En savoir plus
In vielen Fachgebieten, wie z. B. der Lebensmittelchemie, der pharmazeutischen oder biotechnologischen Industrie fallen immer mehr Daten an, die ausgewertet werden müssen. Klassische Verfahren gelangen hierbei schnell an ihre Grenzen.
Die multivariate Datenanalyse beschäftigt sich mit Verfahren, mit denen man aus einer Fülle von Daten - wie z. B. Prozessdaten, Messdaten, Mikroarraydaten, Spektren - die wesentlichen, unabhängigen Informationen herausarbeiten kann. Es eröffnen sich somit ganz neue Möglichkeiten für eine effiziente und gleichzeitig umfangreiche Auswertung. Alle Methoden und Verfahren der multivariaten Datenanalyse werden anhand von praktischen Beispielen mit einer beigefügten Demoversion des Programms "The Unscrambler". Der Leser ist somit in der Lage, das Erlernte direkt auf seine eigenen Fragestellungen anzuwenden.
Table des matières
EINFÜHRUNG IN DIE MULTIVARIATE DATENANALYSE
Was ist multivariate Datenanalyse
Datensätze in der multivariaten Datenanalyse
Ziele der multivariaten Datenanalyse
Prüfen auf Normalverteilung
Finden von Zusammenhängen
HAUPTKOMPONENTENANALYSE
Geschichte der Hauptkomponentenanalyse
Bestimmung der Hauptkomponenten
Mathematisches Modell der Hauptkomponentenanalyse
PCA für drei Dimensionen
PCA für viele Dimensionen: Gaschromatographische Daten
Standardisierung der Messdaten
PCA für viele Dimensionen: Spektren
Wegweiser zur PCA bei der explorativen Datenanalyse
MULTIVARIATE REGRESSIONSMETHODEN
Klassisch und inverse Kalibration
Univariate lineare Regression
Maßzahlen zur Überprüfung des Kalibriermodells (Fehlergrößen bei der Kalibrierung)
Signifikanz und Interpretation der Regressionskoeffizienten
Grafische Überprüfung des Kalibriermodels
Multiple lineare Regression (MLR)
Beispiel für MLR - Auswertung eines Versuchsplans
Hauptkomponentenregression (Principal Component Regression, PCR)
Partial Least Squares Regression (PLS Regression)
Geschichte der PLS
PLS Regression für eine Y-Variable (PLS1)
PLS Regression für mehrere Y-Variablen (PLS2)
KALIBRIEREN, VALIDIEREN DER MODELLE
Zusammenfassung der Kalibrierschritte - Kalibrierfehler
Möglichkeiten der Validierung
Bestimmen des Kalibrier- und Validierdatensets
Ausreißer
Vorhersagebereich der vorhergesagten Y-Daten
DATENVORBEREITUNG BEI SPEKTREN
Spektroskopische Transformationen
Spektrennormierung
Glättung
Ableitungen
Korrektur von Streueffekten
Vergleich der Vorbehandlungsmethoden
EINE ANWENDUNG IN DER PRODUKTIONSÜBERWACHUNG
Vorversuche
Erstes Kalibriermodell
Einsatz des Kalibriermodells - Validierphase
Offset in den Vorhersagewerten der zweiten Testphase
Zusammenfassung der Schritte bei der Erstellung eines Online-Vorhersagemodells
TUTORIAL ZUM UMGANG MIT DEM PROGRAMM "THE UNSCRAMBLER" AUF DER DEMO-CD
Durchführung einer Hauptkomponentenanalyse (PCA)
Datenvorverarbeitung
Durchführung einer PLS-Regression mit einer Y-Variablen
Verwendung des Regressionsmodells - Vorhersage des Theophyllingehalts für Testdaten
Export der Unscrambler-Modelle zur Verwendung in beliebigen Anwendungen
Checkliste für spektroskopische Kalibrierungen mit dem Unscrambler
A propos de l'auteur
Professor Waltraud Kessler
Bis 1980 Studium der Physik an der Universität Reutlingen,
Industrietätigkeit mit Schwerpunkt Software-Entwicklung auf dem Gebiet der Optoelektronik zur Datenerfassung und Datenkommunikation,
Wissenschaftlicher Mitarbeiter am Institut für Angewandte Forschung (IAF) der Fachhochschule Reutlingen,
seit 2002 Honorarprofessur an der FH Reutlingen,
seit 2002 Leitung des Steinbeis Transferzentrums für Prozesskontrolle und Datenanalyse
enge Kooperationen mit der Firma Camo aus Norwegen, die mit dem Programmpaket "The Umscramble" Marktführer auf dem Gebiet der multivariaten Datenanalyse ist (www.camo.com).
Résumé
In vielen Fachgebieten, wie z. B. der Lebensmittelchemie, der pharmazeutischen oder biotechnologischen Industrie fallen immer mehr Daten an, die ausgewertet werden müssen. Klassische Verfahren gelangen hierbei schnell an ihre Grenzen.
Die multivariate Datenanalyse beschäftigt sich mit Verfahren, mit denen man aus einer Fülle von Daten - wie z. B. Prozessdaten, Messdaten, Mikroarraydaten, Spektren - die wesentlichen, unabhängigen Informationen herausarbeiten kann. Es eröffnen sich somit ganz neue Möglichkeiten für eine effiziente und gleichzeitig umfangreiche Auswertung. Alle Methoden und Verfahren der multivariaten Datenanalyse werden anhand von praktischen Beispielen mit einer beigefügten Demoversion des Programms "The Unscrambler". Der Leser ist somit in der Lage, das Erlernte direkt auf seine eigenen Fragestellungen anzuwenden.
Texte suppl.
"...Dem Leser wird ein ausreichender mathematischer Hintergrund der multivariaten Verfahren vermittelt, dabei legen die Autoren gleichzeitig viel Wert auf Anschaulichkeit und Interpretation. Beispiele aus der insustriellen Praxis verdeutlichen die Theorie, und es gibt viele Hinweise und Tipps für die Anwendung der Verfahren beim Auswerten großer Datenmengen."
PharmaTec, 06/2007
Commentaire
"...Dem Leser wird ein ausreichender mathematischer Hintergrund der multivariaten Verfahren vermittelt, dabei legen die Autoren gleichzeitig viel Wert auf Anschaulichkeit und Interpretation. Beispiele aus der insustriellen Praxis verdeutlichen die Theorie, und es gibt viele Hinweise und Tipps für die Anwendung der Verfahren beim Auswerten großer Datenmengen."
PharmaTec, 06/2007
