Mit JMP Pro lassen sich viele Arten von Problemen im Zusammenhang mit Daten, die eine funktionale Form aufweisen, leicht lösen, beispielsweise:
- Zeitreihendaten
- Sensordaten aus Fertigungsprozessen
- Messungen über einen Temperaturbereich
- Spektren: IR, Chromatographie, Massenspektrometrie, Kernspinresonanz
Erhalten Sie einen Überblick über die Grundlagen der funktionalen Datenanalyse, mit Schwerpunkt auf der Analyse von Experimenten, die auf funktionale Reaktionen ausgelegt sind. Dabei werden die Funktionen hervorgehoben, die in JMP Pro 16 mit dem Functional Data Explorer verfügbar sind. Der Functional Data Explorer nutzt Daten effizient und liefert Ergebnisse, die leicht zu interpretieren sind und bei denen die Formen der Kurven/Spektren das Hauptobjekt sind.
Informieren Sie sich anschließend über die in JMP Pro 17 hinzugefügten Funktionen zur Vereinfachung der Analyse von Spektraldaten, die besonders nützlich sind, um in der chemischen, pharmazeutischen und biotechnologischen Industrie häufig auftretende Probleme zu lösen.
Während des Live-Webinars von Chris @chris_gotwalt1 und Ryan Parker @RyanParker beantwortete Fragen:
F: Wenn Sie PCA ausführen, erhalten Sie von JMP immer noch denselben Eigenwert?
A: Um die Formfunktionen zu rekonstruieren, wird eine funktionale PCA an den Modellkoeffizienten durchgeführt. Es handelt sich also um eine andere Operation als bei normaler PCA, um die Reihenfolge des Eingaberaums zu berücksichtigen.
F: Wenn ich versuche, die gesamte Kurve zu maximieren, sollte ich dann die Zeit entsperren? Oder gibt es eine andere Methode, um die Kurve zu maximieren?
A: Möglicherweise müssen Sie bei der Wunschfunktion kreativ werden oder einige ausgewählte Zeitpunkte ausprobieren, um zu sehen, ob ein Konsens besteht. Möglicherweise müssen Sie auch „Zusammenfassungen speichern“ verwenden und eine Zusammenfassung der Antwort erstellen, um zu versuchen, sie in einem Profiler zu maximieren.
F: Würden Sie bei der Modellierung von (NIR-)Spektren mit Konzentrationen des Inhalts eher Wavelets oder Splines empfehlen?
A: Wir empfehlen, zuerst Wavelets auszuprobieren.
F: Ich weiß, dass Sie in Fit Curve ähnliche Funktionen für DOE-Faktoren erhalten können. Ist geplant, in der Dropdown-Liste unter Wavelets eine Option als nichtlineares Modell hinzuzufügen? Ist geplant, weitere nichtlineare Modelle hinzuzufügen? Derzeit ist dies in Fit Curve begrenzt und nicht in Fit enthalten.
A: Einverstanden. Die Fit Curve-Plattform lässt sich zum Glück problemlos um neue Funktionen erweitern. Wenn Sie Vorschläge haben, senden Sie diese an support@jmp.com oder an die Wunschliste der JMP-Benutzercommunity.
F: Wird die Zielfunktion kopiert und am Ende eingefügt (mit der Bezeichnung „Ziel“)? Wird sie also weiterhin in der Analyse verwendet, dient aber auch als Ziel?
A: Nachdem Sie eine Zielfunktion geladen haben, wird sie als Validierungsdaten behandelt. Sie wird daher beim Anpassen der Modelle nicht mehr verwendet, sondern aus der Analyse herausgehalten.
F: Das alleinige Laden von Kurven/Spektren ohne Z-Informationen würde also nicht das volle Potenzial der FDE ausschöpfen? Oder gibt es dafür Anwendungsfälle?
A: Angenommen, Sie betrachten Kurven aus einem Herstellungsprozess und möchten die Arten typischer Abweichungen identifizieren, um einen großen multifunktionalen Datensatz zu verstehen. In diesem Sinne würden Sie FDE auf die gleiche Weise verwenden wie Hauptkomponenten für vektorielle multivariate Daten. Es gibt auch eine Art von Analyse, über die wir hier heute nicht sprechen, bei der Sie möglicherweise die Funktionen als Eingaben haben und nicht versuchen, eine Funktion vorherzusagen, sondern stattdessen Funktionen verwenden, um ein wichtiges Qualitätsmerkmal vorherzusagen. In diesem Fall würden Sie diese als zusätzliche Variablen laden und dann am Ende eine maschinelle Lernübung durchführen, um das wichtigste Qualitätsmerkmal unter Verwendung der Funktionen als Eingaben vorherzusagen.
F: Wird die Zielfunktion kopiert und am Ende eingefügt (mit der Bezeichnung „Ziel“)? Wird sie weiterhin in der Analyse verwendet, aber auch als Ziel?
A: Nachdem Sie eine Zielfunktion geladen haben, wird sie als Validierungsdaten behandelt und beim Anpassen der Modelle nicht mehr verwendet. Stattdessen wird sie aus der Analyse herausgehalten.
F: Wenn ich ein reguläres DOE bewerte, verwende ich den Bruchteil des Designraums und sehe mir den 80 %-FDS-Wert an, um die Stichprobengröße zu bestimmen, die für ein bestimmtes Startmodell mit einem bestimmten Grad an zufälligem Rauschen erforderlich ist. Muss ich bei einem funktionalen DOE berücksichtigen, dass meine Antwort eine Kurve und kein Skalar sein wird? Mit anderen Worten: Muss ich eine größere Stichprobengröße haben, um den zusätzlichen Schritt der Konvertierung der Daten in glatte Funktionen zu berücksichtigen? Ich versuche nur, ein Gefühl dafür zu bekommen, wie viele Kurven ich für ein funktionales DOE benötigen werde.
A: Hinter den Kulissen konvertieren wir die Funktionen in Skalare. Ich denke also, dass die Designdiagnose, die ich verwenden würde, die gleichen wie zuvor wäre. Wenn Sie also FDE-Diagramme verwenden, um die Qualität des vom benutzerdefinierten Designer vorgeschlagenen Designs zu beurteilen, können Sie diese meiner Meinung nach weiterhin verwenden, da wir die funktionale DOE-Analyse auf den verfügbaren Skalaranalysen aufbauen. Eigentlich sollte alles, was Sie über skalare DOEs gelernt haben, problemlos auf funktionale DOEs übertragbar sein.
F: Ist es möglich, die Rohdaten zu verwenden, ohne die Daten vorzuverarbeiten?
A: Ja, wenn Sie der Meinung sind, dass die Rohdaten nicht bereinigt, in Teilmengen unterteilt oder transformiert werden müssen, können Sie direkt mit dem Glättungsschritt fortfahren, ohne Änderungen an den Daten vorzunehmen.
F: Was ist ein reguläres Raster?
A: Bei einem regelmäßigen Raster sind die Abstände zwischen aufeinanderfolgenden X-Werten gleich. Beispiel: {0, .5, 1, 1.5, 2, 2.5, 3}, da der Satz von X-Werten ein regelmäßiges Raster ist. Ein unregelmäßiges Raster könnte beispielsweise {0, .2, .7, 1.1, 1.2, 1.3, 2.4, 2.9} sein.
F: Was ist der Unterschied zwischen beispielsweise Symlet6 und Symlet20?
A: Im Allgemeinen führt der Index, z. B. 6 gegenüber 20, zu einer zunehmenden Komplexität. Unter https://wavelets.pybytes.com/wavelet/sym2/ können Sie verschiedene Bilder der verschiedenen Symlets sehen.
Insgesamt habe ich es nicht wirklich für notwendig gehalten, etwas über die verschiedenen Wavelet-Typen und -Ordnungen zu lernen. Sie können einfach die Daten entscheiden lassen, welche die beste ist, und sich die Diagnosediagramme ansehen, um sicherzustellen, dass die Anpassung gut ist. Im Allgemeinen werden Sie mehr Zeit damit verbringen wollen, die Anzahl der Formfunktionen zu untersuchen, mit denen ich arbeiten möchte.
F: Ich glaube, dass alle gezeigten Wavelets über den gesamten Bereich auf Null integriert werden, da sie unter die Null-Basislinie abfallen, während Spitzen in einen positiven Bereich unter einer Spitze integriert werden. Wenn das richtig ist, wie schließen Sie diese qualitative Lücke zwischen der modellierten Funktion und dem Modell?
A: Das geschieht durch die diskrete Wavelet-Transformation der Daten.
F: Müssen alle Kurven ähnliche Formen haben, um FDA in JMP durchzuführen? Was passiert, wenn ich in einem Datensatz verschiedene Formen habe (z. B. normal, exponentiell, bimodal, schief, ...)?
A: Nein. Sie müssen nicht ähnlich sein. Das Glättungsmodell passt die sehr unterschiedlichen Formen problemlos an, und die großen Unterschiede zwischen den sehr unterschiedlichen Formen werden in der funktionalen Hauptkomponentenanalyse sichtbar.
F: Können wir die Formfunktionen und das Vorhersagemodell speichern, um sie mit neuen (zukünftigen) Daten (z. B. neuen Spektren) zu verwenden?
A: Ja. In der Wavelet-Modellanpassung gibt es einen Gliederungsknoten namens „Funktionszusammenfassungen“, mit dem Sie das vorhergesagte Modell speichern können. Außerdem können Sie das funktionale DOE-Vorhersagemodell speichern, das Sie verwenden können, um direkt außerhalb der Plattform mit dem funktionalen DOE-Modell zu arbeiten (z. B. im eigenständigen Graph->Profiler).
F: Können wir Konfidenzintervalle aus dem funktionalen DOE erhalten?
A: Diese Frage wurde schon mehrmals gestellt. Wir haben einige Ideen, wie wir das erreichen können, aber wir müssen noch mehr Forschung betreiben, um Unsicherheitsanalysen wie Konfidenzintervalle zu ermöglichen.
F: Sind die Mischungsvariablen in der Spalte „Info“ als solche festgelegt, mit Codierung usw.?
A: Die Spalteneigenschaft „Mischungscodierung“ ist vorhanden, weil das Design vom benutzerdefinierten Designer erstellt wurde, der sie automatisch für Sie erstellt.
Ressourcen:
