Ciao a tutti!
Sto lavorando con l'analisi delle componenti principali dei dati spettrali (FTIR). Per questo, sto utilizzando la piattaforma Functional Data Explorer. Ho alcune domande sui risultati caricati dopo l'analisi:
1. Quali sarebbero i criteri per identificare quale modello è migliore? Grafici diagnostici vs. autovalori
Prima di eseguire la PCA, sto adattando alcuni modelli (B-spline, P-spline e PCA funzionale diretta) per vedere quale si adatta meglio ai miei dati.
Come sapete, il software lancia grafici diagnostici del modello e del PCA. Per P-spline, credo di avere grafici diagnostici leggermente migliori rispetto al PCA diretto (si prega di fare riferimento al file ppt allegato), ma i miei 2 Componenti principali spiegano solo il 78% della variazione, mentre con il PCA diretto i miei 2 PC spiegano il 99%. Quindi, ho dei dubbi su come decidere quale sia il migliore?
2. Le funzioni di forma sono le stesse dei grafici di carico?
Funzione di forma PCA diretta:
Funzione forma spline P:
Vorrei verificare se la mia interpretazione è corretta. Credo che le funzioni di forma siano i diagrammi di caricamento per la mia analisi PCA, giusto? È corretto dire che le funzioni di forma 1 e 2 spiegano i numeri d'onda che hanno avuto il contributo più alto sul mio raggruppamento PCA?
E solo per curiosità... c'è qualche motivo per cui le funzioni di forma per P spline sembrano un po' "ammaccate", mentre per B spline e PCA diretto sembrano lisce?
Grazie!
Ciao @Mariana_Aguilar ,
Per dare seguito alle tue domande:
- Esistono diverse metriche che puoi utilizzare per valutare, confrontare e selezionare meglio i modelli, e potrebbero variare a seconda del tuo obiettivo.
Per la piattaforma Functional Data Explorer, sono visualizzati diversi criteri di informazione: AICc, BIC e GCV: opzioni del report di adattamento del modello . Queste metriche vengono utilizzate per confrontare e selezionare il modello con il criterio di informazione più basso (il miglior compromesso tra accuratezza/prestazioni predittive e complessità). Consultare Basis Function Expansion Model Report per avere maggiori informazioni sulla selezione del modello.
Visivamente, i grafici diagnostici sono anche molto utili. Nel file allegato, sembra che P-Splines faccia un lavoro migliore di Direct PCA, che potrebbe smussare e semplificare troppo il segnale dai dati spettrali (come con B-Splines, che sono modelli di spline polinomiali). Poiché il segnale sembra (troppo)semplificato con Direct PCA, potrebbe spiegare perché sei in grado di spiegare il 99% della variazione con 2 PC funzionali con questo modello. A seconda del tipo di modello che stai adattando (B-, P-Splines, modelli diretti, Wavelet, ...), la complessità (e le prestazioni predittive) saranno diverse e porteranno a diverse complessità/di Shape Functions.
Per quanto riguarda i dati spettrali, consiglierei anche di provare i modelli della famiglia Wavelets.
- Le Shape Functions sono Functions Principal Components funzionali, quindi aiutano a comprendere visivamente quale area dei dati spettrali è la più importante da discriminare e spiegare le differenze tra i campioni. Ma diverse Shape Functions possono essere collegate alla stessa area spettrale, quindi le influenze/importanze non sono così dirette da valutare.
Spero che questa risposta ti aiuti,
Grazie mille Victor!
Nelle funzioni di forma, il grafico a sinistra riporta la dicitura funzione media... potrei capire perché l'asse Y per questo grafico è "dati" mentre per gli altri due è "peso"?
E un'altra domanda, c'è un modo per esportare questi grafici in Excel? In questo modo posso metterli nello stesso formato del resto del mio materiale.
Grazie:)
