An attractive feature of SIMCA is t

An attractive feature of SIMCA is that a principal component mapping of the data has occurred. Hence, samples that may be described by spectra or chromatograms, are mapped onto a much lower dimensional subspace for classification. If a sample is similar to the other samples in the class, it will lie near them in the principal component map defined by the samples representing that class.
Another advantage of SIMCA is that an unknown is only assigned to the class for which, it has a high probability. If the residual variance of a sample exceeds the upper limit for every modeled class in the data set, the sample would not be assigned to any of the classes because, it is either an outlier or comes from a class that is not represented in the data set.
Finally, SIMCA is sensitive to the quality of the data used to generate the principal component models. As a result, there are diagnostics to assess the quality of the data, such as the modeling power and the discriminatory power. The modeling power describes how well a variable helps the principal components to model variation, and discriminatory power describes how well the variable helps the principal components to classify the samples in the data set. Variables with low modeling power and low discriminatory power are usually deleted from the data because they contribute only noise to the principal component models.
SIMCA can work with as few as 10 samples per class, and there is no restriction on the number of measurement variables, which is an important consideration, because the number of measurement variables often exceeds the number of samples in chemical studies. Most standard discrimination techniques would break down in these situations because of problems arising from collinearity and chance classification.

ผลลัพธ์ (ไทย) 1:

คุณลักษณะน่าสนใจของ SIMCA เป็นการแมปองค์ประกอบหลักของข้อมูลเกิดขึ้น ตัวอย่างที่อาจอธิบาย โดยแรมสเป็คตราหรือ chromatograms ดังนั้น ถูกแมปไปที่มากต่ำกว่ามิติ subspace การจัด ถ้าตัวอย่างมีลักษณะคล้ายกับตัวอย่างอื่น ๆ ในชั้นเรียน มันจะอยู่ใกล้พวกเขาในแผนที่ส่วนประกอบหลักที่กำหนด โดยตัวอย่างที่แสดงถึงคลาสนั้น
ประโยชน์อื่นของ SIMCA คือ ว่า โนเนมเท่านั้นกำหนดให้ชั้น ที่มีความสูง ถ้าความแปรปรวนของตัวอย่างเหลือเกินขีดจำกัดสูงสุดสำหรับทุกชั้นเรียนสร้างแบบจำลองในชุดข้อมูล ตัวอย่างจะไม่สามารถกำหนดใด ๆ ของคลาเนื่องจาก มี outlier การใด หรือมาจากคลาสที่ไม่ได้แสดงในชุดข้อมูล
ในที่สุด SIMCA มีผลกระทบต่อคุณภาพของข้อมูลที่ใช้ในการสร้างแบบจำลองส่วนประกอบหลัก ส่งผล มีการวินิจฉัยเพื่อประเมินคุณภาพของข้อมูล พลังงานสร้างโมเดลและอำนาจโจ่งแจ้ง อำนาจสร้างโมเดลอธิบายวิธีที่ดีตัวแปรช่วยส่วนประกอบหลักในการเปลี่ยนแปลงรูปแบบ และพลังงานโจ่งแจ้งอธิบายวิธีด้วยตัวแปรช่วยให้ส่วนประกอบหลักในการแบ่งประเภทตัวอย่างในชุดข้อมูล ตัวแปรการสร้างโมเดลต่ำสุดพลังงานและพลังงานต่ำโจ่งแจ้งมักจะลบออกจากข้อมูลเนื่องจากพวกเขาเป็นส่วนหนึ่งของเสียงเท่ากับรุ่นคอมโพเนนต์หลักได้
SIMCA สามารถทำงานกับน้อยเป็นตัวอย่างที่ 10 ต่อคลาส และมีไม่จำกัดจำนวนตัวแปรวัด ซึ่งเป็นการพิจารณาสำคัญ เนื่องจากจำนวนของตัวแปรการวัดมักจะเกินจำนวนตัวอย่างในการศึกษาเคมี เทคนิคเลือกปฏิบัติมาตรฐานส่วนใหญ่จะทำลายลงในกรณีนี้เนื่องจากปัญหาที่เกิดจากภาวะร่วมเส้นตรงและการจัดประเภทของโอกาส

ผลลัพธ์ (ไทย) 3:

คุณลักษณะที่น่าสนใจของซิมก้าเป็นแผนผังองค์ประกอบหลักของข้อมูลเกิดขึ้น ดังนั้น ตัวอย่างที่อาจจะอธิบายโดยสเปกตรัมหรือกลิ่นเป็นแมปไปยังที่ต่ำกว่ามิติย่อยสำหรับการจำแนกประเภท ถ้าตัวอย่างที่คล้ายกับตัวอย่างอื่น ๆในชั้นเรียนก็จะนอนอยู่ใกล้ๆ ในหลักกำหนด โดยตัวอย่างที่เป็นตัวแทนขององค์ประกอบแผนที่
ในห้องนั่นอีกประโยชน์ของซิมก้านั้นจักเป็นเพียงมอบหมายให้ชั้น ซึ่งก็มีความเป็นไปได้สูง ถ้าความแปรปรวนของตัวอย่างที่เหลือเกินความคาดหมายทุกแบบคลาสในชุดข้อมูล ตัวอย่างจะได้รับมอบหมายใด ๆของชั้นเรียน เพราะ มันมีทั้ง ค่า หรือ มาจากคลาสที่ไม่แสดงในชุดข้อมูล .
ในที่สุดซิมก้ามีความไวต่อคุณภาพของข้อมูลที่ใช้ในการสร้างโมเดลองค์ประกอบหลัก . เป็นผลให้มีการวินิจฉัยเพื่อประเมินคุณภาพของข้อมูล เช่น พลังและอำนาจการเลือกปฏิบัติ แบบจำลองพลังงานอธิบายว่าตัวแปรที่ช่วยให้ส่วนประกอบหลักเป็นแบบผันแปรอำนาจจำแนกและอธิบายว่าตัวแปรที่ช่วยให้ส่วนประกอบหลักในการจำแนกตัวอย่างในชุดข้อมูล ตัวแปรที่มีอำนาจและอำนาจจำแนกแบบต่ำต่ำมักจะถูกลบจากข้อมูลเพราะพวกเขามีส่วนร่วมเพียงเสียงรูปแบบองค์ประกอบหลัก .
ปทุมาสามารถทำงานกับเพียง 10 คนต่อห้องเรียนและไม่มีข้อ จำกัด จำนวนของตัวแปรวัด ซึ่งเป็นข้อพิจารณาที่สำคัญ เพราะตัวเลขการวัดตัวแปรมักจะเกินกว่าจำนวนตัวอย่างในการศึกษาสารเคมี . เทคนิคเลือกปฏิบัติมาตรฐานส่วนใหญ่จะแตกลงในสถานการณ์เหล่านี้ เพราะปัญหาที่เกิดขึ้นจากการ collinearity และโอกาส