Cet article présente un exemple d'utilisation de techniques d'apprentissage automatique sur des données spectrales pour construire un modèle de classification permettant d'identifier des échantillons .
L'image ci-dessous visualise les données de spectroscopie infrarouge moyenne (FT-IR) de la purée de fraises.
Le spectre rouge à gauche représente la purée de fraises, tandis que le spectre bleu à droite représente la purée sans fraises (purée issue de fruits ne contenant pas de fraises).
Les spectres rouge (fraise) et bleu (non-fraise) présentent des formes globalement similaires, mais des différences d'absorbance (valeur de l'axe Y) sont observées dans certaines régions de nombre d'ondes.
Par conséquent, nous allons construire un modèle d'apprentissage automatique qui prend en entrée des données d'absorbance à plusieurs nombres d'ondes et qui produit en sortie (étiquettes) « fraise » ou « non-fraise » pour faire la distinction entre les deux.
De plus, nous examinerons quelles plages de nombres d'onde sont utiles pour les distinguer en fonction du modèle obtenu.
Détails des données
Les données consistent en des données spectrales FT-IR dans l'infrarouge moyen (MIR) obtenues à partir de purée de fraises (fraises) et de purée de fruits autres que les fraises (autres que les fraises) (les sources sont listées à la fin du blog).
L'absorbance a été mesurée pour chaque échantillon dans la région des nombres d'onde de 900 à 1800 cm⁻¹ , et un total de 983 données spectrales ont été obtenues pour les échantillons de fraises et les échantillons autres que les fraises.
La figure ci-dessous présente la superposition des spectres de fraises (en rouge, N=351) et d'autres plantes (N=632). Comme indiqué précédemment, les spectres sont similaires, mais des différences apparaissent dans certaines régions spectrales.
En utilisant des techniques d'apprentissage automatique, nous tentons de distinguer les fraises des autres fruits en capturant les différences sur plusieurs nombres d'onde dans ces données spectrales.
structure de données
Les données utilisées pour l'analyse sont structurées comme suit :
Une colonne intitulée « Catégorie » permet de distinguer les fraises des autres fruits, et cela correspond à l’étiquette du modèle de classification.
Les autres colonnes contiennent l'absorbance à chaque nombre d'ondes, et dans ces données, les informations spectrales de 235 points de nombre d'ondes sont utilisées comme variables explicatives.
*Les instructions suivantes utiliseront les fonctionnalités de JMP Pro.
De plus, les 983 lignes de données sont réparties aléatoirement, 75 % étant utilisées comme données d'entraînement et 25 % comme données de validation.
Dans JMP Pro, en allant dans [Analyser] > [Modèle prédictif] > [Créer une colonne de validation] et en spécifiant « Catégorie » comme colonne [Stratification], vous pouvez créer une colonne « Validation » qui divise les données de sorte que la proportion de données d'entraînement et de données de validation soit à peu près égale à chaque niveau de catégorie, comme indiqué dans la figure ci-dessous.
Réduction de dimensionnalité des données spectrales par analyse en composantes principales fonctionnelles
Comme dans cet exemple, les données spectrales sont des données multivariées avec de nombreuses variables continues, il est donc courant d'utiliser l'analyse en composantes principales (ACP) pour réduire leur dimensionnalité et confirmer visuellement si les groupes peuvent être séparés.
Cependant, nous utiliserons ici l'analyse en composantes principales fonctionnelles (FPCA) pour traiter l'ensemble du spectre comme une « fonction » et tenter de le classer en fonction des différences de sa forme.
JMP Pro vous permet d'effectuer cette analyse en composantes principales fonctionnelles à l'aide d'une plateforme appelée « Functional Data Explorer » .
Pour réaliser une analyse en composantes principales fonctionnelles, nous ajustons d'abord une fonction d'ondelettes appropriée à chaque spectre, représentant ainsi ce dernier comme une fonction unique. Ensuite, nous extrayons les différences de forme de la fonction pour obtenir les composantes principales.
La figure ci-dessous présente le rapport obtenu après ajustement d'un modèle d'ondelettes aux données spectrales et réalisation d'une analyse en composantes principales fonctionnelles. Le graphique des scores obtenu ici correspond à une version fonctionnelle du graphique d'analyse en composantes principales. La forme de la fonction est réduite à deux dimensions, et les coordonnées de chacun des 983 échantillons sont représentées.
Cela signifie que les échantillons situés à proximité les uns des autres auront des formes spectrales similaires, tandis que les échantillons situés à distance les uns des autres auront des formes spectrales différentes.
En observant le graphique des scores, on peut voir que les fraises (en rouge) sont concentrées près du centre, tandis que les autres fruits (en bleu) sont plus largement dispersés.
Bien qu'une classification complète soit difficile en utilisant uniquement ces deux axes, le biais dans la distribution, en particulier dans une direction des composantes principales, suggère que les différences de forme spectrale peuvent influencer la classification de manière multivariée.
Construction de modèles de classification à l'aide de techniques d'apprentissage automatique
Le vrai travail commence maintenant. Il existe différentes méthodes pour les modèles de classification en apprentissage automatique, mais l'utilisation d'une plateforme de « sélection de modèles » permet d'appliquer plusieurs modèles aux mêmes données et de comparer leurs performances.
Pour cet ensemble de données, dans la section « Sélection du modèle », spécifiez les colonnes suivantes : [Y, Variable cible], [X, Variable explicative] et [Validation]. En spécifiant la colonne de validation, vous pouvez ajuster le modèle aux données d'entraînement, puis évaluer ses performances à l'aide des données de validation.
Dans la section « Méthode » en bas à gauche, sélectionnez le modèle que vous souhaitez appliquer. Ici, vous sélectionnez une méthode relative aux modèles de classification.
Lorsque tous les modèles testés avec ces paramètres sont appliqués, les statistiques d'adéquation de chaque méthode aux données de validation sont affichées comme suit. Par défaut, elles sont triées par ordre décroissant de « R² d'entropie ».
Les résultats montrent que le « renforcement neuronal » (un réseau neuronal dont la précision de prédiction est améliorée grâce au renforcement) a donné les meilleurs résultats dans toutes les statistiques d'adéquation.
Le coefficient de détermination (R²) est proche de 1 et le taux d'erreur de classification est de 0,0041, soit moins de 1 %. Cela indique que les 235 variables spectrales permettent de distinguer presque parfaitement les fraises des autres fruits.
Remarque : Dans « Sélection de modèles », le nombre maximal de paramètres à estimer est limité à 450 .
Par conséquent, pour les données spectrales comportant un nombre encore plus important de points de nombre d'ondes, veuillez utiliser une plateforme distincte.
Évaluation des variables clés à l'aide du meilleur modèle
Consultez le rapport d'application pour connaître la méthode « Neural Boosting » la plus performante.
Le rapport présente des statistiques d'adéquation et des matrices de confusion (tableaux à double entrée montrant la correspondance entre les catégories de séparation observées et prédites) pour les données d'entraînement et de validation.
La matrice de confusion montre qu'il n'y a qu'une seule erreur de classification dans les ensembles de données d'entraînement et de validation.
Alors, au final, quelle fréquence d'onde était importante pour classer les fraises parmi les autres fruits ?
Les réseaux neuronaux sont une méthode qui privilégie la performance prédictive, et comme la formule de prédiction est complexe, il n'est pas facile d'interpréter directement la contribution de chaque variable explicative.
Cependant, JMP propose une fonction qui utilise la simulation de nombres aléatoires pour évaluer les facteurs contribuant à la prédiction.
Dans le rapport « Neural », consultez le « Profil de prédiction », puis sélectionnez l’option « Évaluer l’importance des variables » dans le profil de prédiction.
Le rapport suivant résume l'évaluation de l'importance des variables et présente un profil prédictif codé par couleur en fonction de « l'effet total ». D'après ces résultats, nous pouvons constater que la contribution à la prédiction est la plus importante pour les nombres d'onde 1802,564, 899,327 et 1312,346 cm⁻¹, dans cet ordre.
*Effet total : Importance globale de l’effet lorsqu’il est combiné à d’autres facteurs connexes.
Enfin, à partir des valeurs du « Rapport de synthèse », nous présentons un graphique à barres avec le nombre d'ondes en abscisse et l'effet total en ordonnée. Ce graphique met en évidence plusieurs régions de nombres d'ondes où l'effet total est important.
Ces régions contribuent fortement à la prédiction, ce qui suggère qu'elles contiennent des informations spectrales cruciales pour distinguer les fraises des autres fruits.
Ces résultats suggèrent qu'en se référant à la région des nombres d'onde où l'effet global est le plus important, il devient possible de prendre en compte les informations issues de la structure chimique qui contribuent à la classification.
Références et sources de données
Utilisation de la spectroscopie infrarouge à transformée de Fourier et de la régression des moindres carrés partiels pour la détection de la falsification des purées de fraises. Holland JK, Kemsley EK, Wilson RH. (1998). Journal of the Science of Food and Agriculture, 76, 263-269.
par Naohiro Masukawa (JMP Japon)
Naohiro Masukawa - Communauté d'utilisateurs JMP
