通过选择包含最合适样本的子集来减少校准集,这些样本显示出最佳的预测能力

科学领域:

• 分析化学 分析化学
• 频谱学是一种光谱学.
• 化学测量 化学测量 化学测量

背景情况:

• 近红外 (NIR) 光谱是一种快速,非侵入性和具有成本效益的分析技术.
• 在NIR光谱学中经常使用大型校准集,但可以在不丢失信息的情况下选择有信息的子集.
• 有效的样本子集选择对于开发强大且具有成本效益的NIR模型至关重要.

研究的目的:

• 提出和评估一种新的方法来选择NIR光谱中的最佳校准样本子集.
• 开发一种方法,减少校准集大小,同时保持或增强预测能力.
• 为改进NIR模型开发引入最佳预测校准子集 (OPCS) 方法.

主要方法:

• 开发了一种新的样本子集选择方法,即最佳预测校准子集 (OPCS).
• 该方法使用全局部分最小平方 (PLS) 模型和交叉模型验证 (CMV) 来确定最适合的样本.
• 来自重复双十字验证的"一个标准错误规则"在CMV内应用,以最佳地确定PLS复杂性.

主要成果:

• 与肯纳德-斯通方法和共同指导方针相比,OPCS方法的结果是统计学上显著较小的样本子集.
• 基于OPCS的模型展示了与使用完整原始校准集构建的模型相比的预测能力.
• 由于OPCS方法本质上排除了异常值,因为只选择最合适的校准样本.

结论:

• 在NIR光谱学中,OPCS方法提供了一种有效的策略,可以在不影响预测性能的情况下减少校准集大小.
• 这种方法比传统方法具有优势,因为它确保了模型的子集代表性,而不是整个数据集,并排除了异常值.
• 用CMV进行样本选择和"一个标准误差规则"的整合代表了化学计量建模中的重大创新.