Salut, tout le monde. Merci pour à venir à notre vidéo. Mon nom est Ryan Parker, et aujourd'hui Je suis en allant à présent avec Argile Aboyeur à propos quelques nouveau outils que nous avoir ajouté à analyser Spectral Données avec le Fonctionnel Données Explorateur dans JMP Pro 17. D'abord, I juste recherché à commencer désactivé avec quelques de le motivant données ensembles que dirigé nous à ajouter ces nouveau outils. Ils sont vraiment motivé par ces chimiométrique applications, peut certainement être appliqué à autre zones, mais pour exemple, nous avoir ce spectroscopie données où le d'abord chose toi pourrait avis avec ce est nous avons a obtenu a parcelle de données points échantillonné, mais nous aussi avoir quelques très pointu pics dans notre données. C'est en allant à être a récurrent thème où nous avoir a besoin à vraiment identifier ces pointu caractéristiques que le existant outils nous avoir dans JMP sont a petit difficile à vraiment capturer ceux. Pour exemple, étaient pensée à propos composition de matériels ou comment nous peut détecter biomarqueurs et données. Ces sont trois spectroscopique exemples que Bien regarder à.
Un autre exemple de données que est de intérêt est ce masse spectrométrie données. Ici étaient pensée à propos a masse à charge rapport que nous peut utiliser à construction a spectre où le pics dans le spectre, ils sont représentant protéines que sont de intérêt dans le zone de application. Un exemple est comparer ces spectres entre différent patients, dire a patient avec cancer ou a patient sans, et le emplacement de ces protéines est très important à identifier différences dans ces deux groupes.
Un autre exemple est chromatographie données. Ici nous peut pense à propos étaient en utilisant quelques chimique mélange sur, étaient en utilisant a matériel c'est en allant à aide nous quantifier relatif montants de le divers composants que sont dans ces mélanges. Par en utilisant le rétention temps dans ce processus, nous peut essayer à identifier le différent composants. Pour exemple, si toi n'a pas savoir ce, I était pas conscient jusqu'à I commencé à travail avec ce données, en essayant à imiter olive huile est a grand accord. Nous peut utiliser ces données ensembles à chiffre dehors, d'accord, qu'est-ce que a vrai olive huile, ou qu'est-ce que juste quelques autre légume huile que quelqu'un pourrait être en essayant à passer désactivé comme un olive huile?
Le d'abord chose I vouloir à faire est aller à travers quelques de le nouveau prétraitement options que nous avons ajouté à aide travail avec spectral données avant nous obtenir à le modélisation scène. Nous avoir a nouveau outil appelé le Standard normale Variété, a multiplicatif dispersion correction où toi avoir si toi avoir lumière dispersion dans ton données, le Filtre de Savitzky–Golay, lequel est le lissage étape quand toi avoir spectral données que Bien obtenir dans. Enfin, a nouveau outil à effectuer a ligne de base correction pour le données à retirer tendances que tu es pas vraiment intéressé dans que toi vouloir à obtenir dehors d'abord.
D'accord, donc qu'est-ce que standard normale variante? Actuellement dans JMP, nous avoir le capacité à juste standardiser ton données dans FDE. Mais quand toi utiliser que outil, c'est juste prise le signifier de tous de le fonctions et a mondial variance et mise à l'échelle il que chemin, mais avec standard normale variante, étaient pensée à propos le individuel moyens et écarts de chaque de le fonctions à standardiser et retirer ceux effets avant nous aller à analyse. Chaque fois que Je suis sur le droite ici, après en train de jouer le standard normale variante, nous peut voir, d'accord, là était quelques dans l'ensemble moyens et maintenant ils sont tous ensemble et n'importe lequel excès variance est pris dehors avant nous aller à analyse.
Multiplier de dispersion correction est le suivant étape, et c'est un alternative à standard normale variante. Dans quelques cas tu es pensée tu es en allant à... Chaque fois que toi utiliser il, toi peut fin en haut avec similaire résultats. Le différence ici est le motivation pour en utilisant multiplier de dispersion correction. C'est quand toi avoir lumière dispersion, ou toi pense toi pourrait avoir lumière dispersion parce que de le chemin que toi collecté le données.
Quoi ça arrive est pour chaque fonction, étaient en allant à ajuster ce simple linéaire modèle où nous avons a obtenu a pente et un intercepter, et étaient en allant à utiliser ceux estimé coefficients à maintenant standardiser notre données que étaient en allant à travail avec. Nous soustraire désactivé le intercepter et diviser par le pente, et maintenant nous avoir le normalisé version. A gagner, toi peut fin en haut avec similaire résultats comme standard normale variance.
Maintenant le suivant prétraitement étape Je suis en allant à couverture est le Filtre de Savitzky–Golay. Quand toi avoir spectral données, avant nous obtenir à le modélisation scène, le nouveau modélisation outils nous avoir, ils sont développé dans tel a chemin que ils sont en essayant à prendre en haut tous le important pièces de le données. Si toi avoir bruit, nous besoin à faire a étape où nous lisse que d'abord. C'est où le Filtre de Savitzky–Golay vient dans. Quoi étaient faire est étaient en allant à ajuster un fin- degré polynovial sur a spécifié bande passante que nous peut choisir à aide essayer à retirer n'importe lequel bruit depuis le données. Dans FDE, actuellement, étaient en allant à aller devant et sélectionner ceux meilleur paramètres pour toi, le degré et le largeur à essayer à minimiser le modèle erreur que nous obtenir.
Un chose I faire vouloir à indiquer dehors est que nous faire exiger a régulier grille à donne nous ce opération, lequel volonté viens en haut encore dans le avenir, mais FDE est en allant à créer un pour toi. Nous aussi avoir ce réduit grille option disponible si toi vouloir plus fin contrôle d'abord avant toi compter sur sur nous fabrication que choix pour toi. Le bon chose à propos ce Filtre de Savitzky–Golay est parce que de le chemin le modèle est ajuster, nous maintenant avoir accéder à dérivés. Ce est quelque chose que a viens en haut avant à spectral données, et maintenant que nous avoir ce, nous avons a obtenu a bon chemin pour toi à accéder et travail avec modélisation ces dérivé fonctions.
Le dernier un I vouloir à couverture est le ligne de base correction. Quoi ligne de base correction est faire est c'est pensée à propos là pourrait être dans l'ensemble tendances dans notre données que nous vouloir à obtenir débarrasser de. Ce données ensemble sur le droite a juste a très petit différences comme linéaire différence dans le fonctions. Quoi étaient pensée à propos est, d'accord, nous ne le faites pas vraiment vouloir à soins à propos que, nous vouloir à obtenir débarrasser de il. Quoi ce outil est en allant à permettre toi à faire est sélectionner le ligne de base modèle que toi veux. Je n ce cas, c'est juste a vraiment simple linéaire modèle, mais toi peut avoir quelques où tu as a obtenu exponentiel ou logarithmique tendances que toi vouloir à obtenir débarrasser de. Et donc nous avoir que disponible. Alors toi peut sélectionner ton correction région.
Pour le la plupart partie, tu es en allant à vouloir à correct le entier fonction, mais il peut être possible que peut être seulement le début ou le fin de le fonction est où toi vouloir à correct. Nous fin en haut avec ces ligne de base régions que sont ces bleu lignes. Si nous cliquez ce ajouter bouton, ça va donner nous a paire de bleu lignes. Étaient en allant à traîner ces autour à parties de le fonction que nous croire sont réel. Tous le pics dans ces données est quelque chose que nous ne le faites pas vraiment vouloir à touche. Ce est le partie de le fonctions que nous vouloir à garder et analyser et est en allant à donner le information que étaient intéressé dans. Aussi si toi sélectionner ce dans région, rien c'est dans ces régions est quoi volonté obtenir corrigé. Tu es soit en allant à faire un ou le autre, droite? Tu es en allant à soit partir il seul ou tu es en allant à changement seulement dans que dans ceux données ensembles.
Enfin, toi ne le faites pas voir il ici, mais toi peut aussi ajouter ancre points. Il peut être, selon sur ton données, facile à juste spécifier a peu points que toi savoir ce décrit le dans l'ensemble s'orienter. Quand toi cliquez ajouter, tu vas obtenir a rouge doubler, et c'est en allant à dire toi ce, partout où I traîner que doubler, c'est certainement en allant à être compris dans le modèle avant I correct le ligne de base. Quand toi cliquez d'accord ici, tu vas juste fin en haut avec a nouveau données ensemble que a le s'orienter supprimé.
D'accord, donc que apporte nous à le modélisation scène. Quoi nous avons ajouté pour JMP Pro 17 sont ondelette modèles. D'accord, donc quoi sont ondelette des modèles ? Ils sont base fonction modèles, pas comme rien nous avoir actuellement dans JMP, mais ils peut avoir très dramatique caractéristiques. Quoi ces caractéristiques sont faire sont portion nous prendre en haut ces pointu pics ou ces grand changements dans le fonction. Nous aussi avoir le simple Son ondelette, lequel est juste a étape fonction. Si il tours dehors que quelque chose vraiment simple est comme le étape fonction convient meilleur, nous volonté donner toi que comme Bien. Toi peut voir nous avoir a peu différent options que sont vraiment... Si toi pense à propos flexion ces ondelettes et étirage eux dehors, c'est comment nous sont modélisation le données à vraiment prendre en haut tous ces caractéristiques de intérêt.
À juste motiver que, I vouloir à montrer toi le actuel aller- à dans JMP, lequel est a B- spline modèle, lequel a a très difficile temps cueillette en haut sur ces caractéristiques sans n'importe lequel main- réglage. B- spline modèle est faire a petit peu mieux. Il toujours a quelques problèmes cueillette en haut le pics, mais il pourrait dans quelques manières être le meilleur. Direct fonctionnel PCA, faire presque comme bien comme P-sp lignes, mais pas assez. Alors nous avoir ondelettes. Étaient vraiment cueillette en haut le pics le meilleur. Dans ce particulier données ensemble, c'est pas convenable eux parfaitement, mais nous serait pense regarder à diagnostic, le ondelette modèle est certainement le un nous serait vouloir à aller avec.
Encore, nous avoir ces cinq différent ondelette modèle types, et quoi étaient en allant à faire est Bien ajuster tous ces pour toi donc que toi ne le faites pas avoir à inquiétude à propos cueillette et choisir. Dehors de le Ses vaguelettes, tous de le autre ondelette types avoir a paramètre. Nous avoir a grille que nous sont en allant à recherche sur pour toi dans ajout à le taper.
Maintenant il peut être possible que là sont quelques cas où utilisateurs avoir dit, Hé, ce particulier ondelette taper est exactement comment mon données devrait être représenté, donc toi peut changement le défaut modèle, mais par défaut, étaient en allant à prendre le modèle c'est en allant à optimiser ce modèle sélection critères, le AISC. Vraiment quoi toi peut pense à propos ici est là pourrait être potentiellement a parcelle de paramètres dans chaque un de ces ondelette modèles. Étaient efficacement en utilisant a Lasso modèle à essayer à retirer dehors n'importe lequel paramètres que vraiment juste ne sont pas convenable le données. Nous obtenir a clairsemé représentation, Non matière le ondelette modèle. Nous scie ce plus tôt où nous avoir à avoir notre données sur le grille. C'est le même chose avec ondelettes. Si toi juste commencer en allant à travers le ondelette modèles et ton données sont pas sur le grille, Bien créer un pour toi. Mais encore, juste recherché à indiquer dehors toi peut utiliser que réduire grille option à avoir plus fin contrôle.
D'accord, donc quelque chose autre que nous montrer que peut aide donner toi quelques aperçu dans comment ces modèles travail est ce coefficient parcelle. Quoi c'est révélateur nous est ce X axe est le normale X de le saisir espace de ton fonction, mais le Y axe est le résolution. Ces haut résolutions ici, tu es pensée à propos dans l'ensemble moyens. Comme nous obtenir dans ces haut résolutions, ces sont le des choses que sont événement vraiment fermer ensemble. A rouge doubler moyens c'est a négatif coefficient. Bleu moyens c'est positif. Ils sont escaladé donc que ils sont tous interprétable contre chaque autre. Le le plus grand lignes donner toi le idée où le le plus grand coefficients sont. Nous peut voir que le plus haut fréquence articles sont vraiment ici à le fin de le fonction. Nous avoir quelques dans l'ensemble tendances, mais juste quelque chose à pense à propos que ces ondelette modèles sont regarder à différent résolutions de ton données.
Quelque chose autre que nous avons ajouté avant nous obtenir à notre démo avec Argile est ondelettes BICHE. Dans FDE, nous avoir a fonctionnel BICHE que est fonctionnement avec fonctionnel principal composants. Si toi ne le faites pas savoir ceux sont, c'est d'accord. Tous toi besoin à savoir est que avec ondelettes, nous avoir coefficients pour tous de ces ondelette fonctions. Dans ce BICHE analyse, étaient pensée à propos modélisation le coefficients directement. Le résolution raconte toi un idée de si c'est a haut- fréquence article ou faible- fréquence article. Alors ce nombre dans le supports est révélateur toi le emplacement. Toi peut pense, d'accord, ces articles ici sont dans le trois, et c'est où quelques de que le plus élevé caractéristiques étaient que nous scie dans que coefficient parcelle. Ceux avoir quoi étaient appel le le plus élevé énergie.
Énergie dans ce cas est juste... Si nous score tous le coefficients, nous ajouter eux en haut, toi peut pense de que être comme le total énergie. Donc ce énergie nombre ici est a relatif énergie et donner toi un idée de comment beaucoup énergie il est expliquant dans le données. Le bon chose vraiment à propos en utilisant le coefficient approche est ces avoir direct interprétation droite à le emplacement et à le résolution. Un alternative que toi peut essayer et comparer contre fonctionnel PCA ou fonctionnel BICHE si toi avoir ce interprétabilité de le coefficients. Maintenant I pense Je vais main il sur à Argile. Il est a obtenu a démo pour toi à voir comment toi utiliser ces modèles dans JMP Pro.
Merci, Ryan. Allons-y prendre a regarder à un exemple que nous trouvé. Ryan mentionné brièvement le olive huile données ensemble que nous trouvé. C'est a échantillon de 120 différent huiles. La plupart de eux sont olive huiles, quelques de eux sont mélanges ou légume huiles. Quoi nous recherché à voir est, peut nous utiliser ce haut- performance liquide chromatographie données? Peut nous utiliser que information à classer le huile? Peut nous regarder à le spectraland dire ce est un olive huile ou ce est pas un olive huile?
Ces données est venu dehors de a étude depuis a université dans Espagne, et Ryan et I savant a parcelle à propos olive huile dans le processus. Pour exemple, olive huile est en fait a fruit jus, lequel I a fait pas savoir. Allons-y prendre a regarder à notre données. Chaque rangée dans notre données ensemble est a différent olive huile ou autre huile, et le rangées représenter le spectres. Bien utiliser le Fonctionnel Données Explorateur, et ça va prendre juste a deuxième à ajuster le ondelette modèles. Y ou'll voir ici, nous ajuster notre différent ondelettes. Comme Ryan mentionné plus tôt, nous essayer a poignée de différent ondelettes et nous donner toi le meilleur un.
Dans ce cas, le Simlet 20 était le meilleur ondelette dans termes de comment Bien il convient notre données. Nous peut voir ici où nous avons superposé ces équipé ondelettes avec le données que ce ondelette modèle convient vraiment Bien. L et dire toi avait a préféré ondelette fonction que toi recherché à utiliser plutôt, toi peut toujours cliquez autour dans ce rapport et ça va mise à jour lequel ondelette étaient en utilisant. Si nous recherché le Simlet 10 plutôt, tous toi avoir à faire est cliquez sur ce rangée dans le tableau, et Bien changer à le Simlet 10 plutôt. Allons-y aller dos à le 20 et Bien prendre a regarder à notre coefficients.
Dans le ondelette rapport, nous avoir ce tableau de ondelette coefficients. Comme Ryan était adage plus tôt, ces donner nous information à propos où le pics sont dans le données. Le plus loin ondelette, nous pense à propos que comme un intercepter, donc c'est comme un dans l'ensemble signifier. Alors chaque un de ces ondelette coefficients avec a résolution est... Il lignes en haut avec a différent partie de le fonction. Ce résolution un est le le plus bas fréquence résolution, et il va tous le chemin en haut à résolution 12. Ces sont beaucoup plus haut fréquence résolutions.
Comme toi peut voir, nous avons mis à zéro a parcelle de ces dehors. Dans fait, ce entier bloc de ondelette coefficients est mis à zéro dehors. Que juste va à montrer que étaient lissage. Si nous utilisé tous de ces résolutions, il serait recréer le fonction parfaitement, mais nous zéro eux dehors et que donne nous a beaucoup plus lisse fonction. Nous ajuster le ondelette modèle à notre spectral et nous pense nous avoir a bien modèle. Allons-y prendre ces coefficients et étaient en allant à utiliser ces à prédire si ou pas un huile est olive huile. J'ai a obtenu que dans a différent données ensemble.
Maintenant J'ai importé tous de ceux ondelette coefficients dans a nouveau données ensemble et J'ai combiné il avec quoi taper de huile il est. C'est soit olive huile ou c'est autre, et nous avons a obtenu tous de ces ondelette coefficients que étaient en allant à utiliser à prédire que. Le chemin nous faire que est en utilisant le généralisé régression plate-forme. Étaient en allant à modèle le taper en utilisant tous de notre différent ondelette coefficients. Depuis c'est a binaire réponse, nous choisir le binôme distribution, et étaient intéressé dans modélisation le probabilité que un huile est olive huile. Parce que nous ne le faites pas vouloir à utiliser tous de ceux ondelette coefficients, étaient en allant à utiliser le Lasso à faire variable sélection.
Maintenant nous avons utilisé le Lasso et nous avons a obtenu a modèle avec juste 14 paramètres. De tous de ceux ondelette coefficients que nous considéré pour notre modèle, nous seulement vraiment nécessaire 14 de eux. Nous peut prendre a regarder, nous avons mis à zéro dehors a parcelle de ceux ondelette coefficients. Allons-y prendre a regarder à le confusion matrice. En utilisant notre modèle, nous en fait parfaitement prédit si ou pas un de ces huiles est un olive huile ou c'est quelque chose autre. C'est joli bien. Nous a pris notre ondelette coefficients et nous choisi le 13 la plupart important parce que un de ceux 14 paramètres est le intercepter. Nous seulement nécessaire 13 de ceux ondelette coefficients à prédire lequel huile nous avait.
Dans fait, nous peut prendre a regarder à où ceux ondelette coefficients automne sur notre fonction. Quoi nous avoir ici est nous avoir le moyenne olive huile spectraline bleu et le autre huiles dans rouge, et chaque de ceux en pointillés lignes lignes en haut avec le coefficients que nous utilisé. Quelques de ces vraiment faire a parcelle de sens. Pour exemple, voici un de le ondelette coefficients que est important, et toi peut voir que il y a a grand différence dans le olive huile tracer et le autre huile.
De même, sur ici, nous peut voir que il y a a grand différence entre le deux là. Toi peut regarder à travers et voir que a parcelle de ces emplacements vraiment faire faire sens. Il fait sens que nous peut utiliser que partie de le courbe à discriminer entre le différent types de huile. Nous juste pensée que était a vraiment cool exemple de en utilisant ondelettes à prédire quelque chose autre. Pas que olive huile n'est pas amusant, mais Ryan et I les deux avoir jeune enfants et étaient les deux grand ventilateurs de le monde.
Nous aussi trouvé a nouveau monde données ensemble où quelqu'un avait enregistré attendez fois pour un de le populaire promenades à Disney Monde. C'est appelé le Sept Nains Esprit Former . C'est a rouleau montagnes russes à Disney Monde. Quelqu'un avait enregistré attendez fois tout au long de le jour pour plusieurs années valeur de données. I aussi mentionné ces sont a sous-ensemble de le données. Un de le problèmes est le parcs sont ouvrir pour différent montants de temps chaque jour, et quelques de le observations sont manquant. Nous sous-ensemble il vers le bas et a obtenu il à a plus maniable données ensemble. I serait dire que ce exemple est inspiré par réel données, mais c'est pas exactement réel données une fois nous massé il a petit peu.
Si nous graphique notre données, nous peut voir... Le horizontal axe ici est le temps de jour, et le verticale axe est le attendez temps. Dans le milieu de le jour, le attendez temps pour ce monter tend à être le le plus élevé. Nous peut regarder autour à différent jours de le semaine. Dimanche, Lundi est a petit peu plus occupé. Mardi est a petit moins occupé, Samedi est le la plupart occupé. Nous peut faire le même chose regarder à le années. Ce est 2015, 2016, 2017. Il apparence comme chaque année c'est obtenir plus long et plus long attendez fois jusqu'à quelque chose ça arrive dans 2021. I pense nous tous savoir pourquoi attendez fois à un amusement parc serait être moins dans 2021. Nous avons a obtenu un idée que toi peut utiliser ce information, comme jour de le semaine, année et mois, à prédire quoi que attendez temps courbe volonté regarder comme. Allons-y voir comment nous faire que dans FDE.
Je vais juste courir mon scénario ici. Quoi nous avons fait est Bien viens à le menu et demander à ajuster notre ondelette modèle. Il prend juste a deuxième, mais vraiment pas que long à ajuster plusieurs années valeur de données. Ce temps étaient pas en utilisant le Simlet plus. Étaient en utilisant ce Daubechies ondelette fonction. Quoi Ryan mentionné plus tôt était le ondelette BICHE fonctionnalité. Maintenant, quoi I n'a pas montrer était que nous avons aussi chargé temps de le jour de le semaine et le année et le mois dans le FDE. Étaient en allant à utiliser ceux variables à prédire le ondelette coefficients. Allons-y aller à le rouge triangle menu et Bien demander pour ondelette BICHE.
Maintenant, quoi est événement derrière le scènes est étaient en utilisant jour de le semaine, mois, et année à prédire ceux ondelette coefficients, et alors nous mettre il tous dos ensemble donc que nous peut voir comment le prédit attendez temps changements comme a fonction de ceux supplémentaire variables. Maintenant, de cours, nous résumer il dans a bon profileur. Nous peut vraiment rapidement voir le effets de mois. Si étaient juste en allant par le moyenne attendez temps de ce particulier monter, nous peut voir que Septembre tend à avoir le le plus bas attendez temps. Nous peut vraiment rapidement voir le COVID effet. Le attendez fois étaient ici dans 2019, et alors quand nous est allé avant à 2020, ils vraiment abandonné. Toi peut regarder autour à voir lequel jour de le semaine tend à être moins occupé, lequel mois sont moins occupé. Je c'est vraiment a cool chemin à regarder à comment ces attendez fois changement comme a fonction de différent facteurs. Remercier toi pour regarder. C'est tous nous avoir pour aujourd'hui et nous espoir tu vas donner le ondelette caractéristiques dans FDE a essayer. Merci.
