AI Summary & Key Takeaways
AI InsightPrincipal component analysis can be used to generate one overall response variable that contains most of the information in the set of response variables.
📌 3 Key Takeaways
Abstract
Principal component analysis reduces the dimensionality of data containing a large set of variables to small set without loosing the most important information in the original data set. Multiple correlated response variables are often included in experimental studies. Principal component analysis can be used to generate one overall response variable that contains most of the information in the set of response variables. After obtaining one overall response variable of the experimental design model, response surface method can be used to optimize the new response variable which is influenced by several independent variables. In this paper principal component analysis is applied to data of bread production process which contains correlated response variables such as phytic acid, phytate phosphor, total phosphor. Response surface method is conducted to optimize new response generated by principal component analysis and the optimum conditions are obtained.
Özet
Temel bileşenler analizi büyük değişken kümesi içeren verinin boyutunu orijinal veride bilgi kaybına yol açmadan küçük kümeye indirger. Deneysel çalışmalarda çoklu korelasyona sahip yanıt değişkenler sıklıkla bulunmaktadır. Temel bileşenler analizi yanıt değişkenler kümesindeki bilginin çoğunu içeren bir genel yanıt değişken elde etmek için kullanılabilir. Genel yanıt değişken elde edildikten sonra, birkaç bağımsız değişkenden etkilenen yanıt değişkeni optimize etmek için yanıt yüzey yöntemi kullanılabilir. Bu çalışmada fitik asit, fitat fosforu, toplam fosfor gibi korelasyonlu yanıt değişkenler içeren ekmek üretim işlemi verisine temel bileşenler analizi uygulanmıştır. Temel bileşenler analizi ile oluşturulan yeni yanıt değişkeni optimize etmek için yanıt yüzey yöntemi uygulanmış ve en uygun koşullar elde edilmiştir.