The use of XLSTAT in conducting principal component analysis (PCA) when evaluating the relationships between sensory and quality attributes in grilled foods
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Multivariate statistics is a tool for examining the relationship of multiple variables simultaneously. Principal component analysis (PCA) is an unsupervised multivariate analysis technique that simplifies the complexity of data by transforming them in a few dimensions showing their trends and correlations. Interests in XLSTAT as statistical software program of choice for routine multivariate statistics has been growing due in part to its compatibility with Microsoft Excel data format. As a case of study, multivariate analysis is used to study the effects of unfiltered beer-based marination on the volatile terpenes and thiols, and sensory attributes of grilled ruminant meats. PCA was conducted to determine the correlations between the abundances of volatile terpenes and thiols and sensory attribute scores in marinated grilled meats, as well as to analyze if there was any clustering based on the type of meat and marination treatments employed.•XLSTAT PCA output successfully reduced the number of variables into 2 components that explained 90.47% of the total variation of the data set.•PCA clustered marinated and unmarinated meats based on the presence and abundances of volatile terpenes, thiols and consumer sensory attribute scores.•PCA could be applied to explore relationships between volatile compounds and sensory attributes in different food systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle