which maximizesthe differences betw

which maximizes
the differences between the groups in the data according
to a well-defined optimization criterion. Nevertheless CVA cannot
deal with highly collinear data such as spectroscopic data (here
IR spectra) where the number of variables is significantly larger
than the number of samples. Norgaard et al. suggested an alternative
method to solve the problem of singular matrices that results
when analyzing collinear data with CVA. The method, which
named extended CVA (ECVA), is based on the standard CVA and
by a transformation of an eigenvector problem to a regression
problem, it is possible to use PLS in the inner part of CVA thereby
allowing for the analysis of collinear data.

ผลลัพธ์ (ไทย) 1:

ซึ่งช่วยเพิ่มความแตกต่างระหว่างกลุ่มข้อมูลตามการเพิ่มประสิทธิภาพที่ดีที่กำหนดเกณฑ์การ อย่างไรก็ตาม ไม่ CVAจัดการกับข้อมูล collinear สูงเช่นข้อมูลสเปคตรัม (ที่นี่อินฟราเรดสเปกตรัม) ซึ่งจำนวนของตัวแปรที่มีขนาดใหญ่มากกว่าจำนวนตัวอย่าง Norgaard et al.แนะนำทางเลือกวิธีการแก้ปัญหาของเอกพจน์เมทริกซ์ที่เป็นผลเมื่อวิเคราะห์ข้อมูล collinear CVA วิธีการ ซึ่งมีชื่อขยาย CVA (ECVA), อิง CVA มาตรฐาน และโดยการเปลี่ยนแปลงของปัญหา eigenvector มีการถดถอยปัญหา จำเป็นต้องใช้ PLS ในส่วนด้านในของ CVA จึงช่วยในการวิเคราะห์ข้อมูล collinear

ผลลัพธ์ (ไทย) 2:

ซึ่งจะเพิ่ม
ความแตกต่างระหว่างกลุ่มในข้อมูลตาม
การเพิ่มประสิทธิภาพเกณฑ์ที่ดีที่กำหนด อย่างไรก็ตาม CVA ไม่สามารถ
จัดการกับข้อมูล collinear สูงเช่นข้อมูลสเปกโทรสโก (นี่
IR สเปกตรัม) ซึ่งมีจำนวนตัวแปรที่มีขนาดใหญ่
กว่าจำนวนของกลุ่มตัวอย่าง Norgaard et al, แนะนำทางเลือก
วิธีการแก้ปัญหาของการฝึกอบรมเอกพจน์ว่าผล
เมื่อวิเคราะห์ข้อมูล collinear กับ CVA วิธีการซึ่ง
ชื่อ CVA ขยาย (ECVA) จะขึ้นอยู่กับ CVA มาตรฐานและ
จากการเปลี่ยนแปลงของปัญหาที่วิคเตอร์จะถดถอยเป็น
ปัญหาที่เกิดขึ้นก็เป็นไปได้ที่จะใช้ PLS ในส่วนด้านในของ CVA จึง
ช่วยให้การวิเคราะห์ข้อมูล collinear .

ผลลัพธ์ (ไทย) 3:

ซึ่งจะเพิ่มความแตกต่างระหว่างกลุ่มในข้อมูลตามการกำหนดเกณฑ์ประสิทธิภาพ . อย่างไรก็ตาม CVA ไม่สามารถจัดการกับข้อมูล เช่น ข้อมูลทาง collinear สูง ( ที่นี่IR spectra ) ที่จำนวนของตัวแปรที่เป็นอย่างมีนัยสำคัญขนาดใหญ่มากกว่าจำนวนคน norgaard et al . แนะนำทางเลือกวิธีการแก้ไขปัญหาของเมทริกซ์ผลลัพธ์ เอกพจน์เมื่อวิเคราะห์ข้อมูล collinear กับ CVA . วิธีที่ที่มีชื่อขยาย CVA ( ecva ) , ขึ้นอยู่กับ CVA มาตรฐานโดยการแปลงปัญหาเวกเตอร์ลักษณะเฉพาะการถดถอยปัญหา มันเป็นไปได้ที่จะใช้กรุณาในส่วนด้านในของ CVA จึงเพื่อให้สามารถวิเคราะห์ข้อมูล collinear .