기능 데이터 탐색기 목표 곡선좋은 아침이에요,
기능 데이터 탐색기에서 목표 곡선의 선호도를 정의할 수 있나요? 기능 실험 설계 프로파일러에서는 곡선 전체에 걸쳐 선호도를 정의할 수 없고, 특정 지점 X에서만 정의할 수 있거든요.
마찬가지로 시뮬레이터에서 JMP Pro가 프로파일러에 정의된 X 값뿐만 아니라 곡선의 모든 점을 계산하는 특정 횟수의 실험 데이터를 포함하는 데이터 테이블을 구축하는 것이 가능합니까?
도와주셔서 미리 감사드립니다.
실험 설계제목: 기능 데이터 탐색기 목표 곡선 관련안녕하세요 @SquaresJackal10 님 ,
함수형 데이터 탐색기의 데이터 처리 옵션(명령 > 대상 함수) 에서 대상 곡선/함수를 추가할 수 있습니다. 이렇게 하면 "대상 프로파일러 표시"를 클릭했을 때 FPC 예측 프로파일러에 두 줄의 프로파일러가 추가되고, 입력한 대상 곡선/함수와 최대한 일치하도록 곡선/함수를 최적화하는 옵션이 제공됩니다.
기능적 실험계획법(Functional DoE Analysis)을 사용했다면 (모델이 신뢰할 수 있고 정확하다고 가정할 때), "기능적 실험계획법" 옆의 빨간색 삼각형을 클릭하여 예측 공식을 표에 저장할 수 있습니다. 그런 다음 임의의 X 값으로 새 표를 만들고 저장된 예측 공식을 복사하여 붙여넣어 곡선을 예측할 수 있습니다.
이 답변이 도움이 되길 바랍니다.
제목: 기능 데이터 탐색기 목표 곡선 관련답변해 주셔서 정말 감사합니다. 많은 도움이 되었습니다. 그런데 이 모듈에서 모델의 신뢰성과 정확성을 어떻게 보장할 수 있을까요? 일반적인 실험 설계와 같은 방식인가요, 아니면 다른 차이점이 있나요?
다시 한번 감사드립니다.
제목: 기능 데이터 탐색기 목표 곡선 관련안녕하세요 @SquaresJackal10 님 ,
모델링은 여러 단계(먼저 모델을 사용하여 곡선을 맞추고, 그다음 형상 함수를 식별하고 계수를 추정하여 차원을 축소하고, 마지막으로 함수 모델의 계수를 요인의 함수로 모델링하는 단계)에 걸쳐 수행되므로, 최종 모델을 사용하여 곡선을 최적화하고 예측할 때 주의해야 할 세 가지 사항이 있습니다.
- 곡선 모델링이 충분히 정확하고 피팅 과정에서 특정 편향이 발생하지 않는지 확인하십시오. 이를 위해 보고서의 진단 플롯을 통해 모델이 데이터에 얼마나 잘 맞는지를 평가할 수 있습니다. 다음은 JMP NMR DOE 데이터 세트를 사용한 예시입니다.
-
다음으로, 적절한 수의 형상 함수와 관련 계수를 유지하면서 예측 정확도를 충분히 확보할 수 있도록 주성분 분석에 적합한 개수를 평가합니다(과적합 위험이 있는 지나치게 복잡한 모델을 피하기 위함). 다음은 이전과 동일한 데이터셋을 사용한 예시입니다(여기서 사용된 기능 데이터는 NMR 스펙트럼이므로, 다양한 피크와 영역을 피팅하려면 스펙트럼에 대한 정보 손실을 방지하기 위해 상당히 많은 수의 형상 함수(및 관련 계수)가 필요합니다. 따라서 결정해야 할 형상 함수와 계수의 개수는 상대적으로 많습니다).
-
마지막으로, JMP를 사용하여 DoE 함수 데이터 분석을 수행할 때 생성되는 기본 모델을 검증합니다. 이 단계의 목표는 이전 단계에서 찾은 형상 함수의 계수를 실험 설계의 요인(또는 더 일반적으로 데이터 테이블의 요인/예측 변수/특징)을 사용하여 모델링하는 것입니다. 이 부분은 사용자들이 간과하기 쉽지만, 제대로 처리하지 않으면 잘못된 해석이나 예측으로 이어질 수 있습니다.
진단 플롯을 분석하고, 패턴이 있거나 모델에 중대한 오류/결함이 있는 경우, 각 계수에 대한 일반화 회귀 모델을 검토하여 해당 계수의 모델링을 개선할 수 있습니다. 그러나 이 과정에서 정보를 점점 더 "요약"하기 때문에 각 단계마다 정확도가 떨어집니다. 먼저 곡선을 근사하는 함수 모델을 만들고, 그다음 함수 PCA를 통해 차원을 축소한 후, 마지막으로 보존된 주 함수의 계수를 모델링하려고 시도하기 때문입니다.
가장 중요한 것은 첫 번째 계수들을 정확하게 모델링하는 것입니다. 왜냐하면 이 계수들이 관련 형상 함수의 영향을 조절함으로써 곡선에서 대부분의 정보를 집중시키기 때문입니다 (이전 FPC 고유값 그래프 참조).
이 답변이 도움이 되길 바랍니다.
제목: 기능 데이터 탐색기 목표 곡선 관련정말 감사합니다. 덕분에 훨씬 더 잘 이해했습니다.
하지만 "1단계와 2단계"에서는 잔류물이 전혀 남지 않았습니다. 이전에는 이런 적이 없었는데, 정상적인 건가요?
진단 웨이블릿 및 그래프
기능적 PCA:
하지만, 실제 측정된 Y 값과 기능적 실험계획법 분석에서 예측된 값 사이에 상당한 차이가 있음을 확인했습니다.
감사해요
제목: 기능 데이터 탐색기 목표 곡선 관련웨이블릿 모델은 매우 정확하고 유연하기 때문에 잔차가 0인 것은 놀라운 일이 아닙니다. 웨이블릿 외에도 다른 함수형 접근 방식(특히 P-스플라인 또는 곡선이 2차/3차 등 쉽게 식별 가능한 패턴을 갖는 경우 B-스플라인)을 시도하여 동일한 결과가 나오는지 확인할 수 있습니다. 만약 동일한 결과가 나온다면, 이는 해당 곡선이 이러한 유형의 모델로 매우 잘 모델링된다는 것을 의미합니다.
웨이블릿 모델에서 함수형 PCA는 많은 수의 구성요소를 권장하므로 "정보 압축"이 거의 이루어지지 않아 잔차가 0인 이전과 유사한 상황에 다시 직면하게 되는 것은 놀라운 일이 아닙니다.
최종 진단 결과, 전체 모델이 데이터의 추세를 정확하게 포착했으며, 잔차에 편향이나 패턴이 없는 것으로 나타났습니다. 여기에는 잔차가 0을 중심으로 무작위로 변동하는 현상이나 잔차의 등분산성 등 이 포함됩니다.
