math treatment1. multiple linear re

math treatment
1. multiple linear regression
- adds variables to a monovariate regression
- possibility of overfitting /math artefact predictions ==
- uses only limited spectral information
- Gives less accurate predictions
2. principal components analysis (/regression)
- Groups spectral data into a few, independent components which are used as the predictors
- Hence uses most of the spectral data
- more accurate
3. multiple partial least squares
- similar to PCA but uses both lab data & spectral data in the prediction
- often most accurate

ผลลัพธ์ (ไทย) 1:

รักษาคณิตศาสตร์1. เชิงเส้นแบบพหุคูณ-เพิ่มตัวแปรการถด monovariate-สามารถคาดคะเน /math artefact overfitting ==-ใช้ข้อมูลสเปกตรัมที่จำกัดเท่านั้น-ช่วยให้คาดคะเนถูกต้องน้อยกว่า2. ส่วนประกอบหลักการวิเคราะห์ (/ ถดถอย)-กลุ่มข้อมูลสเปกตรัมเป็นส่วนประกอบไม่กี่ อิสระซึ่งใช้เป็นที่ predictors-ดังนั้น ใช้ทั้งข้อมูลสเปกตรัม-ความถูกต้องมากขึ้น3. กำลังสองน้อยที่สุดบางส่วนหลาย-คล้ายกับ PCA แต่ใช้ข้อมูลห้องปฏิบัติการและข้อมูลสเปกตรัมในคำทำนาย-มักจะแม่นยำมากที่สุด

ผลลัพธ์ (ไทย) 2:

การรักษาทางคณิตศาสตร์
1 หลายถดถอยเชิงเส้น
- เพิ่มตัวแปรถดถอย monovariate
- เป็นไปได้ของอิง / คณิตศาสตร์การคาดการณ์สิ่งประดิษฐ์ ==
- ใช้ข้อมูลสเปกตรัม จำกัด
- ให้การคาดการณ์ที่ถูกต้องน้อย
2 การวิเคราะห์องค์ประกอบหลัก (/ ถดถอย)
- กลุ่มข้อมูลสเปกตรัมเป็นเพียงไม่กี่ชิ้นส่วนที่เป็นอิสระซึ่งจะใช้เป็นตัวแปรทำนาย
- ดังนั้นใช้มากที่สุดของข้อมูลสเปกตรัม
- ถูกต้องมากขึ้น
3 หลายส่วนน้อยสแควร์
- คล้ายกับ PCA แต่ใช้ข้อมูลทั้งในห้องปฏิบัติการและข้อมูลสเปกตรัมในคำทำนาย
- มักจะถูกต้องที่สุด

ผลลัพธ์ (ไทย) 3:

การรักษาคณิตศาสตร์
1 สมการถดถอยพหุคูณแบบเพิ่มตัวแปร monovariate
-
-- ความเป็นไปได้ของการ overfitting / คณิตศาสตร์ สิ่ง ประดิษฐ์ คาดคะเน = =
- ใช้เฉพาะการ จำกัด ข้อมูลให้ถูกต้องคาดคะเนน้อย
-
2 การวิเคราะห์องค์ประกอบหลัก ( ถดถอย )
- กลุ่มข้อมูลสเปกตรัมในไม่กี่ชิ้นส่วนอิสระซึ่งใช้เป็นตัวพยากรณ์
- เพราะใช้มากที่สุดของข้อมูลสเปกตรัมที่แม่นยำมากขึ้น

- 3 แบบกำลังสองน้อยที่สุดบางส่วน
- คล้ายกับ PCA แต่ใช้ทั้ง Lab ข้อมูล&ข้อมูลสเปกตรัมในการทำนาย
- มักจะถูกต้องมากที่สุด