Abstract: To accurately, safely, an

Abstract: To accurately, safely, and efficiently evaluate the bitterness of Traditional Chinese Medicines
(TCMs), a robust predictor was developed using robust partial least squares (RPLS) regression method
based on data obtained from an electronic tongue (e-tongue) system. The data quality was verified by
the Grubb’s test. Moreover, potential outliers were detected based on both the standardized residual
and score distance calculated for each sample. The performance of RPLS on the dataset before and
after outlier detection was compared to other state-of-the-art methods including multivariate linear
regression, least squares support vector machine, and the plain partial least squares regression. Both
R2 and root-mean-squares error (RMSE) of cross-validation (CV) were recorded for each model. With
four latent variables, a robust RMSECV value of 0.3916 with bitterness values ranging from 0.63 to
4.78 were obtained for the RPLS model that was constructed based on the dataset including outliers.
Meanwhile, the RMSECV, which was calculated using the models constructed by other methods,
was larger than that of the RPLS model. After six outliers were excluded, the performance of all
benchmark methods markedly improved, but the difference between the RPLS model constructed

ผลลัพธ์ (ไทย) 1:

บทคัดย่อ: การถูกต้อง ปลอดภัย และ efficiently ประเมินรสขมของยาจีนแผนโบราณ(TCMs), predictor ประสิทธิภาพถูกพัฒนาโดยใช้วิธีการถดถอยของแข็งบางส่วนอย่างน้อยสี่เหลี่ยม (RPLS)ตามข้อมูลที่ได้จากระบบลิ้นอิเล็กทรอนิกส์ (e-ลิ้น) คุณภาพของข้อมูลถูกตรวจสอบได้โดยการทดสอบของ Grubb นอกจากนี้ outliers อาจพบตามทั้งเป็นมาตรฐานส่วนที่เหลือและคะแนนจากคำนวณสำหรับแต่ละอย่าง ประสิทธิภาพของ RPLS ในชุดข้อมูลก่อน และหลังจากตรวจสอบ outlier ถูกเปรียบเทียบกับวิธีอื่น ๆ ศิลปะที่รวมทั้งเชิงเส้นหลายตัวแปรข้อถดถอย สี่เหลี่ยมอย่างน้อยสนับสนุนเครื่องเวกเตอร์ และถดถอยสี่เหลี่ยมอย่างน้อยบางส่วนธรรมดา ทั้งสองข้อผิดพลาดรากหมายถึงช่องสี่เหลี่ยม (RMSE) การตรวจสอบข้าม (CV) และ R2 ที่มีบันทึกแต่ละรุ่น มีตัวแปรแฝง 4 แข็งแกร่ง RMSECV ค่า 0.3916 ด้วยค่าความขมขื่นตั้งแต่ 0.63 ถึง4.78 ได้รับสำหรับรูปแบบ RPLS ที่สร้างขึ้นใช้การรวม outliersในขณะเดียวกัน RMSECV ซึ่งถูกคำนวณโดยใช้แบบจำลองที่สร้าง โดยวิธีอื่น ๆมีขนาดใหญ่กว่าของรุ่น RPLS หลังจากที่หก outliers ได้แยก ประสิทธิภาพการทำงานทั้งหมดวิธีมาตรฐานที่ดีขึ้นอย่างเด่นชัด แต่สร้างความแตกต่างระหว่างรุ่น RPLS

ผลลัพธ์ (ไทย) 2:

บทคัดย่อ: ได้อย่างถูกต้องปลอดภัยและ Fi EF อย่างมีประสิทธิภาพประเมินขมของยาจีนโบราณ
(TCMs) ทำนายที่แข็งแกร่งได้รับการพัฒนาโดยใช้ประสิทธิภาพบางส่วนสองน้อยที่สุดวิธีการ (RPLS) ถดถอย
บนพื้นฐานของข้อมูลที่ได้รับจากลิ้นอิเล็กทรอนิกส์ (E-ลิ้น) ระบบ คุณภาพข้อมูล Veri Fi ed โดย
การทดสอบกรับบ์ นอกจากนี้ยังมีค่าผิดปกติที่อาจเกิดขึ้นพบขึ้นอยู่กับทั้งสองที่เหลือมาตรฐาน
ระยะทางและคะแนนการคำนวณสำหรับแต่ละตัวอย่าง ประสิทธิภาพการทำงานของ RPLS ในชุดข้อมูลก่อนและ
หลังการตรวจสอบค่าผิดปกติเมื่อเทียบกับวิธีอื่น ๆ รัฐของศิลปะรวมทั้งการเชิงเส้นหลายตัวแปร
ถดถอยสี่เหลี่ยมน้อยสนับสนุนเครื่องเวกเตอร์และที่ราบบางส่วนน้อยถดถอยสี่เหลี่ยม ทั้งสอง
R2 และรากเฉลี่ยสี่เหลี่ยมข้อผิดพลาด (RMSE) ของการตรวจสอบข้าม (CV) ถูกบันทึกไว้สำหรับแต่ละรุ่น กับ
สี่ตัวแปรแฝงค่า RMSECV ที่แข็งแกร่งของ 0.3916 ที่มีค่าความขมขื่นตั้งแต่ 0.63 ที่จะ
4.78 ได้รับสำหรับรูปแบบ RPLS ที่ถูกสร้างขึ้นบนพื้นฐานของชุดรวมทั้งค่าผิดปกติ.
ขณะที่ RMSECV ซึ่งได้รับการคำนวณโดยใช้แบบจำลองสร้างขึ้นโดยวิธีการอื่น ๆ ,
มีขนาดใหญ่กว่ารุ่น RPLS หลังจากหกค่าผิดปกติได้รับการยกเว้นประสิทธิภาพการทำงานของทุก
วิธีมาตรฐานที่ดีขึ้นอย่างเห็นได้ชัด แต่ความแตกต่างระหว่างรุ่น RPLS ที่สร้าง