The calibration statistics of the s

The calibration statistics of the selected equations
obtained for each parameter, based on the higher r2 and RPD values
and lower SECV and SEP, are presented in Table 2 (Set R), Table 3
(Set T) and Table 4 (Set RT), respectively. In general, the performance
of prediction models showed variations with the mathematical
pre-treatment used (data not shown), and indeed, not
always the selected treatment for a parameter in one of the sets
was the best choice for the same parameter in any other of the
sample sets. This confirms the importance of the optimization of
derivatives when analyzing fats (Fernández-Cabanás, Garrido,
García-Olmo, De Pedro, & Dardenne, 2007). None of the derivatives
provided a clear better result over the rest, but 2,5,5,1 and 1,5,5,1
are among the most frequently selected. Nor any of the spectral
regions used provided clear advantages over the other.
3.3.1. Calibration results for NIRS reflectance analysis
During the structuring process of the initial Set R, composed by
805 samples, 7 samples were removed as outliers, and the remaining
population was split into calibration (533 samples) and validation
(265 samples) subsets. By following this strategy, the samples
in the validation set were consistently distributed in the population
and had similar variability (data not shown). The statistics of
models for NIR predictions of FA on oven-dried milk samples are
presented in Table 2.
NIR calibration statistics of milk samples analyzed in reflectance
mode (Set R) showed that the best equations were obtained
for total SFA, total MUFA, SCFA, SFA + C18:0, MUFA-18C,
cis9-C18:1, C18:3n-3, n-3, AI and TI, with r2 higher than 0.7 and
RPD close to or above 2 (Table 2).
In general, the coefficients of determination for cross validation
(r2) obtained here for almost all the FA parameters were lower than
those presented by Coppa et al. (2010) and Soyeurt et al. (2011) for
cow milk, and by Andueza et al. (2013) for goat milk. This fact
could be explained because those authors worked with milk samples
produced by animals fed lipid supplements, which are known
to deeply affect milk FA composition (Chilliard et al., 2007).
However, SECV values (Table 2) were similar to those obtained
by Andueza et al. (2013) for the prediction of individual FA,
except for C18:3n-3, for which SECV value was lower in this
study (0.05 vs 0.22). Furthermore, SECV values obtained for FA
total SFA, total MUFA and total PUFA were lower than those
reported by Andueza et al. (2013). As r2 values depend on the
variation range of the analytical parameter, other statistics should
be used for the evaluation of the equations, such as calibration
and prediction errors and RPD values, which measure the magnitude
of the error in relation to the standard deviation in the calibration
population.
The results obtained for the prediction of n-3 FA (Table 2) are
comparable to those described by Andueza et al. (2013) in goat
milk and by Coppa et al. (2014) with cow milk. The determination
of milk n-3 FA in the laboratory is expensive and time consuming,
but this parameter would allow to qualify the feeding system of
the animals and thus would permit a differentiated milk payment
system for farmers. With respect to n-6 FA, the results obtained
here showed higher r2 and similar SECV values to those reported
by Andueza et al. (2013), but similar r2 to Coppa et al. (2014)
and Soyeurt et al. (2011) in cow milk. The n-6 to n-3 FA ratio
(n-6/n-3) NIR predictive model has only been previously reported,
for cow milk, by Coppa et al. (2014), with slightly better results
than those obtained here.
Interesting results for NIR prediction of the Atherogenicity and
Thrombogenicity Indexes of milk have been obtained (Table 2). To

ผลลัพธ์ (ไทย) 1:

สถิติเทียบสมการที่เลือกรับสำหรับแต่ละพารามิเตอร์ r2 สูงและค่า RPDและล่าง SECV และ SEP นำเสนอในตารางที่ 2 (ชุด R), 3 ตาราง(ตั้ง T) และตาราง 4 (ตั้ง RT), ตามลำดับ โดยทั่วไป ประสิทธิภาพการทำงานของการคาดการณ์ แบบจำลองแสดงให้เห็นความแตกต่างกับทางคณิตศาสตร์ก่อนการรักษาใช้ (ข้อมูลไม่แสดง), และแน่ นอน ไม่เสมอการรักษาเลือกพารามิเตอร์ในหนึ่งชุดมีทางเลือกที่ดีสุดสำหรับพารามิเตอร์เหมือนกันในการตัวอย่างชุด นี้ยืนยันความสำคัญของการเพิ่มประสิทธิภาพของตราสารอนุพันธ์เมื่อวิเคราะห์ไขมัน (Fernández Cabanás, GarridoGarcía-Olmo, Pedro De, & Dardenne, 2007) ตราสารอนุพันธ์ไม่มีให้ผลลัพธ์ดีขึ้นชัดเจนส่วน เหลือ แต่ 2,5,5,1 และ 1,5,5,1มีบ่อยที่สุดที่เลือก หรือที่สเปกตรัมใช้พื้นที่ให้เกิดประโยชน์ชัดเจนกว่าอีก3.3.1 การปรับเทียบผลการวิเคราะห์คุณภาพแบบสะท้อนแสงในระหว่างขั้นตอนเริ่มต้นตั้ง R structuring ประกอบด้วยตัวอย่าง 805, 7 ตัวอย่างออกเป็น outliers และเหลือประชากรถูกแบ่งเทียบ (533 ตัวอย่าง) และตรวจสอบชุดย่อย (265 ตัวอย่าง) โดยกลยุทธ์นี้ ตัวอย่างในการตรวจสอบ ชุดได้อย่างต่อเนื่องกระจายในประชากรและมีความแปรผันที่คล้ายกัน (ข้อมูลไม่แสดง) สถิติของรูปแบบสำหรับ NIR คาดคะเนของ FA ในตัวอย่างน้ำนมแห้งเตาอบแสดงในตารางที่ 2NIR เทียบสถิติตัวอย่างนมที่วิเคราะห์ในแบบสะท้อนแสงโหมด (ตั้ง R) แสดงให้เห็นว่า สมการที่ดีที่สุดได้รับรวม SFA รวม MUFA, SCFA, SFA + C18:0, MUFA - 18 Ccis9-C18:1, C18:3n-3, n-3, AI และตี้ r2 สูงกว่า 0.7 และRPD ใกล้ หรือ เหนือ 2 (ตารางที่ 2)ทั่วไป สัมประสิทธิ์กำหนดสำหรับข้ามการตรวจสอบ(r2) ได้ที่นี่เกือบทุกพารามิเตอร์ FA ได้ต่ำกว่าผู้นำเสนอ โดยโคปปา et al. (2010) และ Soyeurt et al. (2011) สำหรับวัวนม และโดย Andueza et al. (2013) ในน้ำนมแพะ ข้อเท็จจริงนี้สามารถอธิบายได้เนื่องจากผู้เขียนที่ทำงานกับตัวอย่างน้ำนมผลิต โดยสัตว์เลี้ยงเสริมไขมัน ซึ่งเป็นที่รู้จักลึกมีผลต่อน้ำนมส่วนประกอบ FA (Chilliard et al., 2007)อย่างไรก็ตาม SECV ค่า (ตารางที่ 2) คล้ายกับได้รับโดย Andueza et al. (2013) ในการทำนายของ FA แต่ละยกเว้น C18:3n-3 สำหรับ SECV ที่มูลค่าไม่ต่ำกว่านี้ศึกษา (0.05 vs $ 0.22) นอกจากนี้ ค่า SECV ได้ FAรวม SFA รวม MUFA และ PUFA รวมคนที่ต่ำกว่ารายงานโดย Andueza et al. (2013) เป็น r2 ค่าขึ้นอยู่กับการควรเปลี่ยนแปลงช่วงของพารามิเตอร์วิเคราะห์ สถิติอื่น ๆใช้สำหรับการประเมินของสมการ เช่นเทียบและข้อผิดพลาดในการทำนายและค่า RPD การวัดขนาดข้อผิดพลาดเกี่ยวกับส่วนเบี่ยงเบนมาตรฐานในการปรับเทียบประชากรผลที่ได้รับการทำนายของ n-3 FA (ตาราง 2)เทียบได้กับที่อธิบายไว้โดย Andueza et al. (2013) ในแพะนม และโดยโคปปา et al. (2014) กับนมวัว ความมุ่งมั่นนม FA n-3 ในห้องปฏิบัติการจะมีราคาแพง และใช้เวลา นานแต่พารามิเตอร์นี้จะช่วยให้การจัดระบบการให้อาหารสัตว์ และจึง จะอนุญาตให้มีการชำระเงินต่าง ๆ นมระบบสำหรับเกษตรกร กับ n-6 FA ผลได้รับนี่แสดงให้เห็นว่า r2 สูงและค่า SECV คล้ายกับรายงานโดย Andueza et al. (2013), แต่ r2 คล้ายกับโคปปา et al. (2014)และ Soyeurt et al. (2011) ในนมวัว 6 n n-3 อัตราส่วน FA(n-6/n-3) แบบจำลองการคาดการณ์ของ NIR เท่าก่อนหน้านี้รายงานสำหรับวัวนม โดยโคปปา et al. (2014), มีเล็กน้อยดีกว่าผลกว่าผู้ที่ได้รับที่นี่ผลลัพธ์สำหรับ NIR ทำนายของ Atherogenicity ที่น่าสนใจ และดัชนี Thrombogenicity นมได้ถูกรับ (ตารางที่ 2) ถึง

ผลลัพธ์ (ไทย) 2:

สถิติการสอบเทียบของสมการที่เลือกได้สำหรับแต่ละพารามิเตอร์พื้นฐานอยู่บนที่สูงขึ้น r2 และค่า RPD และล่าง SECV และกันยายนจะแสดงในตารางที่ 2 (ชุด R) ซึ่งเป็นตารางที่ 3 (ชุด T) และตารางที่ 4 (ชุด RT) ตามลำดับ โดยทั่วไปประสิทธิภาพของแบบจำลองการคาดการณ์แสดงให้เห็นรูปแบบที่มีทางคณิตศาสตร์การรักษาก่อนใช้(ไม่ได้แสดงข้อมูล) และแน่นอนไม่ได้เสมอการรักษาที่เลือกสำหรับพารามิเตอร์หนึ่งในชุดที่เป็นทางเลือกที่ดีที่สุดสำหรับพารามิเตอร์เดียวกันในที่อื่นๆ ของชุดตัวอย่าง นี้เป็นการยืนยันถึงความสำคัญของการเพิ่มประสิทธิภาพของสัญญาซื้อขายล่วงหน้าเมื่อวิเคราะห์ไขมัน (Fernández-ห้องอาบน้ำ, Garrido, García-Olmo, De Pedro และ Dardenne 2007) ไม่มีสัญญาซื้อขายล่วงหน้าให้ผลที่ดีกว่าอย่างชัดเจนจากส่วนที่เหลือ แต่ 2,5,5,1 และ 1,5,5,1 อยู่ในหมู่ผู้ที่เลือกบ่อยที่สุด หรือใด ๆ ของสเปกตรัมภูมิภาคให้ใช้ข้อได้เปรียบที่ชัดเจนในช่วงอื่นๆ . 3.3.1 ผลการสอบเทียบสำหรับการวิเคราะห์การสะท้อน NIRS ในระหว่างกระบวนการของการก่อสร้างเริ่มต้นชุด R ประกอบด้วย805 ตัวอย่าง 7 ตัวอย่างถูกถอดออกมาเป็นค่าผิดปกติและส่วนที่เหลือประชากรที่ถูกแบ่งออกเป็นการสอบเทียบ(533 ตัวอย่าง) และการตรวจสอบ(265 ตัวอย่าง) ส่วนย่อย โดยต่อไปนี้กลยุทธ์นี้กลุ่มตัวอย่างที่อยู่ในชุดการตรวจสอบมีการกระจายอย่างต่อเนื่องในประชากรและมีความแปรปรวนที่คล้ายกัน(ไม่ได้แสดงข้อมูล) สถิติของแบบจำลองสำหรับการคาดการณ์ของเอฟเอ NIR ตัวอย่างนมเตาอบแห้งจะถูกนำเสนอในตารางที่2 สถิติการสอบเทียบ NIR ตัวอย่างนมสะท้อนการวิเคราะห์ในโหมด(ชุด R) แสดงให้เห็นว่าสมการที่ดีที่สุดที่ได้รับรวมSFA รวม MUFA, SCFA , SFA + C18: 0, MUFA-18C, cis9-C18: 1, C18: 3n-3, n-3, AI และ TI ด้วย r2 สูงกว่า 0.7 และ. RPD ใกล้เคียงหรือเหนือ 2 (ตารางที่ 2) โดยทั่วไป ค่าสัมประสิทธิ์ของความมุ่งมั่นสำหรับการตรวจสอบข้าม(r2) ได้ที่นี่สำหรับเกือบทุกพารามิเตอร์เอฟเอคัต่ำกว่าผู้ที่นำเสนอโดยโคปปาet al, (2010) และ Soyeurt et al, (2011) สำหรับนมวัวและAndueza et al, (2013) สำหรับนมแพะ ความจริงเรื่องนี้สามารถอธิบายได้เพราะผู้เขียนทำงานร่วมกับกลุ่มตัวอย่างนมที่ผลิตโดยสัตว์เลี้ยงอาหารเสริมไขมันซึ่งเป็นที่รู้จักกันอย่างลึกซึ้งส่งผลกระทบต่อนมองค์ประกอบเอฟเอ(Chilliard et al., 2007). อย่างไรก็ตามค่า SECV (ตารางที่ 2) มีความคล้ายคลึงกับผู้ที่ได้รับโดย Andueza et al, (2013) สำหรับการคาดการณ์ของแต่ละเอฟเอคัยกเว้นC18: 3n-3 ซึ่งค่า SECV ต่ำในการศึกษา(0.05 เทียบกับ 0.22) นอกจากนี้ค่า SECV ได้รับสำหรับเอฟเอรวมSFA รวม MUFA และรวม PUFA มีค่าต่ำกว่าที่รายงานโดยAndueza et al, (2013) ในฐานะที่เป็นค่า r2 ขึ้นอยู่กับช่วงการเปลี่ยนแปลงของพารามิเตอร์ในการวิเคราะห์สถิติอื่นๆ ควรจะนำมาใช้สำหรับการประเมินผลของสมการเช่นการสอบเทียบข้อผิดพลาดและการทำนายและค่าRPD ซึ่งวัดขนาดของข้อผิดพลาดในความสัมพันธ์กับค่าเบี่ยงเบนมาตรฐานในการสอบเทียบประชากร. ผลที่ได้สำหรับการทำนาย n-3 เอฟเอ (ตารางที่ 2) จะเทียบได้กับการอธิบายโดยAndueza et al, (2013) ในแพะนมและโคปปาet al, (2014) ที่มีการนมวัว ความมุ่งมั่นของนม n-3 เอฟเอในห้องปฏิบัติการที่มีราคาแพงและใช้เวลานาน แต่พารามิเตอร์นี้จะช่วยให้มีคุณสมบัติระบบการให้อาหารของสัตว์และทำให้การชำระเงินจะอนุญาตให้นมที่แตกต่างของระบบสำหรับเกษตรกร ด้วยความเคารพต่อ n-6 เอฟเอคัผลที่ได้ที่นี่แสดงให้เห็นr2 ที่สูงขึ้นและค่า SECV คล้ายกับที่รายงานโดยAndueza et al, (2013) แต่ r2 คล้ายกับโคปปา et al, (2014) และ Soyeurt et al, (2011) ในนมวัว อัตราส่วน n-6 ถึง n-3 เอฟเอ(n-6 / n-3) รูปแบบการทำนาย NIR มีเพียงการรายงานก่อนหน้านี้สำหรับนมวัวโดยโคปปาet al, (2014) ที่มีผลดีกว่าเล็กน้อยกว่าผู้ที่ได้รับที่นี่. ผลที่น่าสนใจสำหรับการทำนาย NIR ของ Atherogenicity และThrombogenicity ดัชนีของนมที่ได้รับการได้รับ (ตารางที่ 2) ไปยัง

ผลลัพธ์ (ไทย) 3:

สถิติของการเลือกสมการ
ได้รับสำหรับแต่ละตัวแปรตามสูงกว่าอาร์ทูร์แพดและค่า
secv ล่างและก.ย. และจะแสดงในตารางที่ 2 ( ชุด R ) ตารางที่ 3
( ชุด T ) และตารางที่ 4 ( ชุด 6 ) ตามลำดับ ทั่วไป ประสิทธิภาพของโมเดลทำนาย พบการเปลี่ยนแปลงด้วย

และแบบจำลองทางคณิตศาสตร์ที่ใช้ ( ข้อมูลไม่แสดง ) , และแน่นอนไม่ได้
เสมอเลือกการรักษาสำหรับพารามิเตอร์ในหนึ่งในชุด
คือทางเลือกที่ดีที่สุดสำหรับพารามิเตอร์เดียวกันในใด ๆอื่น ๆของ
ตัวอย่างชุด นี้จะยืนยันถึงความสำคัญของการเพิ่มประสิทธิภาพของ
) เมื่อวิเคราะห์ไขมัน ( เฟร์นันเดซ . kgm caban s Garrido
garc a-olmo , มาร์ติน เดอ เปโดร &ดาร์เดนน์ , 2007 ) ไม่มีของอนุพันธ์
ให้ผลที่ดีกว่าชัดเจนกว่าส่วนที่เหลือ แต่ 2,5,5,1 1,5,5,1
และ