number of PLS latent variables was

number of PLS latent variables was optimized separately. Fig. S2A
in supplementary information shows the prediction error of crossvalidation
for each selected interval (bars) using optimized number
of latent variables. Also in this figure, the prediction error for the
full-spectrum model (line) was shown. Obviously, the interval
number 17, which is related to the wave-number interval of
1162–984 cm1, produced better results with respect to other
intervals. The results obtained by this interval are close to the
model of whole spectral region. The prediction error of the reminder
intervals was larger than the whole spectral region.
Monitoring of the prediction errors as function of spectral interval
explain which spectral parts are more informative for classification
of oil samples. It is observed from Fig. S2A that interval 17
(1162–984 cm1), is the most informative. Absorptions in this region
(the fingerprint region) include the contributions from complex
interacting vibrations, lead to the generally unique
fingerprint for each compound. However detailed interpretation
of IR bands in this region is difficult. Beside, the intervals 6 and
7, relating to the spectral region of 3116–2762 cm1 (related to
the CAH, OAH and NAH vibrations) is in the second order of
importance [29]. The pattern distribution of the oil samples in
the three-dimensional plot of PLS scores (for interval 17), which reveals
a partial discrimination between oil types is represented in
Fig. S2B. It should be mentioned that the best iPLS-DA model was
obtained for this spectral region using 10 latent variables. But,
the data of this dimension could not be visualized. The overall performance
of the iPLS-DA for classification of oil samples using 10
PLS latent variables are summarized in Table S3. One can observe
that classification by iPLS-DA resulted in lower classification errors,
e.g., all samples of butter were classified to their respective group
and thus this group is associated with zero misclassification error.
Although, there is still a problem for correct classification of canola,
corn, olive, soya and sunflower oil samples.

ผลลัพธ์ (ไทย) 1:

จำนวนของตัวแปรแฝง PLS ถูกปรับให้เหมาะสมต่างหาก รูป S2Aเสริมข้อมูลแสดงข้อผิดพลาดการคาดเดาของ crossvalidationสำหรับแต่ละช่วง (แท่ง) เลือกใช้ดีที่สุดเลขตัวแปรแฝง ในรูปนี้ ข้อผิดพลาดการคาดเดาสำหรับการแสดงสเปกตรัมเต็มรูปแบบ (สาย) ช่วงเห็นได้ชัดหมายเลข 17 ที่เกี่ยวข้องในช่วงเลขคลื่นของ1162-984 ซม. 1 ผลิตที่ดีกว่าเกี่ยวกับอื่น ๆช่วงเวลานี้ ผลลัพธ์ที่ได้ โดยช่วงเวลานี้ไว้รูปแบบของสเปกตรัมทั้งภูมิภาค ข้อผิดพลาดการคาดเดาของเตือนความจำช่วงเวลาที่มีขนาดใหญ่กว่าแถบสเปกตรัมทั้งหมดการตรวจสอบข้อผิดพลาดในการทำนายเป็นฟังก์ชันของช่วงสเปกตรัมอธิบายส่วนสเปกตรัมใดมีข้อมูลเพิ่มเติมสำหรับการจัดประเภทอย่างน้ำมัน มันเป็นข้อสังเกตจากรูป S2A ช่วง 17(1162-984 ซม. 1), เป็นประโยชน์สูงสุด Absorptions ในภูมิภาคนี้(ภูมิภาคลายนิ้วมือ) รวมถึงการจัดสรรจากคอมเพล็กซ์โต้ตอบสั่น ทำให้ไม่ซ้ำกันโดยทั่วไปลายนิ้วมือสำหรับสารประกอบแต่ละ ตีความอย่างไรก็ตามรายละเอียดIR วงในภูมิภาคนี้ได้ยาก ข้าง ช่วง 6 และ7 เกี่ยวข้องกับภูมิภาคสเปกตรัม 3116-2762 ซม 1 (เกี่ยวข้องกับสั่นสะเทือน CAH, OAH และ NAH) อยู่ในลำดับที่สองของความสำคัญ [29] การแจกแจงรูปแบบของตัวอย่างน้ำมันในพล็อตแบบสามมิติของ PLS คะแนน (สำหรับช่วงเวลา 17), ซึ่งแสดงให้เห็นเลือกปฏิบัติเป็นบางส่วนระหว่างชนิดน้ำมันแทนในรูป S2B ควรกล่าวว่า แบบ iPLS DA ที่ดีที่สุดสำหรับภูมิภาคนี้สเปกตรัมที่ใช้ 10 ตัวแปรแฝงได้ แต่ข้อมูลของมิตินี้ไม่สามารถแสดงเป็นภาพ ประสิทธิภาพโดยรวมของดา iPLS สำหรับการจัดประเภทของตัวอย่างน้ำมันที่ใช้ 10ตัวแปรแฝง PLS ถูกสรุปในตาราง S3 หนึ่งสามารถสังเกตเห็นว่า การจัดประเภท โดยดา iPLS ผลในข้อผิดพลาดการจำแนกต่ำเช่น ตัวอย่างทั้งหมดเนยได้จำแนกกลุ่มของพวกเขาเกี่ยวข้องกลุ่มนี้ไม่เกี่ยวข้องกับศูนย์ข้อผิดพลาดการจัดประเภทความถึงแม้ว่า ยังคงมีปัญหาสำหรับการจัดประเภทที่ถูกต้องของคาโนลาอย่างน้ำมันข้าวโพด มะกอก ถั่วเหลือง และทานตะวัน

ผลลัพธ์ (ไทย) 2:

จำนวนของตัวแปรแฝง PLS ถูกปรับให้เหมาะสมแยกต่างหาก มะเดื่อ. S2A
ในข้อมูลเพิ่มเติมแสดงให้เห็นถึงข้อผิดพลาดของการคาดการณ์ของ crossvalidation
สำหรับช่วงเวลาที่เลือกแต่ละ (บาร์) โดยใช้หมายเลขโทรศัพท์ที่ดีที่สุด
ของตัวแปรแฝง นอกจากนี้ในร่างนี้ข้อผิดพลาดการคาดการณ์สำหรับ
รุ่นเต็มสเปกตรัม (สาย) ถูกนำมาแสดง เห็นได้ชัดว่าช่วง
เลขที่ 17 ซึ่งมีความเกี่ยวข้องกับช่วงเวลาที่คลื่นจำนวน
1162-984 ซม. 1 ผลิตผลลัพธ์ที่ดีกว่าด้วยความเคารพกับคนอื่น ๆ
ช่วงเวลา ผลที่ได้รับจากช่วงเวลานี้อยู่ใกล้กับ
รูปแบบของภูมิภาคทั้งสเปกตรัม ข้อผิดพลาดการคาดการณ์ของการเตือนความจำ
ช่วงเวลาที่มีขนาดใหญ่กว่าภูมิภาคสเปกตรัมทั้งหมด.
ตรวจสอบข้อผิดพลาดของการทำนายเป็นหน้าที่ของช่วงสเปกตรัม
อธิบายว่าส่วนสเปกตรัมมีข้อมูลมากขึ้นสำหรับการจัดหมวดหมู่
ของกลุ่มตัวอย่างน้ำมัน มันเป็นที่สังเกตได้จากรูป S2A ว่าช่วงที่ 17
(1162-984 ซม. 1) เป็นข้อมูลมากที่สุด ดูดซึมในภูมิภาคนี้
(ภูมิภาคลายนิ้วมือ) รวมถึงการมีส่วนร่วมจากที่ซับซ้อน
การสั่นสะเทือนปฏิสัมพันธ์นำไปสู่การที่ไม่ซ้ำกันโดยทั่วไป
ลายนิ้วมือสำหรับแต่ละสารประกอบ การตีความอย่างไรก็ตามรายละเอียด
ของวงดนตรีที่ IR ในภูมิภาคนี้เป็นเรื่องยาก นอกจากนั้นในช่วงที่ 6 และ
7 ที่เกี่ยวข้องกับภูมิภาคสเปกตรัมของ 3116-2762 ซม. 1 (ที่เกี่ยวข้องกับ
CAH, Oah และ NAH สั่นสะเทือน) อยู่ในลำดับที่สองของ
สำคัญ [29] การกระจายตัวอย่างรูปแบบของน้ำมันใน
พล็อตสามมิติของคะแนน PLS (สำหรับช่วง 17) ซึ่งแสดงให้เห็น
เลือกปฏิบัติบางส่วนระหว่างประเภทน้ำมันมีตัวแทนอยู่ใน
รูป S2B มันควรจะกล่าวว่าที่ดีที่สุดรุ่น iPLS-DA ถูก
ได้รับสำหรับภูมิภาคนี้โดยใช้ราง 10 ตัวแปรแฝง แต่
ข้อมูลของมิตินี้ไม่สามารถมองเห็น ประสิทธิภาพโดยรวม
ของ iPLS-DA สำหรับการจำแนกประเภทของกลุ่มตัวอย่างโดยใช้น้ำมัน 10
PLS ตัวแปรแฝงสรุปในตาราง S3 หนึ่งสามารถสังเกต
การจำแนกว่าโดย iPLS-DA ผลในข้อผิดพลาดของการจัดหมวดหมู่ที่ต่ำกว่า
เช่นตัวอย่างทั้งหมดของเนยถูกจัดให้กับกลุ่มของตน
และทำให้กลุ่มนี้มีความเกี่ยวข้องกับศูนย์ข้อผิดพลาดจำแนก.
แม้ว่าจะมียังคงเป็นปัญหาสำหรับการจำแนกประเภทที่ถูกต้องของคาโนลา ,
ข้าวโพด, มะกอก, ถั่วเหลืองและตัวอย่างน้ำมันดอกทานตะวัน

ผลลัพธ์ (ไทย) 3:

จำนวนของตัวแปรแฝงอยู่ กรุณาปรับแยกต่างหาก รูปที่ s2aข้อมูลเพิ่มเติมแสดงข้อผิดพลาดของ crossvalidation ทำนายสำหรับแต่ละเลือกช่วงเวลา ( บาร์ ) ใช้ปรับหมายเลขของตัวแปรแฝง ในรูปนี้ข้อผิดพลาดการพยากรณ์สำหรับสเปกตรัมเต็มรูปแบบ ( สาย ) ที่แสดง เห็นได้ชัดว่า ช่วงเวลาหมายเลข 17 ซึ่งเกี่ยวข้องกับเลขคลื่น ช่วงของ1162 - 984 CM1 , การผลิตผลลัพธ์ที่ดีกว่าด้วยการอื่น ๆช่วงเวลา ผลลัพธ์ที่ได้จากช่วงเวลานี้จะใกล้เคียงกับรูปแบบของภูมิภาคทั้งสเปกตรัม . ผลของการเตือนข้อผิดพลาดช่วงเวลามากกว่าภูมิภาคสเปกตรัมทั้งหมดการตรวจสอบข้อผิดพลาดของการทำนายเป็นฟังก์ชันของช่วงสเปกตรัมอธิบายส่วนใดเป็นข้อมูลเพิ่มเติมสำหรับการจำแนกสเปกตรัมตัวอย่างน้ำมัน มันเป็นที่สังเกตจากรูป s2a ช่วงนั้น 17( 1162 ) 984 CM1 ) เป็นข้อมูลมากที่สุด โมล่า ในภูมิภาคนี้( ลายนิ้วมือภูมิภาค ) รวมถึงผลงานจากที่ซับซ้อนด้วยการสั่น ทำให้ไม่ซ้ำกันโดยทั่วไปลายนิ้วมือของแต่ละสารประกอบ อย่างไรก็ตามรายละเอียดของการตีความของ IR วงดนตรีในภูมิภาคนี้ได้ยาก นอกจากช่วงเวลา 6 และ7 เกี่ยวกับภูมิภาคสเปกตรัมของของและของ CM1 ( เกี่ยวข้องกับที่อเมริกา และไม่ oah , การสั่นสะเทือน ) อยู่ในอันดับที่สองของความสำคัญ [ 29 ] รูปแบบการกระจายของน้ำมันตัวอย่างพล็อตแบบสามมิติของคะแนนกรุณา ( สำหรับช่วง 17 ) ซึ่งเปิดเผยว่าตัวอย่างบางส่วนระหว่างประเภทน้ำมันแทนในรูปที่ s2b มันควรจะกล่าวว่าดีที่สุด ipls ต้าโมเดลซึ่งภาคนี้การใช้ 10 ตัวแปรแฝง แต่ข้อมูลมิตินี้ไม่สามารถมองเห็น . ประสิทธิภาพโดยรวมของ ipls ดาสำหรับประเภทของตัวอย่างน้ำมันที่ใช้ 10กรุณามีตัวแปรแฝง สรุปตาราง S3 . หนึ่งสามารถสังเกตที่จัดโดย ipls ดาส่งผลให้เกิดข้อผิดพลาดการจำแนกล่างเช่น ทุกตัวอย่างของเนย จำแนกกลุ่มของตนดังนั้นกลุ่มนี้เกี่ยวข้องกับข้อผิดพลาดผิดพลาดเป็นศูนย์แม้ว่ายังคงมีปัญหาประเภทที่ถูกต้องของคาโนล่าข้าวโพด มะกอก ถั่วเหลือง และตัวอย่างน้ำมันดอกทานตะวัน