nav[aria-label="Primary Navigation"] { padding: 0; & ul { list-style: none; width: 100%; display: flex; flex-direction: row; justify-content: start; align-items: start; gap: 30px; padding: 0; & li { margin: 0; } & ul li { list-style: none; } } }

757822_de-DE

liliconcom

Erstellen Sie Vorhersagemodelle für Spektraldaten mithilfe funktionaler Datenanalyse und Versuchsplanung

In den letzten Jahren wurde die Methode der partiellen kleinsten Quadrate (PLS) verwendet, um Vorhersagemodelle für Spektraldaten zu erstellen. Ein neuerer Ansatz, der den Functional Data Explorer und experimentelles Kovariatendesign verwendet, ermöglicht die Verwendung von weniger Spektren in einem Vorhersagemodell mit guter Vorhersagbarkeit. Dieser Ansatz nutzt ein Viertel bis ein Drittel der Daten, die sonst zur Erstellung von Vorhersagemodellen auf der Grundlage von Spektraldaten verwendet würden. Außerdem werden neue multivariate Plattformen wie modellgesteuerte multivariate Kontrollkarten (MDMCC) als Möglichkeiten zur Verbesserung der Spektraldatenanalyse demonstriert.

Erweiterte statistische Modellierung

Grundlegende Datenanalyse und Modellierung

Konsumenten- und Marktforschung

Datenexploration und -visualisierung

Versuchsplanung

Prädiktive Modellierung und maschinelles Lernen

Qualitäts- und Prozesstechnik

Comments

There are no comments yet