n this paper, a number of proper ap

n this paper, a number of proper applications both of class-modelling and discriminant classification to identification issues with beer samples were presented: the modelling approach was applied for characterising Trappist and Rochefort beers while the discriminant approach allowed the differentiation of Rochefort 8° and Rochefort 10° beers; all of these operations were based on NIR transflectance spectral data.

In the characterisation of Trappist beers, class-models managed to achieve only moderate levels of sensitivity and specificity with SIMCA performing best. One reason for this mediocre performance may be, as discussed earlier, the very complex distribution of data in the multidimensional space being modelled; this is claimed to especially affect model specificity. UNEQ in particular is reported not to perform well when the variable distribution is not normal (Forina et al., 2008a). Another reason seems likely to be the inclusion in the complete dataset of variables which contain little or no information about the modelling problem. Further work with this dataset on the elimination of non-informative variables is therefore warranted. In relation to the Rochefort versus non-Rochefort problem, UNEQ produced the best models using confidence levels of 90%. Discriminant analysis for differentiating Rochefort 8° and Rochefort 10° beers provided valuable results. This may be due to the lower complexity of the reduced data set, containing only Rochefort beers, and to the fact that NIR spectra contain information well correlated to the alcohol content of samples, a significant difference between them.

ผลลัพธ์ (ไทย) 1:

n นี้กระดาษ จำนวนของโปรแกรมประยุกต์ที่เหมาะสมทั้งแบบจำลองชั้นและการระบุปัญหาตัวอย่างเบียร์ discriminant ประเภทนำเสนอ: วิธีการสร้างแบบจำลองที่ใช้สำหรับพัฒนาการผุและ Rochefort เบียร์ในขณะที่วิธี discriminant อนุญาตความแตกต่างของ Rochefort 8° และ Rochefort เบียร์ 10° ทั้งหมดของการดำเนินการเหล่านี้ได้อิงข้อมูลสเปกตรัมวัสดุนอก NIRในการตรวจลักษณะเฉพาะของเบียร์ผุ รุ่นคลาจัดการเพื่อให้บรรลุของความไวและความจำเพาะในระดับปานกลางเท่ากับ SIMCA ทำดีที่สุด หนึ่งในเหตุผลสำหรับการนี้ประสิทธิภาพปานกลางอาจจะ เป็นกล่าว ก่อนหน้านี้ การกระจายข้อมูลในพื้นที่หลายมิติซับซ้อนมากถูกจำลองแบบมา อ้างว่า จะส่งผลกระทบโดยเฉพาะอย่างยิ่งความจำเพาะรุ่น UNEQ โดยเฉพาะอย่างยิ่งมีรายงานไม่ให้ใช้งานได้ดีเมื่อการแจกแจงตัวแปรไม่ปกติ (Forina et al. 2008a) อีกเหตุผลที่ดูเหมือนแนวโน้มที่จะรวมในชุดข้อมูลที่สมบูรณ์ของตัวแปรซึ่งประกอบด้วยน้อย หรือไม่มีข้อมูลเกี่ยวกับปัญหาการสร้างแบบจำลอง ดังนั้นจึงมีรับประกันการทำงานกับชุดข้อมูลนี้ในการกำจัดตัวแปรไม่ใช่ข้อมูล สัมพันธ์กับ Rochefort เมื่อเทียบกับปัญหาไม่ใช่ Rochefort, UNEQ ผลิตรุ่นที่ดีที่สุดโดยใช้ระดับความเชื่อมั่น 90% การวิเคราะห์ discriminant สำหรับแตกต่าง Rochefort 8° และเบียร์ 10° Rochefort ให้ผลลัพธ์ที่มีคุณค่า นี้อาจจะเนื่องจากความซับซ้อนต่ำ ของ ชุดข้อมูลลดลง ประกอบด้วยเพียง Rochefort เบียร์ และ ความจริงที่ว่า มุม NIR ประกอบด้วยข้อมูลที่สัมพันธ์กันของแอลกอฮอล์เนื้อหาของตัวอย่าง ความแตกต่างที่สำคัญระหว่างพวกเขา

ผลลัพธ์ (ไทย) 2:

n กระดาษนี้จำนวนการใช้งานที่เหมาะสมทั้งสองชั้นสร้างแบบจำลองและการจัดจำแนกกับปัญหาบัตรประจำตัวที่มีตัวอย่างเบียร์ถูกนำเสนอ: วิธีการสร้างแบบจำลองที่ถูกนำมาใช้สำหรับพัฒนาการ Trappist และ Rochefort เบียร์ในขณะที่วิธีการจำแนกได้รับอนุญาตให้แตกต่างของ Rochefort 8 °และเช 10 °เบียร์; ทั้งหมดของการดำเนินการเหล่านี้อยู่บนพื้นฐานของข้อมูลสเปกตรัม NIR transflectance.

ในลักษณะของเบียร์ Trappist คลาสรุ่นจัดการเพื่อให้บรรลุเพียงระดับปานกลางของไวและความจำเพาะกับ SIMCA มีประสิทธิภาพดีที่สุด เหตุผลหนึ่งที่ทำให้ประสิทธิภาพปานกลางนี้อาจจะตามที่กล่าวไว้ก่อนหน้านี้การกระจายความซับซ้อนมากของข้อมูลในพื้นที่หลายมิติถูกจำลอง; นี้จะอ้างว่าโดยเฉพาะอย่างยิ่งส่งผลกระทบต่อความจำเพาะรุ่น UNEQ โดยเฉพาะอย่างยิ่งมีรายงานไม่ได้ที่จะดำเนินการได้ดีเมื่อการกระจายตัวแปรไม่ปกติ (Forina et al., 2008a) อีกเหตุผลหนึ่งที่ดูเหมือนว่ามีแนวโน้มที่จะรวมอยู่ในชุดที่สมบูรณ์ของตัวแปรที่มีข้อมูลน้อยหรือไม่มีเลยเกี่ยวกับปัญหาการสร้างแบบจำลอง การทำงานต่อไปกับชุดข้อมูลนี้ในการกำจัดของตัวแปรที่ไม่ใช่ข้อมูลที่มีการรับประกันดังนั้น ในความสัมพันธ์กับ Rochefort เมื่อเทียบกับที่ไม่ใช่เชปัญหา UNEQ ผลิตรุ่นที่ดีที่สุดโดยใช้ระดับความเชื่อมั่น 90% การวิเคราะห์จำแนกความแตกต่างสำหรับ Rochefort 8 °และ 10 ° Rochefort เบียร์ที่มีให้ผลที่มีคุณค่า นี้อาจจะเป็นเพราะความซับซ้อนล่างของชุดข้อมูลที่ลดลงมีเพียงเบียร์ Rochefort และความจริงที่ว่า NIR สเปกตรัมมีข้อมูลที่ดีมีความสัมพันธ์กับปริมาณแอลกอฮอล์ของกลุ่มตัวอย่างที่มีความแตกต่างอย่างมีนัยสำคัญระหว่างพวกเขา

ผลลัพธ์ (ไทย) 3:

n กระดาษนี้เป็นจำนวนที่เหมาะสมของการใช้งานทั้งชั้นเรียนแบบจำลองและหมวดหมู่จำแนกระบุปัญหากับตัวอย่างเบียร์ถูกนำเสนอ : การจำลองแบบและใช้ผลิตภัณฑ์ที่ทำจาก characterising Rochefort เบียร์ในขณะที่วิธีการจำแนกให้ความแตกต่างของ Rochefort 8 บริเวณ Rochefort 10 องศาและเบียร์ ทั้งหมดของการดำเนินงานเหล่านี้ขึ้นอยู่กับข้อมูลสเปกตรัม NIR transflectance .ในบทบาทของผลิตภัณฑ์ที่ทำจากเบียร์ นางแบบระดับการจัดการเพื่อให้บรรลุระดับของความไวและความจำเพาะเพียงปานกลางกับปทุมาการปฏิบัติที่ดีที่สุด เหตุผลหนึ่งที่ทำให้การปฏิบัติธรรมด๊าธรรมดานี้จะเป็นตามที่กล่าวไว้ก่อนหน้านี้ , การกระจายที่ซับซ้อนมากของข้อมูลในมิติอวกาศเป็นช่างปั้น ซึ่งอ้างว่าโดยเฉพาะอย่างยิ่งมีผลต่อรูปแบบ specificity uneq โดยเฉพาะอย่างยิ่งรายงานไม่ดีเมื่อตัวแปรการแจกแจงไม่ปกติ ( forina et al . , 2008a ) อีกเหตุหนึ่งที่ดูเหมือนจะถูกรวมในชุดข้อมูลที่สมบูรณ์ของตัวแปรซึ่งมีเพียงเล็กน้อย หรือไม่มีข้อมูลเกี่ยวกับการจำลองแบบปัญหา งานนี้ชุดข้อมูลในการขจัดข้อมูลตัวแปรดังนั้นจึงไม่รับประกัน ในความสัมพันธ์กับ Rochefort Rochefort เมื่อเทียบกับปัญหาที่ไม่ใช่ uneq ผลิตรุ่นที่ดีที่สุด โดยใช้ระดับความเชื่อมั่น 90% การวิเคราะห์การจำแนกความแตกต่างของ Rochefort Rochefort 8 / 10 องศาและเบียร์ให้ผลลัพธ์ที่มีคุณค่า นี้อาจจะเนื่องจากการลดความซับซ้อนของการลดชุดข้อมูลที่มีเพียง Rochefort เบียร์ และความจริงที่ว่านี้คือมีข้อมูลก็มีความสัมพันธ์กับปริมาณแอลกอฮอล์ในตัวอย่างความแตกต่างระหว่างพวกเขา