Principal component analysis (PCA)

Principal component analysis (PCA) is a multivariate analysis
technique for transforming the original measurement variables
into new variables called principal components (PCs). In general,
the slopes and curve shapes presented in Fig. 2 show differences
between starch samples for the same amount of added starch. To
determine differences and starch origins, PCA was performed using
all data sets provided by the measurements. PCA on the basis of the
correlation matrix of the data provides the results given in Fig. 3
for the scores

ผลลัพธ์ (ไทย) 1:

วิเคราะห์ส่วนประกอบหลัก (PCA) เป็นการวิเคราะห์ตัวแปรพหุเทคนิคสำหรับการแปลงตัวแปรวัดเดิมเป็นตัวแปรใหม่ที่เรียกว่าส่วนประกอบหลัก (PCs) ทั่วไปลาดและรูปทรงโค้งที่นำเสนอใน Fig. 2 แสดงความแตกต่างระหว่างตัวอย่างแป้งสำหรับแป้งเพิ่มจำนวนเดียวกัน ถึงกำหนดความแตกต่าง และแป้งต้นกำเนิด สมาคมที่ดำเนินการโดยใช้ชุดข้อมูลทั้งหมดโดยการวัด PCA บนพื้นฐานของการเมตริกซ์สหสัมพันธ์ของข้อมูลแสดงผลใน Fig. 3สำหรับคะแนน

ผลลัพธ์ (ไทย) 2:

การวิเคราะห์องค์ประกอบหลัก (PCA) คือการวิเคราะห์หลายตัวแปร
เทคนิคสำหรับการเปลี่ยนตัวแปรที่วัดเดิม
ลงในตัวแปรใหม่ที่เรียกว่าองค์ประกอบหลัก (พีซี) โดยทั่วไป
ความลาดชันและรูปทรงโค้งที่นำเสนอในรูป 2 แสดงความแตกต่าง
ระหว่างกลุ่มตัวอย่างแป้งสำหรับจำนวนเงินเดียวกันของแป้งเพิ่ม เพื่อ
ตรวจสอบความแตกต่างและต้นกำเนิดแป้ง PCA ได้รับการดำเนินการโดยใช้
ทุกชุดข้อมูลที่มาจากวัด PCA บนพื้นฐานของ
เมทริกซ์ความสัมพันธ์ของข้อมูลที่ให้ผลที่ได้รับในรูป 3
สำหรับคะแนน

ผลลัพธ์ (ไทย) 3:

การวิเคราะห์องค์ประกอบหลัก ( PCA ) เป็นเทคนิคการวิเคราะห์ตัวแปรหลายตัวสำหรับเปลี่ยน

การวัดตัวแปรต้นฉบับลงในตัวแปรใหม่ที่เรียกว่าองค์ประกอบหลัก ( pcs ) โดยทั่วไป
ลาดโค้งรูปทรงที่แสดงในรูปที่ 2 แสดงความแตกต่างระหว่างตัวอย่าง
แป้งสำหรับจำนวนเดียวกันของการเพิ่มแป้ง

ตรวจสอบความแตกต่างและต้นกำเนิดการใช้ PCA
แป้งข้อมูลการตั้งค่าทั้งหมดโดยการวัด ระบบบนพื้นฐานของ
เมทริกซ์สหสัมพันธ์ของข้อมูลแสดงผลลัพธ์ให้อยู่ในรูปที่ 3
สำหรับคะแนน