JMP Pro semplifica la risoluzione di molti tipi di problemi che coinvolgono dati che sono intrinsecamente funzionali nel formato, come:
- Dati di serie temporali
- Flussi di sensori dai processi di produzione
- Misurazioni effettuate su un intervallo di temperature
- Spettri: IR, cromatografia, spettrometria di massa, risonanza magnetica nucleare
Visualizza una panoramica delle basi dell'analisi dei dati funzionali, con enfasi sull'analisi degli esperimenti progettati con risposta funzionale, evidenziando le funzionalità disponibili in JMP Pro 16 tramite Functional Data Explorer. Functional Data Explorer utilizza i dati in modo efficiente e produce risultati facili da interpretare e in cui le forme delle curve/spettri sono l'oggetto primario
Scopri poi le funzionalità aggiunte in JMP Pro 17 per facilitare l'analisi dei dati spettrali, particolarmente utili per risolvere i problemi prevalenti nei settori chimico, farmaceutico e biotecnologico.
Domande a cui hanno risposto Chris @chris_gotwalt1 e Ryan Parker @RyanParker durante il webinar in diretta:
Se esegui PCA, JMP ti restituirebbe comunque lo stesso autovalore?
A: La PCA funzionale viene eseguita sui coefficienti del modello per ricostruire le funzioni di forma. Quindi, è un'operazione diversa dalla PCA normale per rispettare l'ordine dello spazio di input.
Se cerco di massimizzare l'intera curva, dovrei sbloccare il tempo? Oppure esiste un metodo diverso per massimizzare la curva?
R: Potresti dover essere creativo con la funzione di desiderabilità, o iniziare a provare alcuni punti temporali selezionati per vedere se c'è un consenso. È anche possibile che tu debba usare "Salva riepiloghi" e creare un riepilogo della risposta per provare a massimizzare in un Profiler.
Quando si modellano spettri (NIR) con concentrazioni di ciò che si trova al loro interno, consiglieresti piuttosto wavelet o spline?
R: Ti consigliamo di provare prima Wavelets.
So che in Fit Curve è possibile ottenere una capacità simile per i fattori DOE. C'è la visione di aggiungere un'opzione nel menu a discesa sotto Wavelets come modello non lineare? Sono previsti altri modelli non lineari? Attualmente in Fit Curve è limitato e non è in Fit.
R: Concordo. Fortunatamente, per noi è facile aggiungere nuove funzioni alla piattaforma Fit Curve. Se hai suggerimenti, inviali a support@jmp.com o alla Wish List nella JMP User Community.
La funzione target viene copiata e incollata alla fine (etichettata come Target)? Quindi, viene ancora utilizzata nell'analisi, ma anche come target?
R: Dopo aver caricato una funzione target, questa viene trattata come dati di convalida. Quindi, non viene più utilizzata quando si adattano i modelli, ma viene invece tenuta fuori dall'analisi.
Quindi solo le curve/spettri di caricamento senza alcuna informazione Z non sfrutterebbero il pieno potenziale dell'FDE? Oppure ci sono casi d'uso per questo?
R: Supponiamo che tu stia esaminando le curve di un processo di produzione e che tu voglia identificare i tipi di variazione tipica per iniziare a comprendere un grande set di dati multifunzionali. In tal senso, useresti FDE più o meno nello stesso modo in cui le componenti principali vengono utilizzate per i dati multivariati vettoriali. Esiste anche un tipo di analisi di cui non stiamo parlando qui oggi, in cui potresti avere le funzioni come input e potresti non cercare di prevedere una funzione, ma utilizzare invece le funzioni per prevedere un attributo chiave di qualità. In tal caso, caricheresti quelle come variabili supplementari e quindi faresti un esercizio di apprendimento automatico alla fine per prevedere l'attributo chiave di qualità utilizzando le funzioni come input.
La funzione target viene copiata e incollata alla fine (etichettata come Target)? Viene ancora utilizzata nell'analisi, ma anche come target?
R: Dopo aver caricato una funzione target, questa viene trattata come dati di convalida e non viene più utilizzata per adattare i modelli. Invece, viene tenuta fuori dall'analisi.
Quando dimensiono un DOE normale, utilizzo Fraction of Design Space e osservo il valore FDS dell'80% per determinare la dimensione del campione richiesta per un dato modello di partenza con un dato livello di rumore casuale. Quando faccio un DOE funzionale, devo tenere conto del fatto che la mia risposta sarà una curva anziché uno scalare? In altre parole, devo avere una dimensione del campione maggiore per tenere conto del passaggio aggiuntivo di conversione dei dati in funzioni lisce? Sto solo cercando di capire come determinare quante curve mi serviranno per un DOE funzionale.
R: Dietro le quinte, stiamo convertendo le funzioni in scalari. Quindi, penso che la diagnostica di progettazione che userei sarebbe la stessa di prima. Quindi, se stai usando grafici FDE per valutare la qualità della progettazione proposta dal progettista personalizzato, penso che tu possa comunque usarli perché stiamo sviluppando analisi DOE funzionali in cima alle analisi scalari disponibili. In realtà, tutto ciò che hai imparato sui DOE scalari dovrebbe estendersi bene ai DOE funzionali.
È possibile utilizzare i dati grezzi senza preelaborarli?
R: Sì, se ritieni che i dati grezzi non debbano essere ripuliti, suddivisi in sottoinsiemi o trasformati, puoi passare direttamente alla fase di smoothing senza apportare modifiche ai dati.
Cos'è una griglia regolare?
R: Una griglia regolare è quella in cui gli spazi tra X consecutive sono gli stessi. Ad esempio, {0, .5, 1, 1.5, 2, 2.5, 3}, poiché l'insieme dei valori X è una griglia regolare. Una griglia irregolare potrebbe essere qualcosa come {0, .2, .7, 1.1, 1.2, 1.3, 2.4, 2.9}.
Qual è la differenza tra, ad esempio, Symlet6 e Symlet20?
R: In genere, l'indice, come 6 contro 20, porta a una complessità crescente. Se vai su https://wavelets.pybytes.com/wavelet/sym2/ puoi vedere diverse immagini dei diversi symlet.
Nel complesso, non ho ritenuto necessario imparare i diversi tipi e ordini di wavelet. Puoi semplicemente lasciare che siano i dati a decidere qual è il migliore e guardare i grafici diagnostici per assicurarti che l'adattamento sia buono. In generale, vorrai dedicare più tempo a esaminare il numero di Shape Function con cui voglio lavorare.
Credo che tutte le wavelet mostrate si integrino a zero sull'intero intervallo perché scendono sotto la linea di base del livello zero, mentre i picchi si integrano a un'area positiva sotto un picco. Se ho ragione, come si colma questo divario qualitativo tra la funzione modellata e il modello?
R: Ciò avviene tramite la trasformata wavelet discreta dei dati.
Per eseguire FDA in JMP, tutte le curve devono avere forme simili? Cosa succede se ho diversi tipi di forme (ad esempio, normale, esponenziale, bimodale, asimmetrica, ...) in un set di dati?
R: No. Non devono essere simili. Il modello di smoothing si adatterà alle forme molto diverse senza difficoltà e le grandi differenze tra le forme molto diverse emergeranno nell'analisi delle componenti principali funzionali.
Possiamo salvare le funzioni di forma e il modello predittivo per utilizzarli con nuovi dati (futuri) (ad esempio, nuovi spettri)?
R: Sì. Nel modello wavelet fit c'è un nodo outline chiamato "Function Summaries" che puoi usare per salvare il modello previsto e puoi anche salvare il modello di previsione DOE funzionale che puoi usare per lavorare con il modello DOE della funzione direttamente al di fuori della piattaforma (ad esempio, nel Graph->Profiler autonomo).
Possiamo ottenere intervalli di confidenza dal DOE funzionale?
R: Questa domanda è stata sollevata più volte. Abbiamo alcune idee su come possiamo farlo, ma dobbiamo fare più ricerche per rendere possibili analisi dell'incertezza come gli intervalli di confidenza.
Le variabili di miscela sono impostate come tali nella colonna info, con codifica e tutto il resto?
R: La proprietà della colonna Codifica miscela è presente perché il design è stato creato dal Progettista personalizzato, che lo crea automaticamente per te.
Risorse:
