Algoritmo das Projeções Sucessivas Para Seleção de ... - PPGQ
Algoritmo das Projeções Sucessivas Para Seleção de ... - PPGQ
Algoritmo das Projeções Sucessivas Para Seleção de ... - PPGQ
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Capítulo III. Classificação <strong>de</strong> óleos vegetais<br />
classe. Especificamente, a maior variabilida<strong>de</strong> entre as amostras ao longo <strong>de</strong> toda<br />
faixa espectral po<strong>de</strong> ser encontrada para o óleo <strong>de</strong> girassol.<br />
3.4.2. Análise exploratória dos dados<br />
Com intuito <strong>de</strong> se realizar uma avaliação exploratória dos diferentes tipos <strong>de</strong><br />
óleos estudados, uma PCA foi realizada para todo o conjunto <strong>de</strong> amostras. A<br />
Figura 3.4 e Figura 3.5 mostram os gráficos dos escores obtidos por PC2 versus<br />
PC1 e PC3 versus PC1, respectivamente.<br />
Figura 3.4. Gráfico dos escores obtidos pela PC2 versus PC1 para to<strong>das</strong> as 119 amostras <strong>de</strong> óleos<br />
vegetais. (●: milho, ●: girassol, ▲: canola e ■: soja).<br />
O gráfico dos escores obtidos por PC2 versus PC1 mostra uma forte<br />
sobreposição entre as quatro classes <strong>de</strong> óleos (milho, girassol, canola e soja).<br />
Observa-se também que as classes girassol e soja apresentam-se com uma maior<br />
dispersão ao longo <strong>de</strong> PC1, variável latente com maior percentual <strong>de</strong> variância<br />
explicada (66%). O resultado obtido pela PCA está <strong>de</strong> acordo com o comportamento<br />
dos espectros apresentados na Figura 3.3, uma vez que as classes girassol e soja<br />
apresentam perfis espectrais bem parecidos e com uma maior variabilida<strong>de</strong> <strong>de</strong>ntro<br />
da classe. Um total <strong>de</strong> 92% da variância dos dados é explicado por PC1 e PC2.<br />
42