Info
- Utilizzare la checkbox di selezione a fianco di ciascun documento per attivare le funzionalità di stampa, invio email, download nei formati disponibili del (i) record.
Multivariate Datenanalyse : für die Pharma-, Bio- und Prozessanalytik : ein lehrbuch / / Waltraud Kessler
| Multivariate Datenanalyse : für die Pharma-, Bio- und Prozessanalytik : ein lehrbuch / / Waltraud Kessler |
| Autore | Kessler Waltraud |
| Pubbl/distr/stampa | Weinheim : , : Wiley-VSH Verlag, , 2007 |
| Descrizione fisica | 1 online resource (343 p.) |
| Disciplina |
519.535
519.5352 |
| Soggetto topico | Multivariate analysis |
| Soggetto genere / forma | Electronic books. |
| ISBN |
1-280-85447-2
9786610854479 3-527-61003-0 3-527-60966-0 |
| Formato | Materiale a stampa  |
| Livello bibliografico | Monografia |
| Lingua di pubblicazione | ger |
| Nota di contenuto |
Multivariate Datenanalyse; Inhaltsverzeichnis; Vorwort; 1 Einführung in die multivariate Datenanalyse; 1.1 Was ist multivariate Datenanalyse?; 1.2 Datensätze in der multivariaten Datenanalyse; 1.3 Ziele der multivariaten Datenanalyse; 1.3.1 Einordnen, Klassifizierung der Daten; 1.3.2 Multivariate Regressionsverfahren; 1.3.3 Möglichkeiten der multivariaten Verfahren; 1.4 Prüfen auf Normalverteilung; 1.4.1 Wahrscheinlichkeitsplots; 1.4.2 Box-Plots; 1.5 Finden von Zusammenhängen; 1.5.1 Korrelationsanalyse; 1.5.2 Bivariate Datendarstellung - Streudiagramme; Literatur; 2 Hauptkomponentenanalyse
2.1 Geschichte der Hauptkomponentenanalyse2.2 Bestimmen der Hauptkomponenten; 2.2.1 Prinzip der Hauptkomponentenanalyse; 2.2.2 Was macht die Hauptkomponentenanalyse?; 2.2.3 Grafische Erklärung der Hauptkomponenten; 2.2.4 Bedeutung der Faktorenwerte und Faktorenladungen (Scores und Loadings); 2.2.5 Erklärte Varianz pro Hauptkomponente; 2.3 Mathematisches Modell der Hauptkomponentenanalyse; 2.3.1 Mittenzentrierung; 2.3.2 PCA-Gleichung; 2.3.3 Eigenwert- und Eigenvektorenberechnung; 2.3.4 Berechnung der Hauptkomponenten mit dem NIPALS-Algorithmus; 2.3.5 Rechnen mit Scores und Loadings 2.4 PCA für drei Dimensionen2.4.1 Bedeutung von Bi-Plots; 2.4.2 Grafische Darstellung der Variablenkorrelationen zu den Hauptkomponenten (Korrelation-Loadings-Plots); 2.5 PCA für viele Dimensionen: Gaschromatographische Daten; 2.6 Standardisierung der Messdaten; 2.7 PCA für viele Dimensionen: Spektren; 2.7.1 Auswertung des VIS-Bereichs (500-800 nm); 2.7.2 Auswertung des NIR-Bereichs (1100-2100 nm); 2.8 Wegweiser zur PCA bei der explorativen Datenanalyse; Literatur; 3 Multivariate Regressionsmethoden; 3.1 Klassische und inverse Kalibration; 3.2 Univariate lineare Regression 3.3 Maßzahlen zur Überprüfung des Kalibriermodells (Fehlergrößen bei der Kalibrierung)3.3.1 Standardfehler der Kalibration; 3.3.2 Mittlerer Fehler - RMSE; 3.3.3 Standardabweichung der Residuen - SE; 3.3.4 Korrelation und Bestimmtheitsmaß; 3.4 Signifikanz und Interpretation der Regressionskoeffizienten; 3.5 Grafische Überprüfung des Kalibriermodells; 3.6 Multiple lineare Regression (MLR); 3.7 Beispiel für MLR - Auswertung eines Versuchsplans; 3.8 Hauptkomponentenregression (Principal Component Regression - PCR); 3.8.1 Beispiel zur PCR - Kalibrierung mit NIR-Spektren 3.8.2 Bestimmen des optimalen PCR-Modells3.8.3 Validierung mit unabhängigem Testset; 3.9 Partial Least Square Regression (PLS-Regression); 3.9.1 Geschichte der PLS; 3.10 PLS-Regression für eine Y-Variable (PLS1); 3.10.1 Berechnung der PLS1-Komponenten; 3.10.2 Interpretation der P-Loadings und W-Loadings bei der PLS-Regression; 3.10.3 Beispiel zur PLS1 - Kalibrierung von NIR-Spektren; 3.10.4 Finden des optimalen PLS-Modells; 3.10.5 Validierung des PLS-Modells mit unabhängigem Testset; 3.10.6 Variablenselektion - Finden der optimalen X-Variablen 3.11 PLS-Regression für mehrere Y-Variablen (PLS2) |
| Record Nr. | UNINA-9910144337603321 |
Kessler Waltraud
|
||
| Weinheim : , : Wiley-VSH Verlag, , 2007 | ||
| Materiale a stampa | ||
| Lo trovi qui: Univ. Federico II | ||
| ||
Multivariate Datenanalyse : für die Pharma-, Bio- und Prozessanalytik : ein lehrbuch / / Waltraud Kessler
| Multivariate Datenanalyse : für die Pharma-, Bio- und Prozessanalytik : ein lehrbuch / / Waltraud Kessler |
| Autore | Kessler Waltraud |
| Pubbl/distr/stampa | Weinheim : , : Wiley-VSH Verlag, , 2007 |
| Descrizione fisica | 1 online resource (343 p.) |
| Disciplina |
519.535
519.5352 |
| Soggetto topico | Multivariate analysis |
| ISBN |
1-280-85447-2
9786610854479 3-527-61003-0 3-527-60966-0 |
| Formato | Materiale a stampa |
| Livello bibliografico | Monografia |
| Lingua di pubblicazione | ger |
| Nota di contenuto |
Multivariate Datenanalyse; Inhaltsverzeichnis; Vorwort; 1 Einführung in die multivariate Datenanalyse; 1.1 Was ist multivariate Datenanalyse?; 1.2 Datensätze in der multivariaten Datenanalyse; 1.3 Ziele der multivariaten Datenanalyse; 1.3.1 Einordnen, Klassifizierung der Daten; 1.3.2 Multivariate Regressionsverfahren; 1.3.3 Möglichkeiten der multivariaten Verfahren; 1.4 Prüfen auf Normalverteilung; 1.4.1 Wahrscheinlichkeitsplots; 1.4.2 Box-Plots; 1.5 Finden von Zusammenhängen; 1.5.1 Korrelationsanalyse; 1.5.2 Bivariate Datendarstellung - Streudiagramme; Literatur; 2 Hauptkomponentenanalyse
2.1 Geschichte der Hauptkomponentenanalyse2.2 Bestimmen der Hauptkomponenten; 2.2.1 Prinzip der Hauptkomponentenanalyse; 2.2.2 Was macht die Hauptkomponentenanalyse?; 2.2.3 Grafische Erklärung der Hauptkomponenten; 2.2.4 Bedeutung der Faktorenwerte und Faktorenladungen (Scores und Loadings); 2.2.5 Erklärte Varianz pro Hauptkomponente; 2.3 Mathematisches Modell der Hauptkomponentenanalyse; 2.3.1 Mittenzentrierung; 2.3.2 PCA-Gleichung; 2.3.3 Eigenwert- und Eigenvektorenberechnung; 2.3.4 Berechnung der Hauptkomponenten mit dem NIPALS-Algorithmus; 2.3.5 Rechnen mit Scores und Loadings 2.4 PCA für drei Dimensionen2.4.1 Bedeutung von Bi-Plots; 2.4.2 Grafische Darstellung der Variablenkorrelationen zu den Hauptkomponenten (Korrelation-Loadings-Plots); 2.5 PCA für viele Dimensionen: Gaschromatographische Daten; 2.6 Standardisierung der Messdaten; 2.7 PCA für viele Dimensionen: Spektren; 2.7.1 Auswertung des VIS-Bereichs (500-800 nm); 2.7.2 Auswertung des NIR-Bereichs (1100-2100 nm); 2.8 Wegweiser zur PCA bei der explorativen Datenanalyse; Literatur; 3 Multivariate Regressionsmethoden; 3.1 Klassische und inverse Kalibration; 3.2 Univariate lineare Regression 3.3 Maßzahlen zur Überprüfung des Kalibriermodells (Fehlergrößen bei der Kalibrierung)3.3.1 Standardfehler der Kalibration; 3.3.2 Mittlerer Fehler - RMSE; 3.3.3 Standardabweichung der Residuen - SE; 3.3.4 Korrelation und Bestimmtheitsmaß; 3.4 Signifikanz und Interpretation der Regressionskoeffizienten; 3.5 Grafische Überprüfung des Kalibriermodells; 3.6 Multiple lineare Regression (MLR); 3.7 Beispiel für MLR - Auswertung eines Versuchsplans; 3.8 Hauptkomponentenregression (Principal Component Regression - PCR); 3.8.1 Beispiel zur PCR - Kalibrierung mit NIR-Spektren 3.8.2 Bestimmen des optimalen PCR-Modells3.8.3 Validierung mit unabhängigem Testset; 3.9 Partial Least Square Regression (PLS-Regression); 3.9.1 Geschichte der PLS; 3.10 PLS-Regression für eine Y-Variable (PLS1); 3.10.1 Berechnung der PLS1-Komponenten; 3.10.2 Interpretation der P-Loadings und W-Loadings bei der PLS-Regression; 3.10.3 Beispiel zur PLS1 - Kalibrierung von NIR-Spektren; 3.10.4 Finden des optimalen PLS-Modells; 3.10.5 Validierung des PLS-Modells mit unabhängigem Testset; 3.10.6 Variablenselektion - Finden der optimalen X-Variablen 3.11 PLS-Regression für mehrere Y-Variablen (PLS2) |
| Record Nr. | UNINA-9910830277203321 |
|
Kessler Waltraud
|
||
| Weinheim : , : Wiley-VSH Verlag, , 2007 | ||
| Materiale a stampa | ||
| Lo trovi qui: Univ. Federico II | ||
| ||