The obtained model not only represe

The obtained model not only represented excellent prediction
ability for training samples, but also it could predict correctly the
class membership of all samples in the test set. The non-error rate
(NER,% of correctly assigned samples) for calibration and prediction
samples are shown in Table 1, while in Table 2 specificity
and sensitivity achieved on all samples are shown, respectively.
As we can see from these Tables, iPLS-DA with extended multiplicative
scatter signal correction preprocessing and using the 10 factors
gave NER equal to 42 and 46% for the calibration and the test
samples, respectively, whereas iECVA showed the best classification
results and performed better than PLS-DA and iPLS-DA. The
same conclusions can be reached by looking at Table 2 since iECVA
consistently yields perfect values of both specificity and sensitivity
on the calibration and prediction samples with respect to the other
employed classification methods.

ผลลัพธ์ (ไทย) 1:

รูปแบบได้รับไม่เพียงแต่แสดงดีทำนายความสามารถในการฝึกอบรมตัวอย่าง แต่มันสามารถคาดเดาได้อย่างถูกต้องการระดับการเป็นสมาชิกของตัวอย่างทั้งหมดในชุดทดสอบ ราคาไม่ผิดพลาด(อีกฝ่าย, %ของตัวอย่างที่กำหนดอย่างถูกต้อง) สำหรับการสอบเทียบและการคาดเดาตัวอย่างแสดงในตารางที่ 1 ในขณะที่มีความจำเพาะของตารางที่ 2และความไวแสงได้ในตัวอย่างทั้งหมดจะ แสดง ตามลำดับเราสามารถดูจากตารางเหล่านี้ iPLS ดากับขยายคูณกระจายสัญญาณการแก้ไขประมวลผลเบื้องต้นและการใช้ปัจจัย 10ให้อีกฝ่ายเท่ากับ 42 และ 46% สำหรับการสอบเทียบและทดสอบตัวอย่าง ตามลำดับ ในขณะที่ iECVA แสดงให้เห็นว่าการจัดประเภทที่ดีที่สุดผล และดำเนินการดีกว่าดา PLS และ iPLS-DA. การข้อสรุปเดียวกันสามารถทำได้ โดยดูจากตารางที่ 2 ตั้งแต่ iECVAอย่างสม่ำเสมอทำให้หาค่าของความจำเพาะและความไวในตัวอย่างการสอบเทียบและการคาดเดาเกี่ยวกับอื่น ๆใช้วิธีการจัดประเภท

ผลลัพธ์ (ไทย) 2:

รูปแบบที่ได้รับไม่เพียง แต่เป็นตัวแทนของการทำนายที่ดีเยี่ยม
ความสามารถสำหรับตัวอย่างการฝึกอบรม แต่ยังสามารถทำนายได้อย่างถูกต้อง
เป็นสมาชิกระดับของกลุ่มตัวอย่างทั้งหมดในชุดทดสอบ อัตราที่ไม่ใช่ข้อผิดพลาด
(เนอร์% ของกลุ่มตัวอย่างที่ได้รับมอบหมายได้อย่างถูกต้อง) สำหรับการสอบเทียบและการทำนาย
ตัวอย่างที่แสดงในตารางที่ 1 ในขณะที่ในตารางที่ 2 ความจำเพาะ
และความไวประสบความสำเร็จในทุกตัวอย่างจะแสดงตามลำดับ.
ในฐานะที่เราสามารถดูได้จากตารางเหล่านี้ iPLS -DA กับการขยายการคูณ
สัญญาณกระจาย preprocessing การแก้ไขและการใช้ปัจจัย 10
ให้ NER เท่ากับ 42 และ 46% สำหรับการสอบเทียบและทดสอบ
ตัวอย่างตามลำดับในขณะที่ iECVA แสดงให้เห็นว่าการจัดหมวดหมู่ที่ดีที่สุด
ผลและดำเนินการดีกว่า PLS-DA และ iPLS-DA .
ข้อสรุปเดียวกันสามารถเข้าถึงได้โดยดูที่ตารางที่ 2 ตั้งแต่ iECVA
อย่างต่อเนื่องผลตอบแทนถัวเฉลี่ยค่าที่สมบูรณ์แบบทั้งความจำเพาะและความไว
ในการสอบเทียบและการทำนายตัวอย่างเกี่ยวกับการอื่น ๆ
วิธีการจำแนกลูกจ้าง

ผลลัพธ์ (ไทย) 3:

การวิเคราะห์รูปแบบไม่เพียง แต่แสดงการคาดการณ์ยอดเยี่ยมสำหรับตัวอย่างความสามารถในการฝึกอบรม แต่ยังสามารถ ทำนายอย่างถูกต้องเรียนสมาชิกของกลุ่มตัวอย่างในการทดสอบชุด ไม่ใช่อัตราความผิดพลาด( เนอร์ ) ถูกมอบหมายตัวอย่าง ) สำหรับการสอบเทียบและการทำนายตัวอย่างแสดงในตารางที่ 1 ในขณะที่ในรางที่ 2 เฉพาะเจาะจงและความไวได้ตัวอย่างทั้งหมดจะถูกแสดงตามลำดับในฐานะที่เราสามารถดูจากตารางเหล่านี้ ipls ดากับขยายการคูณการกระจายสัญญาณที่ติดกันและใช้ 10 ปัจจัยให้เน่อ เท่ากับ 42 และ 46 % สำหรับการสอบเทียบและการทดสอบตัวอย่าง ตามลำดับ ในขณะที่ iecva แสดงหมวดหมู่ที่ดีที่สุดผลการ pls-da ipls ดีกว่าและ DA ที่ข้อสรุปเดียวกันสามารถเข้าถึงได้โดยดูที่ตารางที่ 2 ตั้งแต่ iecvaผลผลิตคุณค่าอย่างสมบูรณ์แบบทั้งความจำเพาะและความไวในการสอบเทียบและตัวอย่างการทำนายด้วยความเคารพอื่น ๆใช้วิธีการจำแนก .