Modelado de datos multidireccionales para mejorar el rendimiento de la clasificación: datos de fluorescencia como...

Área de la Ciencia:

• Química Analítica
• Quimiometría
• Análisis de Datos Multivariantes

Sus antecedentes:

• La clasificación de sistemas complejos es un desafío en química analítica.
• La estructura de los datos influye significativamente en el rendimiento de la clasificación.
• Este estudio investiga estructuras de datos de primer a tercer orden utilizando espectroscopía de fluorescencia.

Objetivo del estudio:

• Evaluar sistemáticamente la influencia de la dimensionalidad de los datos en el rendimiento de la clasificación.
• Comparar diferentes modelos quimiométricos, incluidos PLS-DA, N-PLS-DA y PARAFAC-DA.
• Evaluar el rendimiento del modelo en diversas condiciones, como desequilibrio de clases, ruido y tamaño de la muestra.

Principales métodos:

• Se utilizaron conjuntos de datos de fluorescencia simulados y experimentales.
• Se empleó el análisis discriminante de mínimos cuadrados parciales (PLS-DA), el PLS-DA multidireccional (N-PLS-DA) y el PARAFAC-DA.
• Se evaluaron modelos con órdenes de datos variables (de primero a tercero).

Principales resultados:

• Los modelos de tercer orden alcanzaron una precisión >93%, superando a los modelos de primer y segundo orden.
• El N-PLS-DA y el PARAFAC-DA discriminaron con éxito las muestras de aceite de oliva.
• El PARAFAC-DA ofreció una interpretabilidad superior de los procesos de degradación y oxidación.

Conclusiones:

• El modelado de datos de orden superior, especialmente de tercer orden, mejora la fiabilidad y la interpretabilidad de la clasificación.
• Los modelos quimiométricos de tercer orden son robustos y generalizables para matrices complejas.
• Este enfoque ofrece un potencial significativo para aplicaciones analíticas con datos complejos.