The number of latent variables (LV)

The number of latent variables (LV) for PLSR models were identified from the calibration data using 10-fold cross-validation with 100 Monte Carlo replicates for cross-validation. Models were constructed using a range of LV from 1 to 50, and to avoid model overfitting, the optimal number of latent variables was determined by selecting the model with the smallest root mean square error (RMSE). The optimal model was then applied to the validation set to generate the coefficient of determination (R2) and RMSE performance statistics (Cheng and Sun, 2015). The validation slope (b), intercept (a), and bias (expected predicted − observed) were also calculated based on the regression Ymeasured = a + b × Ypredicted.

結果 (繁體中文) 1:

隱變量的（LV）為PLSR模型的數量是使用交叉驗證用100蒙特卡洛重複為交叉驗證10倍從校準數據中識別。使用一定範圍的LV 1至50構建模型，並避免過度擬合模型，通過選擇具有最小均方根誤差（RMSE）的模型來確定潛在變量的最佳數量。然後將最佳模型應用於所述驗證集生成判定（R2）和RMSE性能統計（程和Sun，2015）的係數。驗證斜率（b）中，截距（a）中，和偏置（預期預測 - 觀察到的）基於回歸Ymeasured = A + B×Ypredicted也計算。

結果 (繁體中文) 2:

PLSR 模型的潛在變數 （LV） 的數量通過 10 倍交叉驗證與 100 個蒙特卡羅複製進行交叉驗證從校準資料中標識。模型使用從 1 到 50 的 LV 範圍構建，為了避免模型過度學習，通過選擇具有最小根均方誤差 （RMSE） 的模型來確定潛在變數的最佳數量。然後，將最佳模型應用於驗證集，以生成確定係數 （R2） 和 RMSE 性能統計（Cheng 和 Sun，2015）。驗證斜率 （b）、截距 （a） 和偏置（預期預測 + 觀測）也基於測量的回歸 Y = a = b = Y預測值計算。

結果 (繁體中文) 3:

用10倍交叉驗證和100個蒙特卡羅重複進行交叉驗證，從校準數據中確定PLSR模型的潜在變數（LV）數量。在1-50的LV範圍內建立模型，為避免模型過度擬合，選擇均方根誤差最小（RMSE）的模型確定潜在變數的最佳數目。然後將優化模型應用於驗證集，以生成確定係數（R2）和RMSE效能統計資料（Cheng和Sun，2015）。驗證斜率（b）、截距（a）和偏差（預期預測-觀察）也根據回歸方程Ymeasured=a+b×Ypredicted計算。