SIMCA is a supervised chemometric m

SIMCA is a supervised chemometric method based on principal
component analysis (PCA). It requires assigning training data sets to
classes. Thirty cornmeal samples were used to train the classification
models while eight samples which were randomly selected
were used as an independent validation set (five conventional and
three organic cornmeal). Samples were divided into calibration and
independent validation sets in away that all replicates belonging to
the same cornmeal sample were either used only in the calibration
or validation set. In this study, 2 classes were designed: conventional
cornmeal (class 1) and organic cornmeal (class 2). The
number of PCs used in the model was determined by a crossvalidation
procedure (leave-one-out) and confidence intervals or
class boundaries were calculated by means of residual standard
deviations to assess class membership and detecting outliers.
Probability clouds (a ¼ 0.05) surrounding the clusters allow SIMCA
to be used as a predictive modeling system. In addition, residuals
provide valuable information regarding class homogeneity, separation
between classes (interclass distance), and the relative
strength of any given variable to model the structure of a class or to
discriminate between classes (discriminating power). SIMCA's
interclass distance (ICD) describes quantitatively the similarity or
dissimilarity of the different classes, being generally accepted that
samples can be differentiated when ICD > 3 (Vogt and Knutsen,
1985). The discriminating power of variables may be used to
eliminate noise from the data set, such that variables having both
low discriminating power and modeling power can be eliminated.
SIMCA performance was examined in terms of discriminating power,
class projections, misclassifications (percentage of samples
correctly allocated to their original groups) and ICD.

ผลลัพธ์ (ไทย) 2:

SIMCA เป็นวิธี chemometric ภายใต้การดูแลอยู่บนพื้นฐานของหลัก
วิเคราะห์องค์ประกอบ (PCA) มันต้องมีการกำหนดชุดข้อมูลการฝึกอบรมเพื่อ
เรียน สามสิบตัวอย่างข้าวโพดถูกนำมาใช้ในการฝึกอบรมการจัดหมวดหมู่
รูปแบบในขณะที่แปดตัวอย่างที่ถูกสุ่มเลือก
ถูกนำมาใช้เป็นชุดตรวจสอบที่เป็นอิสระ (ห้าธรรมดาและ
สามข้าวโพดอินทรีย์) ตัวอย่างถูกแบ่งออกเป็นการสอบเทียบและ
ชุดการตรวจสอบที่เป็นอิสระในทันทีว่าซ้ำทั้งหมดที่เป็น
ตัวอย่างข้าวโพดเดียวกันถูกนำมาใช้อย่างใดอย่างหนึ่งเพียง แต่ในการสอบเทียบ
หรือชุดการตรวจสอบ ในการศึกษานี้ 2 เรียนได้รับการออกแบบ: ธรรมดา
ข้าวโพด (ชั้น 1) และข้าวโพดอินทรีย์ (ชั้น 2)
จำนวนของเครื่องคอมพิวเตอร์ที่ใช้ในรูปแบบที่ถูกกำหนดโดย crossvalidation
ขั้นตอน (ออกจากหนึ่งออก) และช่วงความเชื่อมั่นหรือ
ขอบเขตของชั้นนี้จะถูกคำนวณโดยใช้วิธีการมาตรฐานที่เหลือ
เบี่ยงเบนในการประเมินเป็นสมาชิกชั้นเรียนและการตรวจสอบค่าผิดปกติ.
เมฆน่าจะเป็น (¼ 0.05) รอบกลุ่มอนุญาตให้ SIMCA
ที่จะใช้เป็นระบบการสร้างแบบจำลองการคาดการณ์ นอกจากนี้ยังมีเหลือ
ให้ข้อมูลที่มีค่าเกี่ยวกับความสม่ำเสมอของระดับการแยก
ระหว่างเรียน (ระยะทางทาง interclass) และญาติ
มีความแข็งแรงของตัวแปรใด ๆ ให้กับรูปแบบโครงสร้างของชั้นเรียนหรือที่จะ
เห็นความแตกต่างระหว่างชนชั้น (อำนาจจำแนก) SIMCA ของ
ระยะ interclass (ICD) อธิบายเชิงปริมาณคล้ายคลึงกันหรือ
แตกต่างกันของการเรียนที่แตกต่างกันได้รับการยอมรับโดยทั่วไปว่า
กลุ่มตัวอย่างสามารถที่แตกต่างเมื่อ ICD> 3 (โฟกท์และ Knutsen,
1985) อำนาจจำแนกของตัวแปรที่อาจถูกใช้เพื่อ
ช่วยขจัดเสียงรบกวนจากชุดข้อมูลเช่นว่าตัวแปรที่มีทั้ง
อำนาจจำแนกต่ำและอำนาจการสร้างแบบจำลองสามารถกำจัด.
ประสิทธิภาพ SIMCA ถูกตรวจสอบในแง่ของอำนาจจำแนก,
การคาดการณ์ระดับ misclassifications (ร้อยละของตัวอย่างที่
ถูกต้อง จัดสรรให้กับกลุ่มเดิม) และ ICD

ผลลัพธ์ (ไทย) 3:

ซิมก้าคือการคีโมเมตริกซ์วิธีที่ใช้ ในการวิเคราะห์องค์ประกอบหลัก ( PCA )
. มันต้องมีการฝึกชุดข้อมูล

เรียน 30 ตัวอย่างแป้งข้าวโพดใช้ฝึกการจำแนก
นางแบบในขณะที่แปดตัวอย่างที่สุ่ม
ถูกใช้เป็นอิสระตรวจสอบชุด ( 5
3 อินทรีย์ธรรมดาและ cornmeal ) การสอบเทียบและ
แบ่งกลุ่มตัวอย่างออกเป็นอิสระตรวจสอบชุดไปที่ซ้ำของ
ตัวอย่างแป้งข้าวโพดเดียวกันมีให้ใช้เฉพาะในการสอบเทียบ
หรือตรวจสอบการตั้งค่า ในการศึกษานี้ มี 2 ชั้น ออกแบบ : แป้งข้าวโพดปกติ
( ชั้น 1 ) และแป้งข้าวโพดอินทรีย์ ( ชั้น 2 )
จำนวนเครื่องคอมพิวเตอร์ที่ใช้ในแบบที่ถูกกำหนดโดย crossvalidation
ขั้นตอน ( จาก 1 ) ความเชื่อมั่นหรือ
ขอบเขตของชั้นถูกคำนวณโดยวิธีการของส่วนเบี่ยงเบนมาตรฐาน
ตกค้างประเมินชั้นเรียนและการเป็นสมาชิกผิดปกติ .
เมฆความน่าจะเป็น ( ¼ 0.05 ) โดยกลุ่มให้ซิมก้า
เพื่อใช้เป็นระบบการสร้างโมเดลทำนาย . นอกจากนี้ยังให้ข้อมูลเกี่ยวกับค่า

เรียนวิธีการแยกระหว่างเรียน ( interclass ระยะทาง ) และญาติ
ความแข็งแรงของใด ๆตัวแปรแบบโครงสร้างของคลาสหรือ

เลือกปฏิบัติระหว่างเรียน ( ค่าพลัง ) ซิมก้าอยู่
interclass ระยะทาง ( ICD ) อธิบายในเชิงปริมาณ ความเหมือน หรือความแตกต่างของชั้นเรียนที่แตกต่างกัน

ตัวอย่างการยอมรับโดยทั่วไปว่าสามารถที่แตกต่างเมื่อ ICD > 3 ( สาธิต knutsen
และ , 1985 ) ค่าอำนาจจำแนกตัวแปร อาจใช้
ขจัดเสียงรบกวนจากชุดข้อมูลเช่นว่าตัวแปรมีทั้งต่ำและพลังอำนาจจำแนกแบบ

สามารถกำจัด การแสดงซิมก้าถูกตรวจสอบในแง่ของอำนาจจำแนก
คลาสประมาณการ misclassifications ( ร้อยละของตัวอย่าง
อย่างถูกต้องจัดสรรให้กลุ่มเดิม ) และ ICD .