3.2.3. Result of PLSAs shown in PCA

3.2.3. Result of PLS

As shown in PCA score plots, the first two PCs were considered to explain the original variables, and these variables did not inter- act with each other. On the base of PCA discussed above, the first two PCs, which could explain the 93.08% of variables, were selected as input to build the PLS model which was called Principal Compo-nent Transform-Partial Least Squares Regression (PCT-PLS). The re-sult was compared with the PLS model which had none input data pre-treated. Results showed that the honey samples from different floral origins could be grouped together (Fig. 5). A PLS score plot was shown in Fig. 5a. It could be concluded that the Acacia and the Astragali samples were separated from one another clearly. The rest of the honey samples: the Data, Vitex and Buckwheat were placed close to each other, but also demarcated clearly. A PCT-PLS score plot was shown in Fig. 5b, the Acacia and the Astragali sam-ples were also separated from one anther clearly, but the Vitex and Buckwheat samples overlapped one another. It is thus clear that both PLS model and PCT-PLS model showed better result than 2D-PCA model, and the PLS model had the better result than PCT-PLS model.

As shown in Fig. 6, two models were used for category forecast. The models gave a clear indication of the rheometer ability, and a positive trend in the prediction of floral origin was found with the help of the models. Even though the prediction of the rheometer has shortcomings, the results indicate its possibilities. PLSR model had a better result than PCT-PLSR, and the relativity was R = 0.9762 and R = 0.9614, respectively.

Kết quả (Việt) 1:

3.2.3. gây PLSNhư minh hoạ trong PCA được điểm lô, lần đầu tiên hai máy tính được xem là để giải thích các biến ban đầu, và các biến này đã làm không inter-hành động với nhau. Trên cơ sở của PCA thảo luận ở trên, lần đầu tiên hai máy tính, mà có thể giải thích 93.08% của các biến, đã được lựa chọn như đầu vào để xây dựng các mô hình PLS được gọi là hiệu trưởng Compo-nent biến đổi-một phần tối thiểu Regression (PCT-PLS). Re-ra được so sánh với các mô hình PLS vốn không có đầu vào dữ liệu trước khi điều trị. Kết quả cho thấy rằng mật ong mẫu từ nguồn gốc Hoa khác nhau có thể nhóm lại với nhau (hình 5). Một PLS được điểm cốt truyện được thể hiện trong hình 5a. Nó có thể được kết luận rằng các cây keo và Astragali mẫu đã được tách ra khỏi nhau rõ ràng. Phần còn lại của các mẫu mật ong: dữ liệu, Vitex và kiều mạch được đặt gần nhau, nhưng cũng phân ranh giới rõ ràng. Một âm mưu PCT PLS được điểm được thể hiện trong hình 5b, những cây keo và Astragali sam-ples đã được cũng tách ra từ một bao phấn rõ ràng, nhưng Vitex và kiều mạch mẫu chồng chéo nhau. Nó là như vậy rõ ràng rằng cả hai mô hình PLS và PCT-PLS mô hình cho thấy các kết quả tốt hơn so với mô hình 2D-PCA, và mô hình PLS có kết quả tốt hơn so với mô hình PCT-PLS.Như minh hoạ trong hình 6, hai mô hình được sử dụng cho mục thời. Các mô hình cho một dấu hiệu rõ ràng của khả năng rheometer, và một xu hướng tích cực trong dự đoán của Hoa nguồn gốc đã được tìm thấy với sự giúp đỡ của các mô hình. Mặc dù dự đoán của rheometer có thiếu sót, các kết quả cho thấy khả năng của nó. PLSR mô hình có một kết quả tốt hơn so với PCT-PLSR, và sự tương đối rộng là R = 0.9762 và R = 0.9614, tương ứng.

Kết quả (Việt) 2:

3.2.3. Kết quả PLS Như trong PCA lô số, hai máy tính đầu tiên được coi là để giải thích các biến ban đầu, và các biến này đã không hành động liên tiếp với nhau. Trên cơ sở của PCA thảo luận ở trên, hai máy tính đầu tiên, trong đó có thể giải thích 93,08% của các biến, đã được lựa chọn như là đầu vào để xây dựng các mô hình PLS được gọi là Hiệu trưởng Compo-nent Least squares Transform-Partial Regression (PCT-PLS). Việc tái sult được so sánh với các mô hình PLS trong đó có dữ liệu đầu vào không qua xử lý. Kết quả cho thấy các mẫu mật ong từ nguồn gốc thực vật khác nhau có thể được nhóm lại với nhau (Hình. 5). Một âm mưu điểm PLS được thể hiện trong hình. 5a. Nó có thể kết luận rằng keo và các mẫu Astragali đã được tách khỏi nhau rõ ràng. Phần còn lại của các mẫu mật ong: các dữ liệu, Vitex và kiều mạch được đặt gần nhau, nhưng cũng phân định rõ ràng. Một PCT-PLS lô số điểm đã được thể hiện trong hình. 5b, keo và các Astragali sam-ples cũng đã được tách ra từ một bao phấn rõ ràng, nhưng các mẫu Vitex và Buckwheat chồng chéo nhau. Như vậy rõ ràng rằng cả hai mô hình PLS và mô hình PCT-PLS cho thấy kết quả tốt hơn so với mô hình 2D-PCA, và các mô hình PLS có kết quả tốt hơn so với mô hình PCT-PLS. Như thể hiện trong hình. 6, hai mô hình được sử dụng cho các loại dự báo. Các mô hình đã đưa ra một dấu hiệu rõ ràng về khả năng Rheometer, và một xu hướng tích cực trong việc dự đoán của xứ hoa được tìm thấy với sự giúp đỡ của các mô hình. Mặc dù các dự đoán của các Rheometer có những thiếu sót, kết quả cho thấy khả năng của nó. Mô hình PLSR có một kết quả tốt hơn so với PCT-PLSR, và tính tương đối là R = 0,9762 và R = 0,9614, tương ứng.