JMP Pro를 사용하면 다음과 같이 본질적으로 기능적인 데이터와 관련된 여러 종류의 문제를 쉽게 해결할 수 있습니다.
- 시계열 데이터
- 제조 공정의 센서 스트림
- 다양한 온도 범위에서 측정
- 스펙트럼: IR, 크로마토그래피, 질량 분석, 핵자기 공명
기능적 데이터 분석의 기본에 대한 개요를 살펴보세요. 기능적 응답 설계 실험 분석에 중점을 두고, Functional Data Explorer를 사용하여 JMP Pro 16에서 사용 가능한 기능을 강조합니다. Functional Data Explorer는 데이터를 효율적으로 사용하고, 곡선/스펙트럼의 모양이 주요 대상인 해석하기 쉬운 결과를 산출합니다.
그런 다음, 화학, 제약 및 바이오 기술 산업에서 널리 퍼져 있는 문제를 해결하는 데 특히 유용한 스펙트럼 데이터 분석을 용이하게 하기 위해 JMP Pro 17에 추가된 기능에 대해 알아보세요.
라이브 웨비나에서 Chris @chris_gotwalt1 와 Ryan Parker @RyanParker 가 답한 질문:
질문: PCA를 실행하면 JMP는 동일한 고유값을 제공합니까?
A: 기능적 PCA는 모델 계수에 대해 수행되어 형상 함수를 재구성합니다. 따라서 입력 공간의 순서를 존중하는 일반 PCA와는 다른 작업입니다.
질문: 곡선 전체를 최대화하려고 한다면 시간을 잠금 해제해야 하나요? 아니면 곡선을 최대화하는 다른 방법이 있나요?
A: 바람직성 함수에 대해 창의성을 발휘하거나, 합의가 있는지 확인하기 위해 몇 가지 선택된 시간 지점을 시도해야 할 수도 있습니다. 또한 "요약 저장"을 사용하여 응답 요약을 만들어 Profiler에서 최대화해야 할 수도 있습니다.
질문: 내부 농도를 이용하여 (NIR) 스펙트럼을 모델링할 때, 웨이블릿과 스플라인 중 어느 것을 추천하시겠습니까?
A: 먼저 Wavelet을 사용해 보는 게 좋습니다.
질문: Fit Curve에서 DOE 요인에 대한 유사한 기능을 얻을 수 있다는 것을 알고 있습니다. Wavelets 아래 드롭다운에 비선형 모델로 옵션을 추가하는 비전이 있습니까? 더 많은 비선형 모델을 추가할 계획이 있습니까? 현재 Fit Curve에서는 제한되어 있으며 Fit에 없습니다.
A: 동의합니다. 다행히도 Fit Curve 플랫폼은 새로운 기능을 추가하기 쉽습니다. 제안 사항이 있으면 support@jmp.com으로 보내거나 JMP 사용자 커뮤니티의 Wish List에 보내주세요.
질문: 타겟 함수는 복사해서 마지막에 붙여넣었나요(타겟으로 표시됨)? 그러면 분석에는 여전히 사용되지만 타겟으로도 사용되나요?
A: 타겟 함수를 로드한 후에는 검증 데이터로 처리됩니다. 따라서 모델을 피팅할 때 더 이상 사용되지 않고 대신 분석에서 제외됩니다.
질문: 그럼 Z 정보가 없는 곡선/스펙트럼만 로딩하면 FDE의 모든 잠재력을 활용하지 못하는 건가요? 아니면 이에 대한 사용 사례가 있나요?
A: 제조 공정의 곡선을 보고 있고, 큰 다기능 데이터 세트를 이해하기 위해 일반적인 변화의 종류를 식별하려고 한다고 가정해 보겠습니다. 그런 의미에서 벡터 다변량 데이터에 주성분을 사용하는 것과 거의 같은 방식으로 FDE를 사용합니다. 오늘 여기서 이야기하지 않는 분석도 있는데, 함수를 입력으로 사용하고 함수를 예측하려고 하지 않고 대신 함수를 사용하여 주요 품질 속성을 예측하는 것입니다. 그런 경우 이를 보충 변수로 로드한 다음 마지막에 기계 학습 연습을 수행하여 함수를 입력으로 사용하여 주요 품질 속성을 예측합니다.
질문: 타겟 함수는 복사하여 마지막에 붙여넣었나요(타겟으로 표시됨)? 분석에는 여전히 사용되지만 타겟으로도 사용되나요?
A: 타겟 함수를 로드한 후에는 검증 데이터로 처리되고 모델을 피팅할 때 더 이상 사용되지 않습니다. 대신 분석에서 제외됩니다.
질문: 일반 DOE의 크기를 결정할 때, 설계 공간의 분수를 사용하고 80% FDS 값을 보고 주어진 수준의 랜덤 노이즈가 있는 주어진 시작 모델에 필요한 표본 크기를 결정합니다. 기능적 DOE를 수행할 때 응답이 스칼라가 아닌 곡선이 될 것이라는 사실을 고려해야 합니까? 즉, 데이터를 부드러운 함수로 변환하는 추가 단계를 고려하기 위해 더 큰 표본 크기가 필요합니까? 기능적 DOE에 필요한 곡선의 수를 결정하는 방법을 알아보려고 합니다.
A: 우리는 내부적으로 함수를 스칼라로 변환하고 있습니다. 그래서 제가 사용할 설계 진단은 이전과 동일할 것이라고 생각합니다. 따라서 사용자 정의 설계자가 제안하는 설계의 품질을 평가하기 위해 FDE 플롯을 사용하는 경우, 사용 가능한 스칼라 분석 위에 기능적 DOE 분석을 구축하고 있기 때문에 여전히 사용할 수 있다고 생각합니다. 실제로 스칼라 DOE에 대해 배운 모든 내용은 기능적 DOE로 훌륭하게 확장될 것입니다.
질문: 데이터를 사전 처리하지 않고 원시 데이터를 사용하는 것이 가능합니까?
대답: 네, 원시 데이터를 정리하거나, 부분 집합으로 나누거나, 변환할 필요가 없다고 생각되면 데이터를 변경하지 않고 바로 평활화 단계로 넘어갈 수 있습니다.
질문: 일반 그리드란 무엇인가요?
A: 정규 그리드는 연속된 X 사이의 간격이 동일한 경우입니다. 예를 들어, {0, .5, 1, 1.5, 2, 2.5, 3}은 X 값 집합이 정규 그리드이기 때문입니다. 불규칙 그리드는 {0, .2, .7, 1.1, 1.2, 1.3, 2.4, 2.9}와 같은 것일 수 있습니다.
질문: Symlet6과 Symlet20의 차이점은 무엇인가요?
A: 일반적으로 6 대 20과 같은 인덱스는 복잡성을 증가시킵니다. https://wavelets.pybytes.com/wavelet/sym2/ 로 가면 다양한 symlet의 다양한 사진을 볼 수 있습니다.
전반적으로, 저는 다양한 웨이블릿 유형과 순서에 대해 배울 필요가 없다고 생각했습니다. 데이터가 어떤 것이 가장 좋은지 결정하도록 두고 진단 플롯을 보고 적합성이 좋은지 확인할 수 있습니다. 일반적으로, 제가 작업하고자 하는 Shape Functions의 수를 조사하는 데 더 많은 시간을 할애하고 싶을 것입니다.
질문: 저는 모든 표시된 웨이블릿이 전체 범위에서 0으로 통합된다고 생각합니다. 왜냐하면 0 레벨 기준선 아래로 떨어지기 때문이고, 피크는 피크 아래의 양의 영역으로 통합되기 때문입니다. 제가 맞다면, 모델링된 함수와 모델 간의 이 질적 격차를 어떻게 메우나요?
대답: 이는 데이터의 이산 웨이블릿 변환을 통해 이루어집니다.
질문: JMP에서 FDA를 수행하려면 모든 곡선이 비슷한 모양이어야 합니까? 한 데이터 세트에 여러 유형의 모양(예: 정규형, 지수형, 이중 모드, 비대칭형 등)이 있는 경우 어떻게 합니까?
A: 아니요. 비슷할 필요는 없습니다. 평활화 모델은 매우 다른 모양을 어려움 없이 맞추었고, 매우 다른 모양 간의 큰 차이는 기능적 주성분 분석에서 드러날 것입니다.
질문: 새로운(미래) 데이터(예: 새로운 스펙트럼)에 사용할 모양 함수와 예측 모델을 저장할 수 있나요?
A: 네. 웨이블릿 모델 적합에는 "함수 요약"이라는 개요 노드가 있는데, 이를 사용하여 예측 모델을 저장할 수 있으며, 플랫폼 외부에서 함수 DOE 모델로 작업하는 데 사용할 수 있는 함수 DOE 예측 모델을 저장할 수도 있습니다(예: 독립형 Graph->Profiler).
질문: 기능 DOE에서 신뢰 구간을 얻을 수 있나요?
A: 그 질문은 여러 번 나왔습니다. 우리는 이것을 어떻게 할 수 있는지에 대한 몇 가지 아이디어가 있지만, 신뢰 구간과 같은 불확실성 분석을 가능하게 하기 위해 더 많은 연구를 해야 합니다.
질문: 혼합 변수는 코딩 등을 포함하여 열 정보에 그대로 설정되어 있습니까?
답변: 혼합 코딩 열 속성은 사용자 정의 디자이너가 디자인을 자동으로 생성하기 때문에 존재합니다.
자원:
