Methodology adjusting for least squares regression slope in the application of multiplicative scatter correction to near‐infrared spectra of forage feed samples
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
Abstract Scatter corrections are commonly applied to refine near‐infrared (NIR) spectra. The aim of this study is to assess the impact of measurement errors when using ordinary least squares (OLS) for multiplicative scatter correction (MSC). Any measurement errors attached to the set‐mean spectrum may attenuate the OLS slope and that in turn will affect the estimate of the intercept and the adjustment of the spectra when using MSC methods to mitigate scattering. A corrected least squares slope may be used instead to prevent this problem, although the impact of this approach on the final outcome will depend on the relative size of the measurement errors in the individual spectra and the set‐mean spectrum. The errors‐in‐variables or type II regression model (also known as Deming regression) and its special cases, major axis (MA) and reduced major axis (RMA), are discussed and illustrated. The extent of OLS slope bias or attenuation is demonstrated as is the resulting MSC spectral distortion. Further modification to the MSC transformation method is also suggested. The influence of scattering correction (by MSC, standard normal variate (SNV) and detrending) and of using the maximum likelihood estimate of the slope for MSC on the prediction of chemical composition of Lucerne herbage from NIR spectra was assessed. The predictive performance was slightly improved by the use of scattering corrections with fairly minor differences among methods. Nonetheless, it seems well worth considering the use of type II regression models for assessing MSC application aiming at improving the goodness of prediction from NIR spectra.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,007 |
| 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