The data setswere evaluated by PLSD

The data setswere evaluated by PLSDA – a discriminant method and
the PLS cross-validation – a predictive method. MatLab software (The
Mathworks Inc., Natic, MA, USA) was used.
Partial least square discriminant analysis (PLSDA) with validation
was performed on normalized spectral data in MATLAB (The
Mathworks Inc., Natic, MA, USA) using the ‘Saisir’ package available
at the website: http://easy-chemometrics.fr. This technique is used
to predict the membership of an individual to a qualitative group
defined as a preliminary (Vigneau, Qannari, Jaillais, Mazerolles, &
Bertrand, 2006). The spectral collection was divided into two
groups for discriminant analysis: two-thirds of the investigated
muscle samples were used for the calibration set and one-third for
the validation set.
PLS finds a linear model by projecting the predicted variables and
the observable variable to a newspace. It is used to find the fundamental
relations between two matrices (X and Y), i.e. a latent variable approach
to modeling the covariance structures in these two spaces. In regression
model data was not divided into groups.

ผลลัพธ์ (ไทย) 1:

Setswere ข้อมูลที่ประเมิน โดย PLSDA – วิธี discriminant และกรุณาข้ามสอบวิธีคาดการณ์ (ซอฟต์แวร์ MatLabMathworks Inc., Natic, MA, USA) ใช้บางส่วนน้อย discriminant ตารางวิเคราะห์ (PLSDA) ด้วยการตรวจสอบทำตามข้อมูลสเปกตรัมมาตรฐานใน MATLAB (Mathworks Inc., Natic, MA, USA) โดยใช้แพคเกจ 'Saisir' พร้อมใช้งานที่เว็บไซต์: http://easy-chemometrics.fr ใช้เทคนิคนี้เพื่อทำนายการเป็นสมาชิกของแต่ละกลุ่มคุณภาพกำหนดไว้เป็นการเบื้องต้น (Vigneau, Qannari, Jaillais, Mazerolles, &เบอร์ทรานด์ 2006) ชุดสเปกตรัมถูกแบ่งออกเป็นสองกลุ่มสำหรับการวิเคราะห์ discriminant: สองในสามของการตรวจสอบใช้สำหรับการปรับเทียบชุดและหนึ่งในสามสำหรับตัวอย่างกล้ามเนื้อการตรวจสอบได้กรุณาค้นหาแบบเชิงเส้น โดย projecting ตัวแปรคาดการณ์ และตัวแปร observable ไป newspace ใช้ในการค้นหาขั้นพื้นฐานความสัมพันธ์ระหว่างสองเมทริกซ์ (X และ Y), เช่นแนวทางแปรที่แฝงอยู่การสร้างโมเดลโครงสร้างความแปรปรวนร่วมในสองช่องนี้ ในการถดถอยข้อมูลแบบไม่ได้ถูกแบ่งออกเป็นกลุ่ม

ผลลัพธ์ (ไทย) 2:

setswere ข้อมูลการประเมินโดย PLSDA - วิธีการจำแนกและ
PLS ข้ามการตรวจสอบ - วิธีการทำนาย ซอฟแวร์ MATLAB (
Mathworks อิงค์ natic, MA, USA) ถูกนำมาใช้.
บางส่วนไม่น้อยกว่าตารางวิเคราะห์จำแนก (PLSDA) กับการตรวจสอบ
ได้รับการดำเนินการเกี่ยวกับข้อมูลสเปกตรัมปกติใน MATLAB (
Mathworks อิงค์ natic, MA, USA) โดยใช้ ' แพคเกจ Saisir 'ใช้ได้
ที่เว็บไซต์: http://easy-chemometrics.fr เทคนิคนี้จะใช้
ในการทำนายการเป็นสมาชิกของบุคคลในกลุ่มคุณภาพ
การกำหนดเป็นเบื้องต้น (Vigneau, Qannari, Jaillais, Mazerolles และ
เบอร์ทรานด์, 2006) คอลเลกชันสเปกตรัมถูกแบ่งออกเป็นสอง
กลุ่มเพื่อวิเคราะห์จำแนก: สองในสามของการตรวจสอบ
ตัวอย่างกล้ามเนื้อถูกนำมาใช้สำหรับการสอบเทียบการตั้งค่าและหนึ่งในสามสำหรับ
ชุดการตรวจสอบ.
PLS พบว่าแบบจำลองเชิงเส้นโดยการฉายตัวแปรที่คาดการณ์ไว้และ
ตัวแปรที่สังเกตได้ในการ Newspace มันถูกใช้เพื่อหาพื้นฐาน
ความสัมพันธ์ระหว่างสองเมทริกซ์ (X และ Y) คือวิธีการที่ตัวแปรแฝง
ในการสร้างแบบจำลองโครงสร้างความแปรปรวนในทั้งสองพื้นที่ ในการถดถอย
ข้อมูลแบบไม่ได้ถูกแบ่งออกเป็นกลุ่ม

ผลลัพธ์ (ไทย) 3:

ข้อมูล setswere ประเมินโดย plsda –วิธีการจำแนก
กรุณาข้าม–ตรวจสอบวิธีการพยากรณ์ . โปรแกรมซอฟต์แวร์ (
แมธเวิร์คส์ อิงค์ natic , MA , USA ) คือใช้ .
บางส่วนกำลังสองน้อยที่สุดจำแนกการวิเคราะห์ ( plsda ) มีการตรวจสอบ
คือใช้มาตรฐานข้อมูลสเปกตรัมใน MATLAB (
แมธเวิร์คส์ อิงค์ natic , MA , USA ) โดยใช้ ' saisir ' แพคเกจใช้ได้
ที่เว็บไซต์ : http :/ / easy-chemometrics.fr เทคนิคนี้ใช้
ทำนาย สมาชิกของแต่ละกลุ่มคุณภาพ
กำหนดเป็นเบื้องต้น ( vigneau qannari jaillais mazerolles , , , ,
&เบอร์ทรานด์ , 2006 ) คอลเลกชันสเปกตรัมถูกแบ่งออกเป็นสองกลุ่มเพื่อการวิเคราะห์จำแนกประเภท :

กล้ามเนื้อสองในสามของจำนวนที่ใช้สำหรับตรวจสอบการตั้งค่า และหนึ่งในสามสำหรับ

การตั้งค่ากรุณาหาแบบเชิงเส้น โดย projecting ตัวแปรพยากรณ์กับตัวแปรสังเกต newspace
เพื่อ . มันถูกใช้เพื่อค้นหาความสัมพันธ์พื้นฐานระหว่างสองเมทริกซ์
( X และ Y ) คือ ตัวแปรแฝงแนวทางเพื่อสร้างความแปรปรวน
โครงสร้างในพื้นที่ทั้งสองนี้ ใน
แบบจำลองข้อมูลถดถอยคือไม่แบ่งออกเป็นกลุ่ม