功能數據瀏覽器目標曲線早安,
在功能資料瀏覽器中，是否可以定義目標曲線的期望值？因為在功能實驗設計分析器中，我無法定義整個曲線的期望值，只能定義某一點 X 的期望值。
同樣地，在模擬器中，是否可以建立一個包含一定數量實驗的資料表，讓 JMP Pro 計算曲線上的所有點，而不僅僅是 Profiler 中定義的 X 值？
提前感謝您的幫助。
實驗設計回覆：功能數據瀏覽器目標曲線你好@SquaresJackal10 ，
您可以在函數資料瀏覽器的資料處理選項中新增目標曲線/函數： 資料處理選項（命令 > 目標函數） 。這樣，當點擊「顯示目標分析器」時，FPC 預測分析器中將添加兩行分析器，並提供最佳化曲線函數以使其與輸入的目標曲線函數緊密匹配的選項：
如果您使用了功能性實驗設計分析（並且模型可靠且準確），您可以從「功能性實驗設計分析」旁邊的紅色三角形中儲存表格中的預測公式。然後，您可以建立一個包含任意 X 值的新表格，並將預測公式複製並貼上到該表格中以預測曲線。
希望這個回答對您有幫助。
回覆：功能數據瀏覽器目標曲線非常感謝您的解答，對我幫助很大。不過，在這個模組中，我該如何確保模型的可靠性和準確性呢？它的工作原理是否與標準的實驗設計類似，還是有一些細微差別？
再次感謝。
回覆：功能數據瀏覽器目標曲線你好@SquaresJackal10 ，
鑑於建模將分幾個階段進行（首先使用模型擬合曲線，然後透過識別形狀函數和估計其係數來降低維度，然後將函數模型的係數建模為因子的函數），要使用最終模型來優化和預測曲線，需要注意以下三點：
- 確保曲線建模足夠精確，且擬合過程不會引入任何特定偏差。為此，報告中的診斷圖可用於評估模型與資料的適合程度。以下範例使用 JMP NMR DOE 資料集：
-
接下來，評估合適的主成分數量，以在保證預測精度的前提下，維持足夠數量的形狀函數及其相關係數（以避免模型過於複雜，導致過度擬合）。以下範例使用與先前相同的資料集（由於此處使用的功能資料是核磁共振譜，因此需要確定的形狀函數和係數的數量相對較多，因為擬合不同的峰值和區域需要相當多的形狀函數（及其相關係數）以避免丟失譜圖資訊）：
-
最後，驗證 JMP 在執行 DoE 功能資料分析時產生的預設模型。此步驟的目標是使用實驗設計中的因子（或更一般地說，資料表中的因子/預測變數/特徵）對上一個步驟中找到的形狀函數的係數進行建模。用戶經常忽略這一部分，但如果處理不當，可能會導致錯誤的解釋或預測。
我們可以檢查診斷圖，如果發現模式或模型中存在顯著的誤差/缺陷，我們可以針對每個係數檢查每個廣義迴歸模型，以改善該係數的建模。然而，由於我們不斷地「概括」訊息，因此每一步都會損失精度：首先，我們採用一個近似曲線的函數模型；然後，我們透過函數主成分分析（PCA）降低維度；最後，我們嘗試對保留主函數的係數進行建模。
最重要的是要正確地對第一個係數進行建模，因為它們將透過調節相關形狀函數的影響來集中曲線中的大部分資訊（請參閱先前的 FPC 特徵值圖）。
希望這個答案對您有幫助。
回覆：功能數據瀏覽器目標曲線非常感謝，這下我明白了。
然而，對於“步驟 1 和 2”，我沒有得到任何殘留物。我以前從未遇到過這種情況，這正常嗎？
診斷小波和圖
功能性主成分分析：
然而，我發現所獲得的 Y 值與功能性 DOE 分析中預測的 Y 值之間存在一些差異：
謝謝
回覆：功能數據瀏覽器目標曲線小波模型相當精確且靈活，因此殘差為零並不意外。除了小波之外，您還可以嘗試其他函數方法（特別是 P 樣條，或者如果您的曲線具有易於識別的模式，例如二次/三次等，則可以嘗試 B 樣條），看看是否能得到相同的結果。如果結果相同，則表示您的曲線非常適合使用這類模型進行建模。
在小波模型中，函數型 PCA 建議使用大量的成分，因此「資訊壓縮」很少，所以再次出現與之前類似的情況（殘差為零）也就不足為奇了。
最終診斷表明，您的完整模型已正確捕捉到資料中的趨勢，且殘差中似乎沒有任何偏差或模式，包括殘差在 0 附近的隨機變化和殘差的同方差性。
