是什麼促使我提出這個願望清單請求？函數型資料分析固然強大，但當使用函數型主成分分析時，由於它是一種無監督方法，需要先擷取函數型主成分，才能進行函數型主成分迴歸（PCR）來建立預測模型。理論上，函數型偏最小平方法可以解決這個問題，因為它是一種監督方法，建立預測模型會容易得多。
最初的靈感來自我和彼得·赫什在歐洲發現大會（European Discovery）以及最近的SciX大會上展示的一張海報。我們比較了主成分分析（PCA）、函數型PCA和偏最小平方法（PLS）在光譜資料分析中的應用。 PLS表現最佳，函數型PCA位居第二。因此，如果函數型PCA優於PCA，那麼函數型PLS理應優於PLS，至少我是這麼認為的。這樣一來，JMP的FDE平台就擁有了最強大、最具預測性的建模能力。除非使用R或Python編寫程式碼，否則其他軟體都不具備這種能力。
請描述您希望看到的新功能或改進功能或解決方案。將功能性偏最小二乘法 (PLS) 添加到 FDE 平台將使 JMP 的 FDE 在曲線數據分析方面成為不可忽視的力量，並使其成為一個更靈活的平台，可用於分析任何曲線數據。請參閱附件中由 Taylor & Francis 代表美國統計協會撰寫的論文，該論文直接比較了功能性主成分回歸 (PCR) 和功能性偏最小二乘法 (PLS)。論文描述並比較了功能性 PCR 和功能性 PLS，結果顯示功能性 PLS 在分析實際近紅外線 (NIR) 數據方面更勝一籌。
如果提供這項新功能，對您和/或其他用戶有何價值？功能性偏最小平方法 (Functional PLS) 將提供更強大、更直接的曲線資料分析方法。有了功能性偏最小二乘法，在 FDE 平台內建立預測模型將變得更加容易，而這正是用戶自 FDE 推出以來一直期待的功能。
這是外部客戶的需求嗎？並非是某個客戶主動提出的要求，而是客戶一直希望能夠直接從函數型PCA資料建立預測模型。我曾與ADM公司的Drew Luebe討論過將函數型PLS添加到FDE中，他對此非常感興趣，希望能夠將其應用於他們的曲線數據。
是否有其他同類軟體具備類似的功能或解決方案？沒有，而這正是它最棒的地方。如果真有其他同類軟體具備， FDE平台在曲線資料分析領域將更獨樹一格。
這是否會影響客戶的續約、擴展或採用？如果我們不解決這個問題，是否會為客戶帳戶帶來風險？在FDE平台中加入功能性PLS將推動JMP Pro在我們核心化學產業客戶中的擴展和使用，因為他們將擁有更強大的工具來分析化學計量資料。
