Pular para o conteúdo
Even3

Ferramentas estatísticas para detectar outliers em modelos multivariados

Trecho de 1 min 54 s de Detecção de amostras anômalas e relevância para PLS-DA, gravado no evento XI Workshop de Quimiometria.

Assistir à gravação completaNo Even3 Conteúdos · 57 min

Sobre este trecho

Conheça o uso prático de resíduos Q, T² de Hotelling e intervalos de predição na identificação de anomalias.

Vai de a da gravação.

O que é dito neste trecho

Bom, uma das estatísticas que nós mais usamos é a estatística de t quadrado de Hotelling. Essa estatística, ela tá medindo o quanto uma amostra ela tá se eh ela tá distante do centro do modelo definido pelas variáveis latentes eh do PLS-DA. O t quadrado ele é estimado através dessas duas equações e o limite dele calculado a partir de uma distribuição F. Uma segunda medida de outlier eh são os resíduos Q. Eles calculam são calculados através da somatória dos quadrados dos erros deixados pelo modelo, então aqui nós temos o quanto uma amostra ela tá se distanciando do plano definido pelas variáveis latentes. E aqui é como são calculados eh os limites para esse parâmetro de resíduos Q. Uma terceira abordagem para identificar outliers, ela pode ser baseada em erros de referência ou erros, né, na na classe de referência ou erros na estimativa dos valores de classe. Aqui nós temos um modelo PLS-DA para uma classe azul e uma vermelha e aqui nós temos amostras que estariam sendo eh estimadas com maior erro de estimativa, né, desse valor de classe, que aqui seria zero e aqui seria um, tanto para classe vermelha quanto para classe azul. Nós podemos então eh calcular intervalos de confiança e a partir desses intervalos de confiança verificar que essas amostras que fogem do padrão ou da distribuição dos valores preditos ou dos valores estimados, elas seriam identificadas e excluídas com base nesse intervalo de confiança. Isso aqui para amostras de treinamento.

Outros trechos deste conteúdo