist bereits a Großartig Werkzeug für Die Wissenschaftler Zu verstehen Wie Die Modell Ist erwartet Die Antworten Zu variieren, Aber Wir dürfen Tun mehr. Wir dürfen klicken An Optimierung Und Erwünschtheit Und Erwünschtheit Funktionen.
Seit aus gleiten eins, Wir wissen Das Wir haben zwei Ziele Das Wir wollen Zu erreichen, Wir dürfen ändern Die Erwünschtheit Funktion Zu übereinstimmen diese Ziele. Also Wir doppelt klicken An Die Attraktivität Funktion und Wir sagen übereinstimmen Ziel Und wählen Die Ziel Bereich Das Wir wollen Zu erreichen. Endlich, Wir dürfen klicken wieder An Optimierung Und Erwünschtheit Und sagen maximieren Begehrlichkeit.
Hier, Die Profiler Wille versuchen Zu erreichen Die optimal Punkte für Die Produktion Parameter. Zu zusammenfassen, Wir dürfen sagen Das Jetzt Wir haben Die Erste Modell, Wir gehen aus Produktion Parameter Zu Antworten Und Wir haben Satz zwei Ziele Das Wir wollen Zu erreichen. Das Weg Wir dürfen erhalten Ideal Produktion Parameter Das Wir dürfen kommunizieren Zu Die Entwicklung Team Und Sie dürfen verwenden Zu bewegen An In ihre Forschung.
In Die zweite Teil von Die Präsentation, Ich bin gehen Zu sprechen um Wie Wir verwenden Die UND Spektren. Hier Wir haben a Datei für jede Spektrum Und daher Wir brauchen Zu klicken An Datei Und Import mehrere Dateien. Dann Wir brauchen Zu angeben Das Wir wollen Die Datei Name Zu Sei säulenförmig In Die Daten Satz Und Dann Wir dürfen verwenden Das Probe Name, welche Ist Die Name von Die Datei als ein AUSWEIS Zu verbinden Es Zu Die andere Tisch Wo Wir haben alle Die Daten. Wir klicken An Die Spalte Und sagen Link Referenz.
Jetzt Das Die zwei Tabellen Sind verbunden, Wir dürfen klicken Analysieren Und spezialisieren Modellieren und funktional Daten Forscher. In Die Funktionalität Daten Forscher, Wir wollen Zu verwenden Die Intensität Wert als Die Y Ausgabe. Wir dürfen verwenden Die Probe Name, Matrix Name als unser AUSWEIS Funktion.
Dann Das Ist sehr wichtig. Wir verwenden Die Produktion Parameter als ergänzend Daten. Und Die Gewicht Nummer Ist, von Kurs, Die X- Achse. Und Wir sagen, "Okay, Hier Wir dürfen sehen Das Die Daten Ist bereits sauber." Wir haben importiert alle Die Spektren Und Die Daten Aussehen sauber Weil Ich habe Erledigt Die Vorverarbeitung draußen von JMP. I gebraucht Python Weil Ich bin mehr vertraut mit Das Und Dort Ist a sehr Hübsch Modul Das Ist fähig Zu entfernen Die Hintergrund Und reduzieren Die Reichweite Das Wir wollen Zu sehen bei.
JMP War Gut Zu arbeiten mit als ein Extra Werkzeug nach Das Wiederaufbereitung. Dann Wir entscheiden Zu klicken An Modelle Und Wavelets. Wir bewegen aus diskret Daten Zu kontinuierlich Daten. Jetzt Wir dürfen Auch sehen bei Die Diagnose Grundstücke. Das Ist für Du, Chris, Zu sprechen um.
Es ist a Gut Idee Zu sehen bei tatsächlich von vorhergesagt Grundstücke als Du fortfahren durch a funktional Daten Analyse. Diese haben Die tatsächlich beobachtet Werte In Die Daten An Die Y Achse Und Die vorhergesagt Werte An Die X Achse. Wir wollen Die vorhergesagt Werte Zu Sei als schließen Zu Die tatsächlich Werte als möglich. A Handlung wie Das eins Das Ist eng entlang Die 45 Grad Linie zeigt an Das Wir haben a Gut Modell.
Jetzt, manche von Du Mai Sei betroffen um Überanpassung seit Die Vorhersagen fit Die Daten Also Also. In Mein Erfahrung, I nicht gefunden Das Zu Sei a Problem In Die Basis Funktion Beschlag Und funktional Rektor Komponente Schritte von funktional Damhirschkuh Analyse. Ausweis Auch wie Zu Punkt aus Das In JMP 17, wir haben hinzugefügt a viel von neu Merkmale für spektral Vorverarbeitung wie Standard Normal Variante, multiplikativ streuen Korrektur, Und Savitzky-Golay-Filter . Diese von Du Das nicht wissen Python haben Zugang Zu diese Fähigkeiten In JMP Pro 17.
Nach Das, Wir dürfen Auch haben a sehen bei Die Funktionalität PCA Analyse. Hier, Also ausgeben manche mehr Wörter An Es.
Nach Die Wavelet Modell Ist fit, JMP Pro automatisch tut a funktional Rektor Komponenten Analyse von Die Wavelet Modell. Das zersetzt sich Die Spektren hinein ein gesamt bedeuten Spektren und a linear Kombination von Form Komponenten Und Koeffizienten Das Sind einzigartig Zu jede Probe Spektren. Wann Wir Tun Die funktional Damhirschkuh Analyse, GenReg automatisch passt Modelle Zu diese Koeffizienten hinter Die Szenen Und Mähdrescher Die resultierende Modell mit Die bedeuten Funktion Und Die Form Komponenten Zu vorhersagen Die Form von Die Spektren bei neu Werte von Die Eingang Parameter.
Wenn Wir sehen bei Die Rektor Komponente Analyse, Wir dürfen sehen Das Die Wavelet Modell hat erstellt a bedeuten Funktion von alle Die Spektren Das wir haben Satz als Eingang, Und Dann Es hat erstellt anders Form Funktionen. Wir entschieden Zu stoppen bei sechs. Was Das Form Funktion beschrieben Ist Die Variation von Die Daten Das Wir Sind .
Als Du dürfen sehen aus Die links, Die Erste Form Funktion Ist Buchhaltung für 72 % von Die Variation, während Die zweite Ist Buchhaltung für 22 %. Zusammen, Die Konto angerufen sechs Konto für 99,5 % von Die Variation. Als ein Beispiel, Wir dürfen sehen bei Rektor Komponente 2, Und Wir dürfen sehen Das um 3.737, Dort Ist a Reduktion. Dort Ist a Minus. Das bedeutet Das zunehmend Die Rektor Komponente 2 wird verringern Die Gipfel bei 3.737.
Das Ist Nur ein Beispiel Zu sagen Das bereits aus diese sechs Form Funktionen, Wir dürfen erhalten a viel von Information. Wenn Wir haben Thema Gegenstand Wissen, um Die Infrarot Spektroskopie Und Das Katalysator System. Bereits Hier, Wir ausgegeben ganz a viel von Zeit suchen bei Die Rektor Komponenten, Aber Das Ist nicht Was Wir Sind gehen Zu Fokus An In Die nächste Folien.
Was Wir wollen Zu sehen bei stattdessen Ist Die funktional Damhirschkuh Analyse. Hier Wir haben als Also a Profiler, Aber Wir dürfen Jetzt Stecker Die Produktion Parameter Das Wir bekommen aus Die Erste Modell Das Wir entwickelt. Daher, Wissen Die Ziel Produktion Parameter Das Wir wollen Zu verwenden, Wir dürfen erzeugen a gefälscht Spektrum oder ein synthetisches Spektrum, Wir dürfen Anruf Es. Das Ist a Spektrum von a Probe Das War niemals produziert. Es könnte Sei falsch, Aber Es dürfen geben manche Ideen Zu Die Wissenschaftler um Was Du würde erwarten Zu erhalten aus diese neu Produktion Parameter.
Zu Summe hoch, Wir dürfen sagen Das Jetzt Wir bewegen aus Produktion Parameter Zu Infrarot Spektrum. Wir haben a zweite Modell Das verwendet Die Wavelet Modell Zu erzeugen Synthetik Spektrum. I vorstellen Das Zu Sei wie Wann du bist Backen a Kuchen, Jetzt Du haben Die Rezept Aber Du bekommen Auch a Schnappschuss Bild von Die Finale Kuchen. Es nicht erklären Du Wie Zu Tun Es Aber Es fügt hinzu Information um Was Du wollen Zu erreichen.
Endlich, Wir dürfen bewegen aus Modell Zu prüfen. Das bedeutet Das Wir dürfen geben Die Forschung und Entwicklung Team a neu Rezept Und Auch Die Synthetik Spektrum von dieses Rezept. Zusammen mit Das Information, Sie dürfen versuchen Zu entwickeln Die neu Katalysator Und sehen Wenn Die Modell Ist validiert oder Ist falsch.
Ein anderer Ding Die Gruppe dürfen Tun Ist sehen zurück bei Die vorherige Proben. Jetzt Wir haben Hälfte von Die Proben Das war nicht getestet. Diese Sind Die Schwarz Punkte In Die gleiten. Wir dürfen sehen für Ausreißer. Ist Dort a Probe Das könnte durchführen Wirklich Gut Das Wir nicht sah bei? Wir Genau genommen haben eins. Also das ist ein anderer prüfen Wir dürfen Tun.
Suchen bei Zukunft arbeiten, I hinzugefügt Das gleiten Das War bei Die Anfang Nur Zu sagen Das Wir fokussiert An Die Produktion Parameter Und Die UND Spektren, Aber Wir nicht Wirklich sah bei diese 21 mehr Spalten von Charakterisierung Daten.
In Die Zukunft, Wir könnte ausgeben manche Zeit versuchen Zu identifizieren Die am meisten prädiktiv Parameter In diese 21 Spalten Und erstellen Vielleicht a neu Modell aus Das Charakterisierung Daten Zu Die Antwort Und verwenden Das Modell als a Screening Modell Zu vermeiden Testen Proben Das würde nicht durchführen als Gut. Das ist Die Ende von Die Präsentation.
