可解释性扰动器用于近红外光谱分析中的变量选择

科学领域:

• 分析化学 分析化学
• 化学测量 化学测量 化学测量
• 机器学习 机器学习

背景情况:

• 近红外 (NIR) 光谱分析对于定量建模至关重要.
• 变量选择对于优化NIR模型和增强可解释性至关重要.
• 深度学习为复杂的数据分析提供了先进的方法.

研究的目的:

• 在NIR光谱分析中开发一种用于变量选择的新扰剂方法.
• 利用深度学习策略来改进对光谱数据的解释.
• 在定量模型中创建一个评估变量重要性标准.

主要方法:

• 一个深度学习预测器被训练来建立从spectra.com的目标预测.
• 使用预测器的输出训练了一个扰乱器,以导出扰乱阳性 (P +) 和扰乱负 (P -) 特性.
• 使用扰乱层的权重 (σ) 评估了变量重要性.
• 使用交叉验证来确定定量模型的最佳变量子集.

主要成果:

• 在三个NIR数据集上,扰动器方法实现了与现有方法相比或优于现有方法的性能 (根平均二次误差).
• 选择的光谱变量证明了可解释性,识别了与预测目标相关的关键特征.
• 该方法有效优化了定量模型,并提供了对光谱解释的见解.

结论:

• 开发的扰动器方法是优化定量NIR模型的有效工具.
• 这种方法提供了一种有效的方式来解释多组件样本的光谱.
• 深度学习和扰动策略的整合提高了光谱分析中的模型性能和可解释性.