significantlatent variables was det

significant
latent variables was determined using leave many outcross
validation. Then, it was used to predict the class variable of
the prediction samples. Following the prediction error as function
of number of latent variables showed that the best performances
(lowest classification error) could be obtained when 7 numbers
of PLS latent variables are used. In Fig. 2A the plot of first 3 PLS factors
are shown for both training and prediction samples. Obviously,
butter samples have been separated from the vegetable oil
ones. However, there is severe overlapping between vegetable oils.
The classification results for calibrations and predictions samples
are summarized in Table S3. Obviously, PLS-DA failed to individual
discrimination between different types of oils. None of the Canola
and Corn samples could be assigned to their original groups and
thus they associated with 100% misclassification errors. The best
results were obtained for butter samples where 85% and 89% of
samples in the calibration and prediction sets respectively, were
correctly assigned to their respective group. As it is shown in
Fig. 2B and Table S3 (from supplementary information), no
improvement was obtained when the IR spectra were pre-processed
by extended multiplicative scatter correction (EMSC).

ผลลัพธ์ (ไทย) 1:

อย่างมีนัยสำคัญกำหนดตัวแปรแฝงโดยใช้ลาหลาย outcrossการตรวจสอบ แล้ว มันถูกใช้เพื่อทำนายตัวแปรระดับของตัวอย่างการคาดเดา ต่อไปนี้ข้อผิดพลาดในการทำนาย เป็นฟังก์ชันของจำนวนตัวแปรแฝงอยู่แสดงให้เห็นว่าการแสดงที่ดีที่สุด(ข้อผิดพลาดประเภทที่ต่ำที่สุด) อาจจะได้รับเมื่อหมายเลข 7มีใช้ตัวแปรแฝงของ PLS ในรูป 2A พล็อตของ PLS 3 ปัจจัยจะแสดงตัวอย่างการฝึกอบรมและการคาดเดา อย่างชัดเจนตัวอย่างเนยได้รับการแยกออกจากน้ำมันพืชคน อย่างไรก็ตาม มีซ้อนรุนแรงระหว่างน้ำมันพืชผลการจัดประเภทสำหรับตัวอย่างสอบเทียบและคาดคะเนถูกสรุปในตาราง S3 อย่างชัดเจน PLS ดาไม่สามารถละเลือกปฏิบัติระหว่างชนิดของน้ำมัน คาโนลาไม่มีและข้าวโพดตัวอย่างสามารถถูกกำหนดที่กลุ่มเดิมของตนเอง และดังนั้น พวกเขาเกี่ยวข้องกับข้อผิดพลาดในการจัดประเภท 100% ดีที่สุดผลที่ได้รับสำหรับตัวอย่างเนย 85% และ 89%ตัวอย่างในชุดการสอบเทียบและการคาดเดาตามลำดับ ถูกถูกกำหนดให้กับกลุ่มของพวกเขาเกี่ยวข้อง ตามที่แสดงในรูป 2B และตาราง S3 (จากข้อมูลเสริม), ไม่ได้รับการปรับปรุงเมื่อสเปกตรัม IR ประมวลผลเบื้องต้นโดยการแก้ไขเพิ่มเติมคูณกระจาย (EMSC)

ผลลัพธ์ (ไทย) 2:

อย่างมีนัยสำคัญ
ตัวแปรแฝงถูกกำหนดโดยใช้การลา outcross จำนวนมาก
การตรวจสอบ จากนั้นมันก็ถูกใช้ในการทำนายตัวแปรชั้นเรียนของ
กลุ่มตัวอย่างการทำนาย ดังต่อไปนี้ข้อผิดพลาดการทำนายเป็นหน้าที่
ของจำนวนของตัวแปรแฝงแสดงให้เห็นว่าการแสดงที่ดีที่สุด
(ข้อผิดพลาดการจำแนกต่ำสุด) อาจจะได้รับเมื่อหมายเลข 7
ของตัวแปรแฝง PLS ถูกนำมาใช้ ในรูป 2A พล็อตของปัจจัย 3 PLS แรก
จะแสดงสำหรับการฝึกอบรมทั้งตัวอย่างและการทำนาย เห็นได้ชัดว่า
กลุ่มตัวอย่างเนยได้รับการแยกออกจากน้ำมันพืช
คน แต่มีความทับซ้อนกันอย่างรุนแรงระหว่างน้ำมันพืช.
ผลการจัดหมวดหมู่สำหรับการสอบเทียบและการคาดการณ์ตัวอย่าง
สรุปในตาราง S3 เห็นได้ชัดว่า PLS-DA ล้มเหลวในการบุคคล
การเลือกปฏิบัติระหว่างประเภทที่แตกต่างกันของน้ำมัน ไม่มีของคาโนลา
และข้าวโพดตัวอย่างอาจจะกำหนดให้กลุ่มเดิมของพวกเขาและ
ทำให้พวกเขาเกี่ยวข้องกับข้อผิดพลาดจำแนก 100% ที่ดีที่สุดของ
ผลที่ได้รับสำหรับตัวอย่างเนยที่ 85% และ 89% ของ
กลุ่มตัวอย่างในการสอบเทียบและชุดคำทำนายตามลำดับ
ที่ได้รับมอบหมายได้อย่างถูกต้องให้กับกลุ่มของตน ตามที่ปรากฏใน
รูป 2B และตาราง S3 (จากข้อมูลเสริม) ไม่มี
การปรับปรุงที่ได้รับเมื่ออินฟราเรดสเปกตรัมได้ก่อนการประมวลผล
โดยการแก้ไขกระจายคูณขยาย (EMSC)

ผลลัพธ์ (ไทย) 3:

อย่างมีนัยสำคัญทางสถิติที่ระดับ .ตัวแปรแฝงคือการพิจารณาจากหลาย outcrossการตรวจสอบ งั้น , มันถูกใช้เพื่อทำนายตัวแปรของคลาสการทำนายตัวอย่าง ตามคำทำนายข้อผิดพลาดเป็นฟังก์ชันหมายเลขของตัวแปรแฝง พบว่า การแสดงที่ดีที่สุด( ข้อผิดพลาดการจำแนกน้อยที่สุด ) จะให้ค่าตัวเลข 7ของตัวแปรแฝงกรุณาใช้ ในรูปที่ 2A พล็อตของปัจจัย 3 กรุณาแรกแสดงทั้งการฝึกอบรมและตัวอย่างคำทำนาย เห็นได้ชัดว่าตัวอย่างเนยได้รับการแยกออกจากน้ำมันพืชคน อย่างไรก็ตาม มีรุนแรงที่ทับซ้อนกันระหว่างน้ำมันพืชการสอบเทียบและการคาดการณ์ผลตัวอย่างสรุปตาราง S3 . เห็นได้ชัดว่า pls-da ล้มเหลว แต่ละการแบ่งแยกระหว่างประเภทของน้ำมัน ไม่มีของคาโนล่าและตัวอย่างข้าวโพดอาจจะมอบหมายให้กลุ่มเดิมของตน และดังนั้น พวกเขาเกี่ยวข้องกับข้อผิดพลาดผิดพลาด 100% ดีที่สุดผลลัพธ์ที่ได้สำหรับตัวอย่างเนยที่ 85% และ 89 เปอร์เซ็นต์ตัวอย่างในการสอบเทียบและการทำนายชุดตามลำดับถูกมอบหมายให้กลุ่มของตน ตามที่ปรากฏในรูปที่ 2B และตาราง S3 ( จากข้อมูลเพิ่มเติม ) ,ปรับปรุงได้เมื่อ IR spectra ถูกก่อนแปรรูปโดยขยายการกระจายอนุกรมเวลา ( emsc )