การถดถอย PLS (Partial Least Squares) : เสาหลักของเคมีเมตริกส์

การถดถอย PLS (Partial Least Squares): เสาหลักของเคมีเมตริกส์. เบื้องหลังสูตรที่ดูเป็นทางการเล็กน้อยนี้ มีเครื่องมือที่เคยช่วยชีวิตฉันจากชุดการวิเคราะห์จำนวนมากของการวิจัย. ตั้งแต่การปรับเทียบครั้งแรกของฉันในการสเปกโทรสโกปีจนถึงแบบจำลองที่ติดตั้งในโรงงาน ฉันจะกลับมาพึ่งวิธีนี้เสมอ. มันสามารถสกัดสาระสำคัญออกมาได้เมื่อสัญญาณทับซ้อนกัน ตัวแปรมีมากมาย และคาดหวังผลลัพธ์ที่เชื่อถือได้และสามารถตีความได้. ในคู่มือนี้ ฉันจะแสดงให้คุณเห็นว่าฉันใช้ PLS ในชีวิตประจำวันอย่างไร มันเปล่งประกายตรงไหน และวิธีหลีกเลี่ยงกับดักที่พบบ่อยที่สุด โดยไม่ใช้ศัพท์เทคนิคที่ไม่จำเป็นแต่ด้วยตัวอย่างที่ชัดเจน. ใช่ PLS คือเสาหลัก และมันสมควรมีบทบาทกลางในโครงการของคุณ

La régression PLS (Partial Least Squares) : le pilier de la chimiométrie au quotidien

เมื่อฉันสอน PLS ฉันเริ่มด้วยการเคลื่อนไหวง่ายๆ: ฉาย X และ y ไปยังพื้นที่ร่วมของตัวแปร. เราเรียกว่า Partial Least Squares. อัลกอริทึมสร้างองค์ประกอบที่สรุป X ในขณะที่เพิ่มความร่วมระหว่าง X กับคำตอบให้สูงสุด. นี่ไม่ใช่การลดมิติแบบไร้ทิศทาง แต่มันคือการลดมิติโดยมุ่งเน้นการทำนาย. เราจะได้ ตัวแปรแฝง ที่ถ่ายทอดข้อมูลที่มีประโยชน์ตรงไปยังการประมาณคุณสมบัติ (ความชื้น, ปริมาณสารออกฤทธิ์, คุณภาพทางการรับรู้…). หลักการนี้สอดคล้องอย่างลงตัวกับข้อมูลวิเคราะห์สมัยใหม่ ที่หนาแน่นและมีความสัมพันธ์กัน โดยเฉพาะอย่างยิ่งข้อมูลจาก สเปกโทรสโกปี NIR.

Ce que résout la régression PLS en laboratoire

ในเมทริกซ์สเปกตรัม ทุกอย่างปะปนกัน แถบสเปกตรัมทับซ้อน ฐานรากมีการเบี่ยงเบน และเราจะพบ descriptors นับพันสำหรับตัวอย่างไม่กี่สิบตัว PLS ยืนยันความทนทานต่อ multicolinéarité โดยการบีบข้อมูลที่มีประโยชน์ลงในไม่กี่ปัจจัย. มันยังจัดการกับหลายคำตอบพร้อมกันหากจำเป็น เช่น ปริมาณน้ำและไขมันที่วัดได้พร้อมๆ กัน โดยผ่าน PLS1 (คำตอบเดียว) หรือ PLS2 (หลายคำตอบ). ความยืดหยุ่นนี้ช่วยให้ก้าวหน้าได้อย่างรวดเร็ว โดยยังคงสอดคล้องกับความจริงทางฟิสิโอเคมีย์ของตัวอย่าง.

Un souvenir de terrain

บนสายการทำ granulation การวัดของห้องปฏิบัติการมาถึงล่าช้า 24 ชั่วโมง PLS ที่ถูกฝึกจากล็อตประวัติศาสตร์ช่วยให้ควบคุมปริมาณสารออกฤทธิ์ได้แทบเรียลไทม์ โมเดลไม่สมบูรณ์ แต่ก็ลดความแปรปรวนลงถึง 30% ในสัปดาห์แรก การเปลี่ยนแปลงนี้มอบความมั่นใจให้ทีม และทำให้เราสามารถสืบสวนความเบี่ยงเบนที่เหลือได้อย่างสงบ.

Choisir le nombre de composantes en régression PLS sans se tromper

ปัญหาคลาสสิก: ถ้าปัจจัยน้อยเกินไปจะ underfit; ถ้าปัจจัยมากเกินไป จะ overfit. ฉันดำเนินการเสมอด้วย การตรวจสอบข้ามชุดข้อมูล อย่างเคร่งครัด โดยแบ่งเป็นชุดเมื่อชุดตัวอย่างมีการถดถอยในเวลา. ฉันสังเกตกราฟข้อผิดพลาดและจุดต่ำสุดที่มั่นคง โดยมักรวมสองตัวชี้วัดอย่าง RMSEP และ R². เมื่อทั้งคู่บรรจบ การตัดสินใจก็ชัดเจน หากความแตกต่างระหว่างสองค่าของปัจจัยน้อยมาก ให้เลือกโมเดลที่เรียบง่ายกว่า.

Garder la tête froide

ประสิทธิภาพที่สูงเกินไปในการ calibration อาจปกปิด การโอเวอร์ฟิต. ฉันแนะนำให้มีชุดข้อมูลภายนอกที่แยกไว้ตั้งแต่ช่วงเริ่มต้น PLS แข็งแรง แต่ก็ไม่พ้นอคติของการคัดเลือก. เมื่อความเสถียรมีความสำคัญ การประมาณใหม่เป็นระยะด้วยหน้าต่างเลื่อนเพื่อหลีกเลี่ยงการเบี่ยงเบน ในขณะเดียวกันก็ใช้ข้อมูลตัวอย่างใหม่ๆ

Prétraitements et variables : la PLS gagne avec des données propres

ก่อนทำโมเดล ฉันจัดการกับ artefacts. การเตรียมข้อมูลเชิงสเปกตรัล ที่ดีมักทำให้ความต่างระหว่างโมเดลที่อ่อนแอกับเครื่องมือเชิงอุตสาหกรรม ตามบริบท ฉันรวมการทำ normalization, การแก้แนวฐาน, ดิเรเวทีฟ (derivatives) หรือการ smoothing สำหรับเมทริกซ์ที่หลากหลาย SNV ลดผลของการแพร่กระจาย; สำหรับการสกัดแถบละเอียด, การอนุกรมของ Savitzky–Golay แสดงโครงสร้างที่มองไม่เห็นได้ การกระทำเหล่านี้ถูกทดสอบอย่างเป็นระบบ ไม่ใช่จากความรู้สึก และเสมอด้วยโปรโตคอลการตรวจสอบที่สอดคล้องกับการใช้งานสุดท้าย.

ต้องการทบทวนสรุปเกี่ยวกับขั้นตอนด้านบนไหม? สาระสรุปที่ชัดเจนมีอยู่ที่นี่: การเตรียมข้อมูลสเปกตรัล, ขั้นตอนสำคัญ. และเพื่อวางองค์ประกอบแฝงในทัศนคติของวิธีต่างๆ คู่มือเรื่อง ACP นี้จะช่วยให้คุณเห็นความเชื่อมโยง: ACP, คะแนนและโหลดดิงส์ของมัน.

Astuce de praticien

• หลีกเลี่ยงการทำการแปรสภาพมากเกินไป สองสามขั้นตอนที่เลือกมาอย่างดีกว่าจะดีกว่าการซ้อนทบของขั้นตอนที่มองไม่เห็น
• ยืนยันการเตรียมข้อมูลเป็นชุด; การตัดสินใจบนตัวอย่างสามตัวที่ดูดีจะส่งผลในชุดถัดไป
• บันทึกขั้นตอนแต่ละขั้นเพื่อให้โมเดลสามารถตรวจสอบและถ่ายทอดได้

Interpréter une régression PLS : au-delà de la prédiction

PLS ไม่ใช่กล่องดำ น้ำหนัก, loadings และส่วนประกอบต่างๆ บอกเรื่องราว ตัวแปรที่ "ดึง" การทำนายจะถูกระบุผ่าน VIP และค่าสัมประสิทธิ์ ฉันชอบเปรียบเทียบข้อมูลเหล่านี้กับเคมี: แถบใกล้กับการสั่นที่รู้จักและมีความเข้มสูงในทุกตัวอย่างเป็น signal ที่เชื่อถือได้; ตัวแปรที่อยู่ที่ขอบสเปกตรัมแต่มีอิทธิพลมากด้วยตัวมันเอง ควรระวัง จุดประสงไม่ใช่สอน spectroscopy อีกครั้ง แต่เพื่อให้แน่ใจว่าโมเดลสะท้อนฟิสิกส์ของตัวอย่าง.

Cartographier le domaine d’application

คะแนน PLS ช่วยให้มองเห็นตำแหน่งของตัวอย่างเมื่อเทียบกับพื้นที่ฝึกสอน หากความหนาแน่นน้อยในพื้นที่หนึ่งบ่งชี้ถึงการขาดตัวแทน ตรวจสอบทางสถิติบนระยะห่างในพื้นที่แฝงช่วยให้ใช้งานได้อย่างราบรื่น แผนที่นี้ยังช่วยให้พูดคุยกับการผลิตหรือตรวจสอบคุณภาพได้ง่ายขึ้น.

PLS vs alternatives : PCR, régression ridge et réseaux

ฉันมักใช้งานตารางนี้เมื่อเลือกวิธี มันไม่ทดแทนการทดสอบเชิงประจักษ์ แต่ให้กรอบง่ายๆ เพื่อการตัดสินใจอย่างรวดเร็ว

วิธี	แนวคิดหลัก	การใช้งานทั่วไป	จุดเด่น	ข้อจำกัด
PLS	ปัจจัยที่มุ่งไปยัง y	สเปกตรัม, กระบวนการ, หลายคำตอบ	มีประสิทธิภาพเมื่อมีตัวแปรสหสัมพันธ์กัน, สามารถตีความได้	ต้องเลือกจำนวนปัจจัยและตรวจสอบอย่างรอบด้าน
PCR	ACP แล้วตามด้วยการถดถอย	การสำรวจ, baseline ที่มั่นคง	เรียบง่าย, แยก X ออกจากโมเดลอย่างชัดเจน	ปัจจัยที่ไม่เหมาะกับ y บางครั้งอาจแม่นยำน้อยกว่า
Ridge/Lasso	การลงโทษค่าสัมประสิทธิ์	ข้อมูลแบบตาราง, สัญญาณรบกวนระดับปานกลาง	ควบคุมการโอเวอร์ฟิต, การคัดเลือก (Lasso)	ไม่ค่อยเป็นธรรมชาติสำหรับสเปกตรัมต่อเนื่อง

Un mot sur les réseaux

โมเดลเชิงลึกอาจโดดเด่นเมื่อมีข้อมูลปริมาณมากและเซ็นเซอร์มีเสถียรภาพ สำหรับชุดข้อมูลของเรา ที่มีอุปกรณ์ที่เสื่อมสภาพและล็อตที่เปลี่ยนแปลง PLS มักรักษาสัดส่วนความแม่นยำ/ความสามารถในการตีความ/ต้นทุนไว้ ไม่ห้ามการนำไปผสม: การเตรียมข้อมูลอย่างพิถีพิถัน, PLS พื้นฐาน, แล้วตามด้วยโมเดลไม่เชิงเส้นแบบท้องถิ่นสำหรับกรณีขอบเขต. สิ่งสำคัญคือความสามารถในการติดตาม.

Bonnes pratiques pour déployer la PLS en production

การเปลี่ยนจากห้องทดลองไปยังโรงงานเป็นกีฬาอีกเกมหนึ่ง เราจะได้ความรวดเร็วและปริมาณ แต่สูญเสียการควบคุมบ้าง นี่คือระเบียบวิธีที่ฉันใช้งานเพื่อเปลี่ยนหลักฐานแนวคิดเป็นเครื่องมือที่เชื่อถือได้.

Conception

• กำหนดขอบเขตการใช้งานตั้งแต่เนิ่นๆ (วัตถุดิบ, ช่วงอุณหภูมิ, ผู้ปฏิบัติงาน, การบำรุงรักษา).
• วางแผนตัวอย่างสำหรับ recalibration: ฤดูกาล, ซัพพลายเออร์สำรอง, การเปลี่ยนสูตร
• กำหนดเมตริกซ์การรับความถูกต้องในการเริ่มต้นและในระหว่างใช้งาน พร้อมขีดจำกัดที่เหมาะสม

Implémentation

• ล็อกรายการ preprocessing ทั้งด้านเครื่องมือและซอฟต์แวร์ เพื่อป้องกันความแตกต่าง.
• ติดตั้งการควบคุมความสมบูรณ์ (เมตาดาต้า, เวอร์ชัน, เซนเซอร์) และสัญญาณเตือนการเบี่ยงเบน.
• อบรมทีมงาน; ไม่จำเป็นต้องมีหลักสูตรเต็มรูปแบบ แต่ควรมีความเข้าใจชัดเจนในกลไกและขีดจำกัด.

Vie du modèle

• ติดตามข้อผิดพลาดบนแผนที่ควบคุม; เริ่มการประมาณใหม่เมื่อผ่านเกณฑ์อย่างยาวนาน.
• เก็บถาวรตัวอย่างนอกโดเมนเพื่อใช้ในการเวอร์ชันถัดไป.
• ทดสอบความเข้ากันได้แบบย้อนกลับก่อนการอัปเดตใด และบันทึก การนำไปใช้งานจริง.

« โมเดล PLS ที่ดีที่สุดมักจะเรียบง่ายบนกระดาษ แต่โดดเด่นบนสนามจริง » ฉันพูดแบบนี้หลังจากเห็นการ calibrations “record” ล้มลงเมื่อพบความชื้นแวดล้อมที่เปลี่ยนแปลงครั้งแรก.

La régression PLS (Partial Least Squares) : feuille de route pour aller plus loin

หากคุณเพิ่งเริ่มต้น เริ่มด้วยชุดข้อมูลที่ชัดเจน คุณสมบัติที่เรียบง่าย การเตรียมข้อมูลที่ประหยัด จากนั้นเลือกปัจจัยด้วย การตรวจสอบข้ามชุดข้อมูล และเพิ่มการทดสอบภายนอกที่ถูกต้อง นอกจากนี้สำรวจกราฟ RMSEP, ค่าสัมประสิทธิ์ และตรวจสอบพื้นที่เสถียรของ R² อย่าหลงกลกับความพยายาม 'ชนะ' ความผิดพลาด 0.01 ด้วยความซับซ้อนที่ไม่จำเป็น เมื่อมีพื้นฐานที่แข็งแรง จัดการปรับแต่งที่ตรงจุด

Pistes d’approfondissement qui valent l’effort

• การตีความขั้นสูงผ่าน VIP และการคัดเลือกตัวแปรเพื่อ ลดความแปรปรวนที่ไม่จำเป็น
• การทดลองที่ควบคุมบน SNV และอนุกรมของ Savitzky–Golay เพื่อเพิ่มความแยกแยะของสัญญาณ
• โมเดลหลายคำตอบกับ PLS2 เมื่อความสอดคล้องทางเคมีระหว่างคุณสมบัติให้ประโยชน์

ในคอร์สของฉัน ฉันมักพาไปผ่าน ACP เพื่อให้แนวคิดเรื่องปัจจัยเข้าใจได้ง่าย. หากยังไม่ชัดเจน ลองดูบทสรุปสั้นๆ นี้: ACP, คะแนนและโหลดดิงส์ของมัน. แล้วกลับมาที่ PLS ด้วยมุมมองใหม่ เน้นการพยากรณ์.

Checklist express avant publication d’un modèle

• ชุดข้อมูลภายนอกที่ล็อคไว้ ซึ่งเป็นตัวแทนของโดเมนการใช้งาน
• การเตรียมข้อมูลที่บันทึกไว้ ทดสอบเป็นชุดและตรวจสอบในสภาวะจริง
• จำนวนปัจจัยที่เลือกโดยหลักเกณฑ์ที่เสถียร ไม่ใช่เพื่อตอบสนองโอกาส
• การติดตามเวอร์ชัน, เมทrologie เครื่องมือสอดคล้องกับปฏิทินบำรุงรักษา
• แผนการเฝ้าระวังเป็นประจำ, ระดับเกณฑ์และกฎการตัดสินใจที่ใช้ร่วมกัน

คำลงท้ายระดับอาจารย์ จากช่วงเวลากลางคืนกับสเปกตรัมที่เอาแต่ใจ: PLS ให้รางวัลความเข้มงวดแบบไม่โอ้อวด เครื่องมือ calibration ที่ชัดเจน ข้อมูลที่ทำความสะอาดด้วยความระมัดระวัง การตัดสินใจที่โปร่งใส และคุณมีโมเดลที่ช่วยงานในห้องทำงานโดยไม่ส่งเสียง นี่คือตัว tool ที่จริงๆ เปลี่ยนชีวิตทีมของคุณ. ลองลงมือและหากจำเป็น กลับไปที่พื้นฐานของ การเตรียมข้อมูล เพื่อเสริมฐาน