first two Principal Components (PCs)

first two Principal Components (PCs), obtained using the NIR data after MSC and first derivative (Fig. 2) and the UV–visible data after second derivative of the profiles (Fig. 3) show a good distinction between oils from Chianti Classico and oils from Riviera dei Fiori.
The LDA and UNEQ-QDA results are reported in Table 3:in column 1, the 14 matrices studied, with different pre-treatments and transforms, are listed and in columns 2, the number of vari-ables selected by STEP-LDA for each matrix is reported. The LDA prediction abilities (column 3) and the specificities of the QDA-UNEQ models (column 4) are mean values, i.e. they were calcu-lated as average between the values obtained for the two classes Chianti Classico and Liguria Riviera dei Fiori.
The LDA prediction abilities were always high: 100% for 11 over 14 matrices studied.
The specificity is the percentage of the objects of other cate-gories rejected by the model of the studied class; it is important to underline that these specificities refer to models “forced” to have 100% sensitivity, i.e. to models that accept all objects of their own class.

ผลลัพธ์ (ไทย) 1:

แรกสองหลักส่วนประกอบ (ชิ้น), ใช้ข้อมูล NIR หลัง MSC และแรกอนุพันธ์ (รูป 2) และข้อมูล UV – มองเห็นได้หลังจากอนุพันธ์อันดับสองของ profiles (รูป 3) แสดงความดีแตกต่างจากแฟนตาซีเชียนทีน้ำมันและน้ำมันจากเวีย dei Fioriมีรายงานผล LDA และ UNEQ QDA ในตารางที่ 3: แสดงอยู่ในคอลัมน์ที่ 1 เมทริกซ์ 14 ที่ศึกษา แปลง และรักษาก่อนที่แตกต่างกัน และในคอลัมน์ที่ 2 จำนวนมุมส่องสว่างเลือก โดยขั้นตอน LDA สำหรับเมทริกซ์แต่ละรายงาน ความสามารถทำนาย LDA (คอลัมน์ 3) และ specificities รุ่น QDA UNEQ (คอลัมน์ 4) หมายถึงค่า เช่นก็ calcu เกี่ยวข้องกนกับค่าเฉลี่ยระหว่างค่าทั้งสองได้เรียนแฟนตาซีเชียนที และแคว้นลิกูเรียเวีย dei Fioriความ LDA สามารถคาดเดาได้สูง: ศึกษา 100% สำหรับ 11 ผ่านเมทริกซ์ 14Specificity เป็นเปอร์เซ็นต์ของวัตถุของ gories อื่น ๆ ลบปฏิเสธ โดยรูปแบบของชั้นเรียนศึกษา ขีดเส้นใต้ว่า specificities เหล่านี้อ้างอิงถึงรุ่น "บังคับ" ให้มีความไว 100% เช่นการรุ่นที่ยอมรับวัตถุทั้งหมดของชั้นเรียนของตนเองได้

ผลลัพธ์ (ไทย) 2:

แรกสององค์ประกอบหลัก (พีซี) ที่ได้รับการใช้ข้อมูล NIR หลังจาก MSC และแรกอนุพันธ์ (รูปที่. 2) และข้อมูล UV-มองเห็นได้หลังจากอนุพันธ์ที่สองของโปร Fi les (รูปที่. 3) แสดงให้เห็นความแตกต่างที่ดีระหว่างน้ำมันจาก Chianti Classico และ น้ำมันจาก Riviera dei Fiori.
LDA และ UNEQ-QDA มีการรายงานผลในตารางที่ 3: ในคอลัมน์ที่ 1, 14 การฝึกอบรมการศึกษาที่มีการรักษาก่อนที่แตกต่างกันและการแปลงมีการระบุไว้ในคอลัมน์ 2, จำนวน Vari-Ables ที่เลือก โดยขั้นตอน-LDA สำหรับแต่ละเมทริกซ์มีรายงาน ความสามารถในการทำนาย LDA (คอลัมน์ 3) และเมืองที่ระบุไว้ในรูปแบบที่ QDA-UNEQ (คอลัมน์ 4) มีค่าเฉลี่ยคือพวกเขาเป็น Calcu-lated เป็นค่าเฉลี่ยระหว่างค่าที่ได้รับสำหรับสองชั้น Chianti Classico และ Liguria Riviera dei Fiori.
. LDA ความสามารถทำนายได้เสมอสูง: 100% เป็นเวลา 11 กว่า 14 การฝึกอบรมการศึกษา
เมืองระบุไว้คือเปอร์เซ็นต์ของวัตถุของ Cate-Gories อื่น ๆ ปฏิเสธโดยรูปแบบของระดับการศึกษานั้น มันเป็นสิ่งสำคัญที่จะขีดเส้นใต้ว่าสิ่งเหล่านี้เมืองระบุไว้อ้างอิงถึงโมเดล "บังคับ" ให้มีความไว 100% คือรุ่นที่รับวัตถุทั้งหมดของการเรียนของตัวเอง

ผลลัพธ์ (ไทย) 3:

จึงตัดสินใจเดินทางหลักสององค์ประกอบ ( พีซี ) ได้ใช้ข้อมูลทั่วไปหลังจากด้านและจึงตัดสินใจเดินทางมา ( รูปที่ 2 ) และ– UV มองเห็นข้อมูลหลังจากอนุพันธ์ที่สองของ Pro จึงเลส ( รูปที่ 3 ) แสดงดี ความแตกต่างระหว่างน้ำมันจากเคียนติ คลาส โก้และน้ำมันจาก Riviera dei Fiori .ผลการ lda uneq-qda และจะมีการรายงานในตารางที่ 3 : ในคอลัมน์ที่ 1 , 14 เมทริกซ์ ) กับการรักษาแตกต่างกันก่อนและหลัง , มีการระบุไว้ในคอลัมน์ที่ 2 จํานวนวารี Ables เลือกโดย step-lda แต่ละเมทริกซ์ รายงาน การ lda การทำนายความสามารถ ( แถว 3 ) และกาจึงเมืองของ qda-uneq รุ่น ( คอลัมน์ 4 ) หมายถึง ค่า คือ พวกเขา calcu สายโดยเฉลี่ยระหว่างค่าที่ได้สำหรับ 2 ห้องเรียนและ Riviera dei Fiori Chianti Classico Liguria .การ lda การทำนายความสามารถเสมอสูง : 100% 11 14 เมทริกซ์ )ที่เมืองกาจึงคือเปอร์เซ็นต์ของวัตถุอื่นๆ เคท gories ปฏิเสธโดยรูปแบบของเรียนคลาส มันเป็นเรื่องสำคัญที่ต้องขีดเส้นใต้ว่า พวกนี้จึงดู speci เมืองแบบ " บังคับ " ให้มีความไว 100% คือรุ่นที่รับวัตถุทั้งหมดของชั้นเรียนของพวกเขาเอง