Partial least squares discrimination applied to a few samples dataset: A case for predicting the presence of pesticide in lettuce
Notice bibliographique
Résumé
Abstract To perform discriminant analysis through partial least squares (PLS‐DA), it is important to note that the smaller the set of samples and the higher the variable to sample ratio, the higher the chance of a too optimistic classification model. In this sense, it is necessary to use strategies to check for the possibility that the classification achieved is done by chance. In metabolomics studies, it is not uncommon to work with a reduced number of samples, in which discrimination approaches must be evaluated according to its reliability. Considering this issue, this study aimed to show a case study to deal with few samples using PLS‐DA to discriminate lettuce cultivated in the absence and presence of imidacloprid (IMI). The data were acquired by using ultra‐high‐performance liquid chromatography coupled to a quadrupole‐time of flight mass spectrometry, and the model prediction ability was evaluated by permuting the classes. The performance of the PLS‐DA model built using all the variables reached 100% correct classification. Nonetheless, the reliability tests (Wilcoxon, sign test, and Rand t test) indicated that the model has been build choosing variables by chance. By using the variable importance in projection, it was possible to build a model with reliable specificity and sensitivity equals 1. The study showed the need to check the classification ability in PLS‐DA models through strategies such as variable selection and the permutation test in order to allow for the evaluation of the reliability of the results, even in cases in which the classification reaches 100% in the target.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».