JMP Pro permet de résoudre facilement de nombreux types de problèmes impliquant des données intrinsèquement fonctionnelles , telles que :
- Données de séries chronologiques
- Flux de capteurs issus des processus de fabrication
- Mesures prises sur une plage de températures
- Spectres : IR, chromatographie, spectrométrie de masse, résonance magnétique nucléaire
Découvrez un aperçu des bases de l'analyse des données fonctionnelles, en mettant l'accent sur l'analyse des expériences conçues en réponse fonctionnelle, en mettant en évidence les fonctionnalités disponibles dans JMP Pro 16 à l'aide de Functional Data Explorer. Functional Data Explorer utilise les données de manière efficace et produit des résultats faciles à interpréter et où les formes des courbes/spectres constituent l'objet principal
Découvrez ensuite les fonctionnalités ajoutées dans JMP Pro 17 pour faciliter l’analyse des données spectrales, particulièrement utiles pour résoudre les problèmes courants dans les industries chimiques, pharmaceutiques et biotechnologiques.
Questions répondues lors du webinaire en direct par Chris @chris_gotwalt1 et Ryan Parker @RyanParker :
Q : Si vous exécutez PCA, JMP vous donnera toujours la même valeur propre ?
A : L'ACP fonctionnelle est réalisée sur les coefficients du modèle pour reconstruire les fonctions de forme. Il s'agit donc d'une opération différente de l'ACP normale pour respecter l'ordre de l'espace d'entrée.
Q : Si j'essaie de maximiser la courbe entière, dois-je déverrouiller le temps ? Ou existe-t-il une autre méthode pour maximiser la courbe ?
R : Vous devrez peut-être faire preuve de créativité avec la fonction de désirabilité ou commencer à essayer quelques points de temps sélectionnés pour voir s'il existe un consensus. Il est également possible que vous deviez utiliser « Enregistrer les résumés » et créer un résumé de la réponse pour essayer de l'optimiser dans un profileur.
Q : Lors de la modélisation de spectres (NIR) avec des concentrations de ce qui se trouve à l'intérieur, recommanderiez-vous plutôt des ondelettes ou des splines ?
R : Nous vous recommandons d’essayer d’abord Wavelets.
Q : Je sais que dans Fit Curve, vous pouvez obtenir une capacité similaire pour les facteurs DOE. Est-il prévu d'ajouter une option dans la liste déroulante sous Ondelettes en tant que modèle non linéaire ? Est-il prévu d'ajouter d'autres modèles non linéaires ? Actuellement, dans Fit Curve, elle est limitée et n'est pas incluse dans Fit.
R : D'accord. Heureusement, la plateforme Fit Curve nous permet d'ajouter facilement de nouvelles fonctions. Si vous avez des suggestions, envoyez-les à support@jmp.com ou à la liste de souhaits de la communauté des utilisateurs JMP.
Q : La fonction cible est-elle copiée et collée à la fin (étiquetée comme Cible) ? Elle est donc toujours utilisée dans l'analyse, mais également utilisée comme cible ?
R : Une fois que vous avez chargé une fonction cible, elle est traitée comme des données de validation. Elle n'est donc plus utilisée lors de l'ajustement des modèles et est plutôt exclue de l'analyse.
Q : Ainsi, le simple chargement de courbes/spectres sans aucune information Z n'exploiterait pas tout le potentiel de l'EDF ? Ou existe-t-il des cas d'utilisation pour cela ?
R : Supposons que vous examinez les courbes d'un processus de fabrication et que vous souhaitez identifier les types de variation typiques pour commencer à comprendre un grand ensemble de données multifonctions. Dans ce sens, vous utiliseriez l'EDF de la même manière que les composantes principales sont utilisées pour les données multivariées vectorielles. Il existe également un type d'analyse dont nous ne parlons pas ici aujourd'hui, où vous pourriez avoir les fonctions comme entrées et vous pourriez ne pas essayer de prédire une fonction, mais plutôt utiliser des fonctions pour prédire un attribut de qualité clé. Dans ce cas, vous chargeriez ces fonctions comme variables supplémentaires, puis feriez un exercice d'apprentissage automatique à la fin pour prédire l'attribut de qualité clé en utilisant les fonctions comme entrées.
Q : La fonction cible est-elle copiée et collée à la fin (étiquetée comme Cible) ? Est-elle toujours utilisée dans l'analyse, mais également utilisée comme cible ?
R : Une fois que vous avez chargé une fonction cible, elle est traitée comme des données de validation et n'est plus utilisée lors de l'ajustement des modèles. Au lieu de cela, elle est exclue de l'analyse.
Q : Lorsque je dimensionne un DOE standard, j'utilise la fraction de l'espace de conception et je regarde la valeur FDS à 80 % pour déterminer la taille de l'échantillon requise pour un modèle de départ donné avec un niveau donné de bruit aléatoire. Lorsque je fais un DOE fonctionnel, dois-je tenir compte du fait que ma réponse sera une courbe au lieu d'un scalaire ? En d'autres termes, dois-je disposer d'un échantillon plus grand pour tenir compte de l'étape supplémentaire de conversion des données en fonctions lisses ? J'essaie simplement de déterminer le nombre de courbes dont j'aurai besoin pour un DOE fonctionnel.
R : En coulisses, nous convertissons les fonctions en scalaires. Je pense donc que les diagnostics de conception que j'utiliserais seraient les mêmes qu'avant. Donc, si vous utilisez des tracés FDE pour évaluer la qualité de la conception proposée par le concepteur personnalisé, je pense que vous pouvez toujours les utiliser car nous construisons une analyse DOE fonctionnelle sur la base des analyses scalaires disponibles. En fait, tout ce que vous avez appris sur les DOE scalaires devrait s'étendre parfaitement aux DOE fonctionnels.
Q : Est-il possible d'utiliser les données brutes, sans prétraiter les données ?
R : Oui, si vous pensez que les données brutes ne doivent pas être nettoyées, sous-ensembleées ou transformées, vous pouvez passer directement à l'étape de lissage sans apporter aucune modification aux données.
Q : Qu'est-ce qu'une grille régulière ?
R : Une grille régulière est une grille dans laquelle les écarts entre les X consécutifs sont identiques. Par exemple, {0, .5, 1, 1.5, 2, 2.5, 3}, car l'ensemble des valeurs X est une grille régulière. Une grille irrégulière pourrait être quelque chose comme {0, .2, .7, 1.1, 1.2, 1.3, 2.4, 2.9}.
Q : Quelle est la différence entre, par exemple, Symlet6 et Symlet20 ?
R : En général, l'indice, comme 6 contre 20, conduit à une complexité croissante. Si vous allez sur https://wavelets.pybytes.com/wavelet/sym2/, vous pouvez voir différentes images des différents symlets.
Dans l'ensemble, je n'ai pas vraiment trouvé nécessaire d'en apprendre davantage sur les différents types et ordres d'ondelettes. Vous pouvez simplement laisser les données décider laquelle est la meilleure et examiner les tracés de diagnostic pour vous assurer que l'ajustement est bon. En général, vous voudrez passer plus de temps à étudier le nombre de fonctions de forme avec lesquelles je souhaite travailler.
Q : Je pense que toutes les ondelettes présentées s'intègrent à zéro sur toute la plage, car elles descendent en dessous de la ligne de base de niveau zéro, tandis que les pics s'intègrent dans une zone positive sous un pic. Si je ne me trompe pas, comment combler cet écart qualitatif entre la fonction modélisée et le modèle ?
R : Cela se produit grâce à la transformée en ondelettes discrète des données.
Q : Pour effectuer une FDA dans JMP, toutes les courbes doivent-elles avoir des formes similaires ? Que se passe-t-il si j'ai différents types de formes (par exemple, normales, exponentielles, bimodales, asymétriques, ...) dans un même ensemble de données ?
R : Non. Elles n'ont pas besoin d'être similaires. Le modèle de lissage s'adaptera sans difficulté aux formes très différentes, et les grandes différences entre les formes très différentes apparaîtront dans l'analyse des composantes principales fonctionnelles.
Q : Pouvons-nous enregistrer les fonctions de forme et le modèle prédictif pour les utiliser avec de nouvelles données (futures) (par exemple, de nouveaux spectres) ?
R : Oui. Dans l'ajustement du modèle d'ondelettes, il existe un nœud de contour appelé « Résumés de fonctions » que vous pouvez utiliser pour enregistrer le modèle prédit. Vous pouvez également enregistrer le modèle de prédiction DOE fonctionnel que vous pouvez utiliser pour travailler avec le modèle DOE de fonction directement en dehors de la plateforme (par exemple, dans le Graph->Profiler autonome).
Q : Pouvons-nous obtenir des intervalles de confiance à partir du DOE fonctionnel ?
R : Cette question a été posée à plusieurs reprises. Nous avons quelques idées sur la manière de procéder, mais nous devons effectuer davantage de recherches pour rendre possible l'analyse des incertitudes, comme les intervalles de confiance.
Q : Les variables de mélange sont-elles définies comme telles dans la colonne info, avec codage et tout ?
R : La propriété de la colonne Codage de mélange est là parce que la conception a été créée par le concepteur personnalisé, qui les crée automatiquement pour vous.
Ressources:
