In the original variable space, the

In the original variable space, the MD takes into account the correlation in the data, since it is calculated
using the inverse of the variance–covariance matrix of the data set of interest. However, the computation of the
variance–covariance matrix can cause problems. When the investigated data are measured over a large number
of variables e.g., NIR spectra., they can contain much redundant or correlated information. This so-called multicollinearity
in the data leads to a singular or nearly singular variance–covariance matrix that cannot be inverted.

ผลลัพธ์ (ไทย) 1:

ในตัวแปรพื้นที่เดิม MD จะพิจารณาความสัมพันธ์ในข้อมูล เนื่องจากมีคำนวณโดยใช้ตัวผกผันของเมทริกซ์ความแปรปรวนแปรปรวนของชุดข้อมูลที่น่าสนใจ อย่างไรก็ตาม การคำนวณการเมทริกซ์ความแปรปรวนแปรปรวนทำให้เกิดปัญหา เมื่อวัดข้อมูลสอบสวนผ่านจำนวนมากของตัวแปรเช่น NIR สเปกตรัม พวกเขาสามารถประกอบด้วยข้อมูลซ้ำซ้อน หรือมีความสัมพันธ์มาก นี้เรียกว่า multicollinearityในการนำไปข้อมูลสู่เมทริกซ์เอกพจน์ หรือเอกพจน์เกือบความแปรปรวนแปรปรวนที่ไม่คว่ำ

ผลลัพธ์ (ไทย) 2:

ในพื้นที่ตัวแปรเดิม MD คำนึงถึงความสัมพันธ์ในข้อมูลเพราะมันมีการคำนวณ
โดยใช้ค่าผกผันของเมทริกซ์ความแปรปรวนความแปรปรวนของข้อมูลที่ตั้งที่สนใจ อย่างไรก็ตามการคำนวณของ
เมทริกซ์ความแปรปรวนแปรปรวนอาจทำให้เกิดปัญหา เมื่อข้อมูลที่ตรวจสอบที่วัดเหนือเป็นจำนวนมาก
ของตัวแปร? เช่น NIR สเปกตรัม. พวกเขาสามารถมีข้อมูลซ้ำซ้อนมากหรือมีความสัมพันธ์ พหุนี้เรียกว่า
ในข้อมูลที่นำไปสู่ความแปรปรวนเมทริกซ์ความแปรปรวนเอกพจน์หรือเกือบเอกพจน์ที่ไม่สามารถคว่ำ

ผลลัพธ์ (ไทย) 3:

ในพื้นที่ของตัวแปรเดิม ท่านจะพิจารณาความสัมพันธ์ในข้อมูล เนื่องจากมันถูกคำนวณการผกผันของเมทริกซ์ความแปรปรวนร่วมของชุดข้อมูลและที่น่าสนใจ อย่างไรก็ตามการคำนวณของความแปรปรวนความแปรปรวนร่วมของเมทริกซ์และอาจทําให้เกิดปัญหา เมื่อตรวจสอบข้อมูลที่วัดได้มากกว่าจํานวนมากของตัวแปรเช่นสเปกตรัม NIR . พวกเขาสามารถมีข้อมูลซ้ำซ้อนหรือมีความสัมพันธ์ . ข้อมูลนี้เรียกว่าในข้อมูลที่นำไปสู่ความแปรปรวนหรือเอกพจน์เอกพจน์เกือบ–เมทริกซ์ที่ไม่สามารถกลับด้าน