Documentos de Académico
Documentos de Profesional
Documentos de Cultura
combinación óptima de las longitudes de onda existentes en el espectro completo junto con
regresión de mínimos cuadrados parciales mediante el uso de un principio simple pero
efectivo 'supervivencia del más apto' en el que la teoría de la evolución de Darwin se basa.
CARS no está diseñado solo para datos espectrales. Es una estrategia general y, por lo tanto,
puede usarse para la selección variable de otros tipos de datos, como genómica y
metabolómicos.
En pocas palabras, en cada corrida de muestreo, CARS trabaja en cuatro Pasos sucesivos:
(3) Adoptar ARS para realizar una selección competitiva de longitudes de onda
Desde el punto de vista del muestreo, este proceso puede considerarse como muestreo en el
espacio modelo combinado con la estrategia de Monte Carlo. Estamos destinados a
seleccionar las variables que son de alta adaptabilidad independientemente de la variación de
las muestras de entrenamiento.
En la primera etapa, las longitudes de onda se eliminan rápidamente, lo que realiza una
'selección rápida', mientras que en la segunda etapa, las longitudes de oonda se reducen de
una manera muy suave, que en su lugar se llama una etapa de 'selección refinada' en nuestro
estudio.
Por lo tanto, las longitudes de onda de poca o ninguna información en un espectro completo
se puede eliminar en un paso de manera inteligente y eficiente debido a la ventaja de EDF.
Supongamos que tenemos cinco variables ponderadas que al ser sometido a cinco
experimentos de muestreo ponderado aleatorio con reemplazo.
En el caso 1, cada variable tiene un peso igual a 0,20 indicando que se pueden muestrear con
la misma probabilidad. El resultado ideal es que cada variable se muestrea una vez.
El caso 2 muestra varios espacios 1 y 2 tienen el mayor peso 0.30 mientras que las variables 4 y
5son de los pesos más pequeños 0.10. Por lo tanto, las variables 1 y 2 se muestrean dos veces,
mientras que la variable 3 una vez. Las variables 4 y 5 no son muestreadas por ARS y por lo
tanto eliminado. Similar al caso 2, el caso 3 demuestra que solo las variables 1 y 3 se
muestrean en las cinco muestras ponderadas experimentos de pling debido a sus pesos
dominantes, mientras que las variables2, 4 y 5 son mucho menos competitivos y, por lo tanto,
están fuera de juego porque sus pesos sonrelativamente débiles
(3) Adoptar AES-“Adaptive Reweighted Sampling” para realizar una selección competitiva de
longitudes de onda