3.2. Linear discriminant analysisAf

3.2. Linear discriminant analysis

After a stepwise PCA using the more discriminating vari- ables, a linear discriminant analysis was run in order to op- timise the separation of the musts under study and in order to find an operative classification role for discriminating the four must varieties that make Madeira wine. Fig. 6 shows a projection of the musts in 2-D space, explaining 98.4% of the total variance. Four groups representing each variety were clearly observed. The first two discriminant functions (roots) were effective in discriminating between must vari- eties.
The classification capacity of the functions obtained was evaluated introducing ungrouped samples in the initial ma- trix. Hundred percent of the objects (8/8) were correctly

ผลลัพธ์ (ไทย) 1:

3.2 การการวิเคราะห์ discriminant เชิงเส้นหลังจาก PCA stepwise ใช้รับการจำแนกมากวารี ables วิเคราะห์เชิง discriminant รันในสั่ง op timise แบ่งแยก musts ภายใต้การศึกษา และการค้นหาบทบาทการจัดประเภทวิธีปฏิบัติตนภายเหยียดพวกผิวสี่ ต้องสายพันธุ์ที่มาเดราไวน์ Fig. 6 แสดงฉายของ musts ที่ใน 2 มิติพื้นที่ อธิบายถึง 98.4% ของความแปรปรวนทั้งหมด ชัดเจนสุภัคแสดงต่าง ๆ แต่ละกลุ่ม 4 ฟังก์ชัน discriminant สอง (ราก) มีประสิทธิภาพในการเหยียดพวกผิวระหว่างต้องวารี-etiesกำลังการผลิตประเภทของฟังก์ชันที่ได้ถูกประเมินแนะนำตัวอย่างที่จัดใน ma-ละเอียด trix เริ่มต้น ร้อยเปอร์เซ็นต์วัตถุ (8/8) ได้อย่างถูกต้อง

ผลลัพธ์ (ไทย) 2:

3.2 เชิงเส้นวิเคราะห์จำแนกหลังจาก PCA ขั้นตอนโดยใช้ตัวแปรแบ่งแยกมากขึ้นการวิเคราะห์จำแนกเชิงเส้นวิ่งเพื่อ op- timise แยกของน้ำลิ้นจี่ภายใต้การศึกษาและเพื่อที่จะได้พบกับบทบาทการจัดหมวดหมู่สำหรับการผ่าตัดแบ่งแยกสี่สายพันธุ์ต้องว่า ทำไวน์มาเดรา มะเดื่อ. 6 แสดงให้เห็นถึงการประมาณการของน้ำลิ้นจี่ในพื้นที่ 2 มิติที่อธิบาย 98.4% ของความแปรปรวนรวม สี่กลุ่มที่เป็นตัวแทนของความหลากหลายในแต่ละถูกตั้งข้อสังเกตได้อย่างชัดเจน สองคนแรกที่ฟังก์ชั่นแน (ราก) มีประสิทธิภาพในการแบ่งแยกระหว่างตัวแปรต้อง eties. ความจุการจำแนกประเภทของฟังก์ชั่นที่ได้รับการประเมินการแนะนำตัวอย่างจัดกลุ่มใน Trix ma- เริ่มต้น ร้อยเปอร์เซ็นต์ของวัตถุ (8/8) เป็นอย่างถูกต้อง

ผลลัพธ์ (ไทย) 3:

3.2 . จำแนกเชิงเส้นการวิเคราะห์

หลังจาก PCA = ใช้มากขึ้นแยกแยะวารี - บิล , เชิงเส้นการวิเคราะห์การจำแนกกลุ่ม ( Discriminant Analysis ) ใช้เพื่อสหกรณ์ - timise แยกที่ต้องศึกษาเพื่อค้นหาบทบาทหมวดหมู่หัตถการสำหรับจำแนกกลุ่มสี่ต้องนานาที่ทำไวน์ Madeira . รูปที่ 6 แสดงจำนวนของต้องใน 2 มิติอวกาศอธิบาย 984 % ของความแปรปรวนทั้งหมด 4 กลุ่ม กลุ่มที่เป็นตัวแทนของความหลากหลายในแต่ละ ก็สังเกตได้ สองคนแรกจำแนกฟังก์ชัน ( ราก ) มีประสิทธิภาพในการแยกแยะระหว่างต้อง vari - eties .
การจำแนกความสามารถของฟังก์ชันที่ได้ถูกประเมินแนะนำตัวอย่างได้จัดกลุ่มใน MA - เริ่มต้นทริกซ์ ร้อยของวัตถุ ( 8 / 8 ) ถูกต้อง