Finally, the aligned and row profil

Finally, the aligned and row profile scaled data set with 50 samples and 866 variables was normalized for the pattern recog- nition analysis. Chemometric tools were applied to extract the main information in multivariate data and to develop classification models according to variety in the 1st case and geographical ori- gin in the second case. In the 1st attempt, principal component analysis (PCA) as an unsupervised technique was performed in order to reduce the dimensionality of the original data matrix and provide a new set of variables obtained as a linear combination of the original features. The resulting PCA scores matrix was the input for linear discriminant analysis (LDA). In a second attempt, stepwise linear discriminant analysis (SLDA) was applied as a clas sification method in order to optimize the discrimination. In this method, an LDA classification model is constructed by applying a stepwise variable selection procedure so that the most significant variables involved in sample differentiation are selected using a Wilks' Lambda as a selection criterion and an F-statistic to deter- mine the significance of the changes in Lambda when evaluating the influence of each new variable. Before choosing a new variable to include, this procedure checks to see if all of the variables previ- ously selected remain significant. If a variable selected earlier may no longer be useful, it is removed. This procedure stops when no other variables meet the criteria for entry or when the variable to be included next is one that was just removed. The leave-one-out method was used as cross-validation procedure to evaluate the classification performance. The preprocessing was implemented in MATLAB version 7.0.1.24704 (R14) Service Pack 1. The Matlab code for icoshift is available for download at www.models.life.ku.dk/source. PAC and SLDA were performed using SPSS17.0 software (SPSS Inc., Chicago, Ill., U.S.A.)

Results and Discussion
Data preprocessing
Figure 1A reports the original overlapped chromatograms after the removal of the leading and trailing sections and piece-wise linear baseline correction. It is visible that a pretreatment is neces- sary to correct peak shift. Figure 1B shows the profiles pretreated by the icoshift method, as indicated in "Materials and Methods" section

PCA data compression
After applying preprocessing to raw data, PCA was performed as a preliminary step in multivariate analysis in order to extract the main information existing in multivariate data. Seventeen prin cipal components (with eigenvalues 1) contributed to 89.35% of the total variance were considered significant. When repre- senting the scores of samples on a two-dimensional space defined by the 1st 2 principal components (accounting for 40.58% of the total variance clear separation between samples could not be obtained either according to variety or to geographical origin (data not shown). Therefore, supervised learning pattern recog- nition methods were applied to acquire a higher level of group separation

ผลลัพธ์ (ไทย) 1:

ในที่สุด การจัดตำแหน่ง และโปรไฟล์แถวปรับชุดข้อมูลตัวอย่างที่ 50 และถูกตามปกติ 866 ตัวแปรสำหรับวิเคราะห์อายุพนักงาน nition รูปแบบ ใช้เครื่องมือ Chemometric เพื่อดึงข้อมูลหลักในข้อมูลตัวแปรพหุ และ การพัฒนารูปแบบการจัดประเภทตามภูมิศาสตร์ ori-กินในกรณีสองและหลากหลายในกรณี 1 ในความพยายาม 1 วิเคราะห์ส่วนประกอบหลัก (PCA) เป็นเทคนิคที่ขั่วทำเพื่อลดมิติของเมทริกซ์ข้อมูลเดิม และชุดใหม่ของตัวแปรที่ได้รับการรวมเชิงเส้นของเดิมให้ คะแนนเฉลี่ยผลของ PCA เป็นการป้อนข้อมูลสำหรับการวิเคราะห์เชิงเส้น discriminant (LDA) ในความพยายามที่สอง discriminant เส้นยังคงวิเคราะห์ (SLDA) ถูกนำไปใช้เป็นวิธีการ sification อย่างมีการเพิ่มประสิทธิภาพการปฏิบัติการ ในวิธีนี้ รูปแบบการจัดประเภท LDA ถูกสร้าง โดยการใช้กระบวนการเลือกตัวแปรที่ยังคงดังนั้นตัวแปรสำคัญที่เกี่ยวข้องในการจำแนกตัวอย่างเลือกใช้ของ Wilks แลมบ์ดาเป็นเกณฑ์ในการเลือกและตัวสถิติ F ในการยับยั้งระเบิดความสำคัญของการเปลี่ยนแปลงในแลมบ์ดาเมื่อประเมินอิทธิพลของแต่ละตัวแปรใหม่ ก่อนที่จะเลือกตัวแปรใหม่รวม ขั้นตอนนี้ตรวจสอบเพื่อดูถ้า previ-ously ตัวแปรที่เลือกทั้งหมดยังคงสำคัญ ถ้าตัวแปรที่เลือกไว้ก่อนหน้านี้อาจไม่มีประโยชน์ มันจะถูกเอาออก ขั้นตอนนี้หยุดเมื่อตัวแปรอื่น ๆ ไม่ตรงกับเงื่อนไขในรายการหรือเมื่อตัวแปรจะรวมต่อหนึ่งที่เพิ่งมีการเอาออก วิธีปล่อยเอาท์หนึ่งถูกใช้เป็นขั้นตอนการตรวจสอบข้ามการประเมินประสิทธิภาพการจัดประเภท การประมวลผลเบื้องต้นถูกนำมาใช้ใน MATLAB รุ่น 7.0.1.24704 (R14) Service Pack 1 นั้น รหัส Matlab สำหรับ icoshift คือสามารถดาวน์โหลดได้ที่ www.models.life.ku.dk/source PAC และ SLDA ดำเนินการโดยใช้ซอฟต์แวร์ SPSS17.0 (SPSS Inc. ชิคาโก Ill. สหรัฐอเมริกา)ผลและการอภิปราย ข้อมูลที่ประมวลผลเบื้องต้น รูปที่ 1A รายงาน chromatograms คาบเกี่ยวกันเดิมหลังจากกำจัดส่วนชั้นนำ และต่อท้าย และ piece-wise การแก้ไขพื้นฐานเชิงเส้น จะเห็นได้ว่าปรับสภาพโอเค จาเป็นเพื่อกะพีคถูกต้อง รูป 1B แสดงส่วนกำหนดค่า pretreated โดยวิธี icoshift ตามที่ระบุไว้ในส่วน "วัสดุและวิธีการ"บีบอัดข้อมูลของ PCA หลังจากใช้ประมวลผลข้อมูลดิบเบื้องต้น PCA ได้ดำเนินเป็นขั้นตอนเบื้องต้นในการวิเคราะห์ตัวแปรพหุเพื่อแยกข้อมูลหลักที่มีอยู่ในข้อมูลตัวแปรพหุ 17 ย้าย cipal คอมโพเนนต์ (มีค่าลักษณะเฉพาะ 1) ส่วนการ 89.35% ของความแปรปรวนทั้งหมดถือว่าเป็นที่สำคัญ เมื่อ senting ยิ่งมีคะแนนของกลุ่มตัวอย่างในพื้นที่สองมิติกำหนด โดย 1 2 หลักส่วนบัญชี 40.58% ของความแปรปรวนทั้งหมดที่ชัดเจนไม่ได้รับการแยกระหว่างตัวอย่าง ตามที่ต่าง ๆ หรือแหล่งกำเนิดทางภูมิศาสตร์ (ไม่แสดงข้อมูล) ดังนั้น ดูแลเรียนรู้ใช้วิธีอายุพนักงาน nition รูปรับระดับสูงของการแยกกลุ่ม

ผลลัพธ์ (ไทย) 2:

สุดท้ายชิดและปรับขนาดแถวรายละเอียดข้อมูลที่กำหนด 50 ตัวอย่างและ 866 ตัวแปรเป็นปกติสำหรับการวิเคราะห์รูปแบบการจด nition เครื่องมือ chemometric ถูกนำไปใช้เพื่อดึงข้อมูลหลักในข้อมูลหลายตัวแปรและเพื่อพัฒนารูปแบบการจัดหมวดหมู่ตามความหลากหลายในกรณีที่ 1 และจิ ori- ทางภูมิศาสตร์ในกรณีที่สอง ในครั้งที่ 1 การวิเคราะห์องค์ประกอบหลัก (PCA) เป็นเทคนิคที่ใกล้ชิดได้ดำเนินการเพื่อลดมิติของเมทริกซ์ข้อมูลเดิมและให้ชุดใหม่ของตัวแปรที่ได้รับเป็นเชิงเส้นของการผสมผสานคุณสมบัติเดิม ส่งผลให้คะแนนเมทริกซ์ PCA คือการป้อนข้อมูลสำหรับการวิเคราะห์จำแนกเชิงเส้น (LDA) ในความพยายามครั้งที่สองขั้นตอนการวิเคราะห์จำแนกเชิงเส้น (SLDA) ถูกนำมาใช้เป็นวิธีการ Clas sification เพื่อเพิ่มประสิทธิภาพการเลือกปฏิบัติ ในวิธีการนี้เป็นรูปแบบการจัดหมวดหมู่ LDA ถูกสร้างโดยใช้ขั้นตอนการเลือกตัวแปรแบบขั้นตอนเพื่อให้ตัวแปรที่สำคัญที่สุดมีส่วนร่วมในความแตกต่างของกลุ่มตัวอย่างจะถูกเลือกใช้ Wilks 'Lambda เป็นเกณฑ์ในการเลือกและ F-สถิติการยับยั้งการเหมืองแร่สำคัญของ การเปลี่ยนแปลงในแลมบ์ดาเมื่อมีการประเมินอิทธิพลของตัวแปรใหม่แต่ละ ก่อนที่จะเลือกตัวแปรใหม่ที่จะรวมถึงขั้นตอนนี้จะตรวจสอบเพื่อดูว่าตัวแปรทั้งหมด previ- เลือก ously ยังคงอยู่อย่างมีนัยสำคัญ ถ้าตัวแปรเลือกไว้ก่อนหน้าอาจไม่เป็นประโยชน์ก็จะถูกลบออก ขั้นตอนนี้จะหยุดเมื่อไม่มีตัวแปรอื่น ๆ เป็นไปตามเกณฑ์สำหรับรายการหรือเมื่อตัวแปรที่จะรวมเป็นหนึ่งต่อไปที่ถูกลบออกเพียง ออกจากหนึ่งออกวิธีการใช้เป็นขั้นตอนการตรวจสอบข้ามในการประเมินผลการดำเนินงานการจัดหมวดหมู่ preprocessing ถูกนำมาใช้ในรุ่น MATLAB 7.0.1.24704 (R14) Service Pack 1 รหัส Matlab สำหรับ icoshift นี้สามารถดาวน์โหลดได้ที่ www.models.life.ku.dk/source PAC และ SLDA ถูกดำเนินการโดยใช้ซอฟแวร์ SPSS17.0 (SPSS อิงค์, ชิคาโก, อิลลินอยส์., สหรัฐอเมริกา) และอภิปรายผลpreprocessing ข้อมูลรูปที่ 1A รายงานเดิมซ้อนทับ chromatograms หลังจากการกำจัดของส่วนชั้นนำและต่อท้ายและชิ้นส่วนที่ชาญฉลาดแก้ไขพื้นฐานเชิงเส้น . มันจะมองเห็นได้ว่าการปรับสภาพเป็น Sary neces- ที่จะแก้ไขเปลี่ยนแปลงสูงสุด รูปที่ 1B แสดงให้เห็นโปรไฟล์ปรับสภาพโดยวิธี icoshift ตามที่ระบุไว้ใน "วัสดุและวิธีการ" ส่วนการบีบอัดข้อมูล PCA หลังจากใช้ preprocessing ข้อมูลดิบ PCA ได้ดำเนินการตามขั้นตอนเบื้องต้นในการวิเคราะห์หลายตัวแปรเพื่อดึงข้อมูลหลักที่มีอยู่ในหลายตัวแปร ข้อมูล. Seventeen ส่วนประกอบ cipal ปริญ (มีค่าลักษณะเฉพาะ 1) มีส่วนทำให้ 89.35% ของความแปรปรวนทั้งหมดได้รับการพิจารณาอย่างมีนัยสำคัญ เมื่อ repre- senting คะแนนของกลุ่มตัวอย่างในพื้นที่สองมิติที่กำหนดโดยวันที่ 1 2 องค์ประกอบหลัก (การบัญชีสำหรับ 40.58% ของความแปรปรวนแยกชัดเจนรวมระหว่างกลุ่มตัวอย่างที่ไม่อาจจะได้รับอย่างใดอย่างหนึ่งตามที่หลากหลายหรือแหล่งกำเนิดทางภูมิศาสตร์ (ไม่ได้แสดงข้อมูล ). ดังนั้นภายใต้การดูแลการเรียนรู้รูปแบบวิธีการจด nition ถูกนำไปใช้จะได้รับระดับที่สูงขึ้นของการแยกกลุ่ม

ผลลัพธ์ (ไทย) 3:

ในที่สุด ชิดและแถวโปรไฟล์ขนาด 50 ตัวอย่างชุดข้อมูลและตัวแปรตามมาตรฐานสำหรับรูปแบบ recog - การวิเคราะห์ nition . เครื่องมือที่ใช้ในการแยกคีโมเมตริกซ์ข้อมูลหลักในข้อมูลหลายตัวแปร และพัฒนารูปแบบการจำแนกตามความหลากหลายใน 1 กรณี และทางภูมิศาสตร์ โอริจิน ในคดีที่สอง ในความพยายามแรก การวิเคราะห์องค์ประกอบหลัก ( PCA ) เป็นเทคนิค unsupervised มีการปฏิบัติเพื่อลด dimensionality ของเมทริกซ์ข้อมูลเดิม และให้ชุดใหม่ของตัวแปรที่ได้จากการรวมกันเชิงเส้นในลักษณะเดิม ผลคะแนนเป็น input สำหรับ PCA เมทริกซ์การวิเคราะห์แบบเชิงเส้น ( lda ) ในความพยายามที่สองแบบเชิงเส้นการวิเคราะห์จำแนกประเภท ( slda ) ถูกใช้เป็นคัน sification วิธีการเพื่อเพิ่มประสิทธิภาพของการเลือกปฏิบัติ ในวิธีนี้ , lda การจำแนกรูปแบบถูกสร้างขึ้นโดยการใช้ตัวแปรแบบขั้นตอนที่สำคัญที่สุด ดังนั้นการเลือกตัวแปรที่เกี่ยวข้องในการเลือกตัวอย่างโดยใช้วิล ' แลมบ์ดาเป็นเกณฑ์การคัดเลือกและการ f-statistic ขัดขวางฉันความสำคัญของการเปลี่ยนแปลงในแลมบ์ดาเมื่อประเมินอิทธิพลของตัวแปรใหม่แต่ละ . ก่อนที่จะเลือกตัวแปรใหม่รวม ขั้นตอนนี้ตรวจสอบเพื่อดูว่าตัวแปรทั้งหมด previ - ously เลือกยังคงสำคัญ ถ้าตัวแปรที่เลือกไว้ก่อนหน้านี้อาจไม่เกิดประโยชน์ จะถูกลบออก ขั้นตอนนี้จะหยุดเมื่อไม่มีตัวแปรอื่น ๆเป็นไปตามเกณฑ์รายการหรือตัวแปรอยู่ถัดไปเป็นหนึ่งที่เพิ่งออก ที่ปล่อยออกมาใช้วิธีข้ามขั้นตอนการตรวจสอบเพื่อประเมินประสิทธิภาพการจำแนก ส่วนการเตรียมใช้ในโปรแกรมรุ่น 7.0.1.24704 ( r14 ) แพ็ค 1 บริการ โค้ด MATLAB สำหรับ icoshift สามารถดาวน์โหลดได้ที่ www.models.life.ku.dk/source . PAC และ slda คือการใช้ซอฟต์แวร์ spss17.0 ( SPSS Inc , ชิคาโก , ป่วย , ประเทศสหรัฐอเมริกาผลและการอภิปรายการเตรียมข้อมูลรูปที่ 1A รายงานต้นฉบับซ้อนกลิ่นหลังจากการกำจัดชั้นนำและต่อท้ายส่วนชิ้นปัญญาเชิงเส้นพื้นฐาน แก้ไข มันมองเห็นว่า การปรับสภาพทั้งหลาย - รีถูกต้องกะพีค รูป 1B แสดงโปรไฟล์ที่ได้รับโดยวิธีการ icoshift , ตามที่ระบุไว้ใน " วิธีการ " ส่วนระบบบีบอัดข้อมูลหลังจากใช้การเตรียมข้อมูลดิบ จะถูกแสดงเป็นขั้นตอนเบื้องต้นในการวิเคราะห์หลายตัวแปรเพื่อสกัดหลักข้อมูลที่มีอยู่ในข้อมูลหลายตัวแปร สิบเจ็ดองค์ cipal ส่วนประกอบ ( แบบ 1 ) ส่วน 89.35 % ของความแปรปรวนทั้งหมดได้รับการพิจารณาที่สำคัญ เมื่อ repre - senting คะแนนตัวอย่างบนระนาบสองมิติที่กำหนดโดย 1 2 ส่วนประกอบหลัก ( บัญชี 40.58 % ของความแปรปรวนทั้งหมดชัดเจนแยกระหว่างตัวอย่างอาจไม่ได้รับอย่างใดอย่างหนึ่งตามความหลากหลายของข้อมูลทางภูมิศาสตร์หรือจะไม่แสดง ) ดังนั้น การเรียนรู้รูปแบบการ recog - วิธีการ nition ประยุกต์ได้รับระดับที่สูงขึ้นของการแยกกลุ่ม