The chemometrics methods employed f

The chemometrics methods employed for classification are
supervised or unsupervised methods. The latter is usually referred
as clustering method too. The former needs the class property of
the training samples in addition to the classifier variables. Principal
component analysis (PCA) extracts the classifier features (named
principal components; PCs) from the spectroscopic data to visualize
the data and show the clustering pattern of different groups of
samples. Although, since the extracted PCs are obtained solely
from the spectroscopic data without using the class information,
the classification models constructed from the PCs usually represent
weak classification results. On the other hand, supervised
methods such as partial least square-discriminate analysis (PLSDA)
produce components that are more correlated with the data
classes. Though, PLS-DA suffers from poor performance in situations not unlikely to occur in real data. Canonical variates analysis
(CVA) is another supervised classification method,

ผลลัพธ์ (ไทย) 1:

มีวิธีการ chemometrics ที่ใช้สำหรับการจัดประเภทวิธีดูแล หรือขั่ว หลังจะเรียกเป็นคลัสเตอร์วิธีเกินไป ต้องการคุณสมบัติของระดับของอดีตตัวอย่างการฝึกอบรมนอกเหนือจากตัวแปรจำแนก หลักลักษณนามคุณสมบัติ (ชื่อแยกวิเคราะห์ส่วนประกอบ (PCA)ส่วนประกอบหลัก พีซี) จากข้อมูลจะเห็นภาพสเปคตรัมข้อมูล และแสดงรูปแบบระบบคลัสเตอร์ของกลุ่มต่าง ๆตัวอย่าง แม้ว่า เนื่องจากพีซีที่แยกจะได้รับแต่เพียงผู้เดียวจากข้อมูลสเปคตรัมโดยชั้นข้อมูลรุ่นประเภทที่สร้างขึ้นจากเครื่องคอมพิวเตอร์มักจะเป็นตัวแทนผลการจัดประเภทอ่อนแอ บนมืออื่น ๆ ดูแลวิธีการเช่นบางส่วนน้อยสแควร์แยกแยะวิเคราะห์ (PLSDA)ผลิตส่วนประกอบที่มีความสัมพันธ์กับข้อมูลมากขึ้นเรียน แม้ว่า PLS ดาป่วยจากประสิทธิภาพในสถานการณ์ที่ไม่น่าจะเกิดขึ้นในข้อมูลจริง วิเคราะห์มาตรฐาน variates(CVA) เป็นวิธีการจัดประเภทภายใต้การดูแลที่อื่น

ผลลัพธ์ (ไทย) 2:

วิธีการ Chemometrics ใช้สำหรับการจัดหมวดหมู่เป็น
วิธีการภายใต้การดูแลใกล้ชิดหรือ หลังมักจะเรียกว่า
เป็นวิธีการจัดกลุ่มเกินไป อดีตความต้องการระดับทรัพย์สินของ
ตัวอย่างการฝึกอบรมนอกเหนือไปจากตัวแปรลักษณนาม หลัก
วิเคราะห์องค์ประกอบ (PCA) สารสกัดจากคุณสมบัติลักษณนาม (ชื่อ
องค์ประกอบหลัก; พีซี) จากข้อมูลสเปกโทรสโกที่จะเห็นภาพ
ข้อมูลและแสดงรูปแบบการจัดกลุ่มของกลุ่มที่แตกต่างของ
กลุ่มตัวอย่าง แม้ว่าตั้งแต่พีซีสกัดจะได้รับ แต่เพียงผู้เดียว
จากข้อมูลสเปกโทรสโกโดยไม่ต้องใช้ข้อมูลชั้น
แบบจำลองการจัดสร้างจากเครื่องคอมพิวเตอร์มักจะหมายถึง
ผลการจัดหมวดหมู่ที่อ่อนแอ บนมืออื่น ๆ ภายใต้การดูแล
วิธีการดังกล่าวเป็นส่วนหนึ่งในการวิเคราะห์ตารางการเลือกปฏิบัติอย่างน้อย (PLSDA)
ผลิตชิ้นส่วนที่มีความสัมพันธ์มากขึ้นด้วยข้อมูล
ชั้นเรียน แม้ว่า PLS-DA ทนทุกข์ทรมานจากประสิทธิภาพที่ดีในสถานการณ์ที่ไม่น่าจะเกิดขึ้นในข้อมูลจริง Canonical variates วิเคราะห์
(CVA) เป็นวิธีการจัดหมวดหมู่อื่นภายใต้การดูแล

ผลลัพธ์ (ไทย) 3:

ส่วนวิธีที่ใช้ในการจำแนกเป็นเคโมเมตริกดูแลหรือวิธีการแบบไม่โต้ตอบ หลังมักจะเรียกว่าเป็นวิธีการจัดกลุ่มด้วย อดีตความต้องการคุณสมบัติของคลาสการฝึกอบรมครั้งนี้นอกจากตัวแปรลักษณนาม ครูใหญ่การวิเคราะห์องค์ประกอบ ( PCA ) สารสกัดคุณลักษณะลักษณนาม ( ชื่อส่วนประกอบหลัก ; ชิ้น ) จากข้อมูลทางภาพข้อมูลและแสดงข้อมูลในรูปแบบของกลุ่มที่แตกต่างกันของตัวอย่าง แม้ว่าตั้งแต่แยกชิ้นได้แต่เพียงผู้เดียวจากข้อมูลทางโดยไม่ใช้เทคโนโลยีสารสนเทศเรียนการสร้างโมเดลจากพีซีมักจะเป็นตัวแทนของผลการจำแนกอ่อนแอ บนมืออื่น ๆที่มีวิธีกำลังสองน้อยที่สุด เช่น การแยกแยะวิเคราะห์ ( plsda )ผลิตชิ้นส่วนที่มีความสัมพันธ์กับข้อมูลชั้นเรียน แม้ว่า pls-da ทนทุกข์ทรมานจากประสิทธิภาพที่ดีในสถานการณ์ที่ไม่น่าเกิดขึ้นในข้อมูลที่แท้จริง การวิเคราะห์ variates Canonical( CVA ) เป็นอีกวิธีในการจัด ,