Hola, Soy Chris Gotwalt con JMP, y mi co- presentador, José De Martín de Topsoe , y I son donación a presentación eso dice el historia de a datos análisis proyecto eso vitrinas el nuevo ondícula análisis en el Funcional Datos Explorador, uno de el mayoría emocionante nuevo capacidades en JMP 17.
El caso estudiar comienza con a producto formulación problema dónde Tops eres buscado a diseño a catalizador eso optimiza dos respuestas, pero el respuestas son en conflicto con uno otro en eso mejorando uno respuesta a menudo llega en el gastos de el otro.
A candidato para el óptimo compensación era encontró con modelos adaptar por el generalizado regresión plataforma, y el óptimo factor ajustes eran encontró usando el atractivo funciones en el perfilador. Este era a equitativamente estándar Gama análisis. Pero en suma a el mesurado respuestas, NIR espectros eran tomado de alguno, pero no todo de el muestra lotes. Este es información eso poder ser usado a dar a clave a el I+D equipo acerca de qué el químico estructura de el ideal formulación debería mirar como.
En suma a el GenReg modelo de el respuestas, nosotros también usado ondícula modelos como el base función de a funcional Gama análisis de el espectros usando el Gama factores como entradas. Nosotros eran entonces capaz a conseguir a sintético espectros de el óptimo formulación por taponamiento en el óptimo factor ajustes encontró en el inicial análisis de el dos crítico respuestas.
Antes yendo en el presentación, I desear a punto afuera eso en el comienzo de el proyecto, José era muy nuevo a JMP y no tener a fondo en este tipo de estadístico análisis. José aprendió todo él necesario a hacer el análisis en su propio después a pareja de web reuniones con a mí.
Este obviamente espectáculos Él es a inteligente chico, pero también eso JMP marcas aprendiendo cómo a hacer alguno muy sofisticado datos análisis proyectos rápido y fácil. Ahora Soy yendo a mano el espectáculo encima a José.
Agradecer tú, Cristóbal. Aquí es alguno fondo acerca de nuestro proyecto. Es a catalizador desarrollo proyecto. Por lo tanto, nosotros son desarrollo muchos diferente recetas. Cada receta tiene a único colocar de producción parámetros, y una vez el muestra es preparado, nosotros caracterizar él en nuestro análisis laboratorio en Topsoe. Y finalmente, nosotros hacer a actuación prueba.
Durante el actuación prueba, nosotros mirar para dos valores eso aquí nosotros llamar Respuesta 1 y Respuesta 2. En este específico caso, nosotros son intentando a minimizar respuesta 1 mientras maximizando respuesta 2. Eso voluntad dirigir a nosotros a este ideal espacio en el arriba izquierda esquina de el gráfico. Pero como tú poder ver, el 55 muestras eso nosotros tenemos probado conseguir atascado en el medio de el gráfico. Eso es porque Respuesta 1 y Respuesta 2 son enterrar- correlacionado, significado eso mejorando uno llega con el gastos de el otro.
Por lo tanto, nosotros mover a JMP, y nosotros intentar a mirar en nuestro respuesta datos y nuestro caracterización datos, intentar a ver si nosotros poder mover lejos de este línea en el medio de el gráfico. Nosotros identificado dos objetivos áreas eso nosotros desear a alcanzar, y juntos con Chris, nosotros pensamiento acerca de usando JMP a crear a modelo eso quería conectar el producción parámetros a el respuesta valores. T gallina nosotros más miró en nuestro infrarrojo espectroscopia datos a intentar a validar nuestro modelo y a conseguir alguno extra información acerca de el objetivo muestras.
Aquí es un descripción general de el datos colocar. Nosotros tener producido 112 muestras. Cada muestra tiene a único colocar de producción parámetros. Nosotros tener analizado todo el muestras usando infrarrojo espectroscopia. Nosotros tener uno espectro para cada muestra.
Entonces nosotros tener usado muchos otro caracterización técnicas eso nosotros tener en- casa eso cuentas para 21 más columnas de datos. Finalmente, nosotros tener probado medio de el muestras y eso cuentas para el último dos columnas eso nosotros llamado respuesta.
En el comienzo de nuestro proyecto, nosotros de hecho buscado a incluir el infrarrojo espectroscópico datos en nuestro más grande datos colocar, y eso es por qué nosotros buscado a usar JMP, porque ahora nosotros tener este nuevo ondícula modelo posibilidad. Y eso quería permitir a nosotros a incluir el principal componentes próximo de el ondícula modelo en nuestro datos colocar. Y nosotros podría usar eso a crear modelos en JMP. Pero antes nosotros comenzar nuestro análisis, nosotros necesidad a tener a mirar en el Pro datos a encontrar valores atípicos. Nosotros hacer eso por haciendo clic Analizar y el Multivariante Métodos, Multivariado.
H también nosotros poder seleccionar nuestro producción parámetros y caracterización datos como Y columnas, y nosotros conseguir este diagrama de dispersión matriz. Este es un ejemplo de justo mirando en el producción parámetros en qué nosotros quería identificar como un parte aislada. Nosotros poder ver eso allá es a colocar de agujas en producción parámetros también eso es lejos lejos para todo el otro agujas. Además, nosotros tener fondo conocimiento acerca de estos muestras eso nosotros saber no lo haría ser óptimo para nuestro catalizador desarrollo, entonces nosotros decidido a bien hacer clic y decir "Fila, esconder y excluir."
Nosotros hizo este también con otro agujas mirando en el diagrama de dispersión métrica de todo el caracterización datos. Ahora eso nosotros tener limpiado arriba el datos, nosotros poder adaptar a modelo. Nosotros hacer clic Analizar y Adaptar Modelo, y nosotros seleccionar el producción parámetros como variables en nuestro modelo. Nosotros hacer clic Macros y respuesta superficie a crear a segundo polinomio combinación de estos variables. Entonces nosotros seleccionar nuestro respuestas como Y valores.
Entonces nosotros decidido a usar generalizado regresión. H también Chris poder agregar alguno más información acerca de por qué nosotros decidido a usar este específico tipo de modelo.
Nosotros usado a cuadrático respuesta superficie modelo porque el diseño tenía tres o más niveles para cada factor, entonces I sabía eso nosotros quería ser capaz a adaptar curvatura términos si necesario y también ser capaz a adaptar bastante a variedad de diferente interacción términos. Nosotros usar el generalizado regresión plataforma porque él hace modelo selección con no Gaussiano distribuciones como el registro normal. En mi opinión, allá no son muchos razones no a usar el generalizado regresión plataforma si tú tener JMP Pro porque él es entonces fácil a usar mientras en muchos maneras ser entonces mucho más poderoso para Gama análisis que el otro opciones en JMP y JMP Pro.
Después eso, nosotros poder seleccionar nuestro distribución. Nosotros saber eso el respuestas son yendo a ser estrictamente positivo, entonces nosotros seleccionar el registro normal distribución y entonces nosotros hacer clic Correr, y nosotros decir No.
En este deslizar, nosotros poder ver eso nosotros tener ahora creado a modelo, pero nosotros tener también el posibilidad de creando otro tipo de modelos usando diferente estimación métodos. Nosotros decidido a usar mejor subconjunto. Aquí, Chris poder agregar alguno más palabras acerca de él.
Bien, entonces aquí nosotros usar mejor subconjunto selección porque el lleno modelo no es terriblemente grande, entonces por qué no intentar cada posible subconjunto de eso lleno modelo y encontrar el uno eso proporciona el absoluto mejor compensación entre exactitud y modelo ¿sencillez?
En el otro mano, tenía allá estado ocho o más factores, I quería tener usado a más rápido algoritmo como adelante selección o podado adelante selección porque con más grande base modelos, él quería llevar a muy largo tiempo a adaptar cada posible submodelo a el datos. Eran yendo a ser usando el AICc modelo selección criterios a comparar GenReg modelos.
El AICc permite tú a comparar modelos con diferente efectos en a ellos como Bueno como diferente respuesta distribuciones. Con el AICc, menor valores son mejor y el regla de pulgar I usar es eso si a modelo tiene un AICc valor eso es dentro 4 de el pequeñísimo AICc valor visto, entonces aquellos dos modelos son prácticamente idéntico en calidad de adaptar.
Si el dos modelos tener AICc valores dentro 10 de cada otro, entonces ellos son estadísticamente similar a uno otro. El principal punto aquí ser eso si nosotros tener dos modelos y su AICc diferir de por más que 10, entonces el datos son bonito fuertemente sugerencia eso el uno con el menor AICc es el mejor modelo a ser laboral con.
Como con cualquier individual estadística, tú debería vista el A CCI como a sugerencia. Si su sujeto asunto experiencia fuertemente sugiere uno modelo encima el otro, tú puede desear a confianza su instintos y ignorar el recomendación de el A CIC.
Una vez nosotros tener creado este nuevo modelo, nosotros poder ver eso el no- cero parámetros tener ahora abandonó de 16 a nueve. Si nosotros desear a comparar, si el modelo tiene mejorado, nosotros poder mirar en el A CCI valores. Nosotros poder ver eso allá es un mejora de más que 10, cual es un importante diferencia. Por lo tanto, nosotros decidido a ir con el mejor subconjunto.
Nosotros hizo el mismo para Respuesta 2, y entonces nosotros emocionado en. Ahora nosotros poder hacer clic en el rojo flecha y decir perfilador. En el perfilador, nosotros poder jugar alrededor con el producción parámetros y ver cómo el modelo es esperando Respuesta 1 y Respuesta 2 a cambiar. Este es ya a excelente herramienta para el científico a entender cómo el modelo es esperando el respuestas a variar, pero nosotros poder hacer más. Nosotros poder hacer clic en mejoramiento y atractivo y atractivo funciones.
Desde de deslizar uno, nosotros saber eso nosotros tener dos objetivos eso nosotros desear a alcanzar, nosotros poder cambiar el atractivo función a fósforo aquellos objetivos. Entonces nosotros doble hacer clic en el Atractivo función y nosotros decir fósforo objetivo y seleccionar el objetivo área eso nosotros desear a alcanzar. Finalmente, nosotros poder hacer clic de nuevo en mejoramiento y atractivo y decir maximizar atractivo.
Aquí, el perfilador voluntad intentar a alcanzar el óptimo agujas para el producción parámetros. A resumir, nosotros poder decir eso ahora nosotros tener el primero modelo, nosotros ir de producción parámetros a respuestas y nosotros tener colocar dos objetivos eso nosotros desear a alcanzar. Este forma nosotros poder conseguir ideal producción parámetros eso nosotros poder comunicar a el desarrollo equipo y ellos poder usar a mover en en su investigación.
En el segundo parte de el presentación, Soy yendo a hablar acerca de cómo nosotros usar el Y Espectros. Aquí nosotros tener a archivo para cada espectro y por lo tanto nosotros necesidad a hacer clic en archivo y importar múltiple archivos. Entonces nosotros necesidad a especificar eso nosotros desear el archivo nombre a ser de columna en el datos colocar y entonces nosotros poder usar este muestra nombre, cual es el nombre de el archivo como un IDENTIFICACIÓN a conectar él a el otro mesa dónde nosotros tener todo el datos. Nosotros hacer clic en el columna y decir enlace referencia.
Ahora eso el dos mesas son conectado, nosotros poder hacer clic Analizar y especializarse modelado y funcional datos explorador. En el Funcional Datos Explorador, nosotros desear a usar el intensidad valor como el Y producción. Nosotros poder usar el muestra nombre, matriz nombre como nuestro IDENTIFICACIÓN función.
Entonces este es muy importante. Nosotros usar el producción parámetros como suplementario datos. Y el peso número es, de curso, el INCÓGNITA- eje. Y nosotros decir, "Bueno, aquí nosotros poder ver eso el datos es ya limpio." Nosotros tenemos importado todo el Espectros y el datos aspecto limpio porque Yo tengo hecho el preprocesamiento afuera de JMP. I usado Pitón porque Soy más familiar con eso y allá es a muy lindo módulo eso es capaz a eliminar el fondo y reducir el rango eso nosotros desear a mirar en.
JMP era bien a trabajar con como un extra herramienta después este reprocesamiento. Entonces nosotros decidir a hacer clic en modelos y ondículas. Nosotros mover de discreto datos a continuo datos. Ahora nosotros poder también mirar en el diagnóstico parcelas. Este es para tú, Chris, a tomar charla acerca de.
Es a bien idea a mirar en actual por previsto parcelas como tú proceder a través de a funcional datos análisis. Estos tener el actual observado valores en el datos en el Y eje y el previsto valores en el X eje. Nosotros desear el previsto valores a ser como cerca a el actual valores como posible. A trama como este uno eso es ajustado a lo largo de el 45 grado línea indica eso nosotros tener a bien modelo.
Ahora, alguno de tú puede ser preocupado acerca de sobreajuste desde el predicciones adaptar el datos entonces Bueno. En mi experiencia, I no lo han hecho encontró eso a ser a problema en el base función adecuado y funcional principal componente pasos de funcional Gama análisis. Identificación también como a punto afuera eso en JMP 17, nosotros tenemos agregado a lote de nuevo características para espectral preprocesamiento como estándar normal variante, multiplicativo dispersión corrección, y Filtros Savitzky-Golay . Aquellos de tú eso no saber Pitón tener acceso a estos capacidades en JMP Pro 17.
Después eso, nosotros poder también tener a mirar en el Funcional PCA análisis. Aquí, Bueno gastar alguno más palabras en él.
Después el ondícula modelo es adaptar, JMP Pro automáticamente hace a funcional principal componentes análisis de el ondícula modelo. Este se descompone el espectros en un en general significar espectros y a lineal combinación de forma componentes y coeficientes eso son único a cada muestra espectros. Cuando nosotros hacer el funcional Gama análisis, GenReg automáticamente encaja modelos a estos coeficientes detrás el escenas y combina el resultante modelo con el significar función y el forma componentes a predecir el forma de el espectros en nuevo valores de el aporte parámetros.
Si nosotros mirar en el principal componente análisis, nosotros poder ver eso el ondícula modelo tiene creado a significar función de todo el espectros eso nosotros tenemos colocar como aporte, y entonces él tiene creado diferente forma funciones. Nosotros decidido a detener en seis. Qué este forma función descrito es el variación de el datos eso nosotros son analizando.
Como tú poder ver de el izquierda, el primero forma función es contabilidad para 72 % de el variación, mientras el segundo es contabilidad para 22 %. Juntos, el cuenta llamado seis cuenta para 99.5 % de el variación. Como un ejemplo, nosotros poder mirar en principal componente 2, y nosotros poder ver eso alrededor 3.737, allá es a reducción. Allá es a menos. Eso medio eso creciente el principal componente 2 voluntad disminuir el cima en 3.737.
Este es justo un ejemplo a decir eso ya de estos seis forma funciones, nosotros poder conseguir a lote de información. Si nosotros tener sujeto asunto conocimiento, acerca de el infrarrojo espectroscopia y este catalizador sistema. Ya aquí, nosotros gastado bastante a lote de tiempo mirando en el principal componentes, pero este es no qué nosotros son yendo a enfocar en en el próximo diapositivas.
Qué nosotros desear a mirar en en cambio es el funcional Gama análisis. Aquí nosotros tener como Bueno a perfilador, pero nosotros poder ahora enchufar el producción parámetros eso nosotros consiguió de el primero modelo eso nosotros desarrollado. Por lo tanto, conocimiento el objetivo producción parámetros eso nosotros desear a usar, nosotros poder generar a falso espectro o un sintético espectro, nosotros poder llamar él. Este es a espectro de a muestra eso era nunca producido. Él podría ser equivocado, pero él poder dar alguno ideas a el científicos acerca de qué tú quería esperar a conseguir de estos nuevo producción parámetros.
A suma arriba, nosotros poder decir eso ahora nosotros mover de producción parámetros a infrarrojo espectro. Nosotros tener a segundo modelo eso usos el ondícula modelo a generar sintético espectro. I imaginar este a ser como cuando estás hornada a pastel, ahora tú tener el receta pero tú consiguió también a instantánea imagen de el final pastel. Él no explicar tú cómo a hacer él pero él añade información acerca de qué tú desear a lograr.
Finalmente, nosotros poder mover de modelo a prueba. Eso medio eso nosotros poder dar el I+D equipo a nuevo receta y también el sintético espectro de esa receta. Juntos con este información, ellos poder intentar a desarrollar el nuevo catalizador y ver si el modelo es validado o es equivocado.
Otro cosa el grupo poder hacer es mirar atrás en el anterior muestras. Ahora nosotros tener medio de el muestras eso eran no probado. Aquellos son el negro puntos en el deslizar. Nosotros poder mirar para valores atípicos. Es allá a muestra eso podría llevar a cabo en realidad bien eso nosotros no lo han hecho miró ¿en? Nosotros de hecho tener uno. Entonces eso es otro prueba nosotros poder hacer.
Mirando en futuro trabajar, I agregado este deslizar eso era en el comienzo justo a decir eso nosotros centrado en el producción parámetros y el Y espectros, pero nosotros no lo han hecho en realidad miró en estos 21 más columnas de caracterización datos.
En el futuro, nosotros podría gastar alguno tiempo intentando a identificar el mayoría profético parámetros en estos 21 columnas y crear tal vez a nuevo modelo de este caracterización datos a el respuesta y usar este modelo como a cribado modelo a evitar pruebas muestras eso quería no llevar a cabo como bien. Eso es el fin de el presentación.
