Інформаційно-технічні особливості тесту на відмінність нових сортів Lactuca sativa L. var. capitata | Information and technical features of the test for distinctness of new varieties of Lactuca sativa L. var. capitata | Информационно-технические особенности теста на отличимость новых сортов Lactuca sativa L. var. capitata

Английский. Purpose. To substantiate the information and technical features of the use of IBM SPSS Statistics tools in determ­ining the distinctiveness criterion for new varieties of lettuce Lactuca sativa L. var. capitata based on the morphological code formulas of phenotypes of well-known varieties using the nearest neighbor algorithm in a group of similar varieties. Methods. Analytical, which is based on a comparison of the methods and means of data mining obtained by identification – a morphological description of the variety with the subsequent use of descriptive and multidimensional statistics. In accordance with the «Method for the examination of varieties of lettuce Lactuca sativa L. for distinctness, uniformity and stability» signs that do not vary or very poorly vary were used to group varieties. These signs are used seperately or in combination with others. Results. As a result of modeling using the SPPS package, several mo­dels of similar varieties of Lactuca sativa L. var. сapitata were formed. The total number of varieties in the sample is distributed as follows: 71.4% represented the training sample, and 28.6% represented the control one. The resulting data is visualized on the diagrams of the model of the largest similarity. It is necessary to take into account the type of expression of the studied characteristic (sign): in a qualitative, quantitative, pseudo-qualitative way. A simulation experiment with a model of similar varieties of head-lettuce showed the dependence of the result on the selected target variable. The target variables were signs «lant: head formation», «head by density», «seed: coloration», «head size». Conclusions. The effectiveness of technological tools for analyzing the examination data on distinctness, uniformity and stabili­ty (DUS) has been revealed, which greatly facilitates the search for patterns among a large data set. Differentiation of data into training and control allows you to «train» the model on a data set of well-known varieties. When building a model, it is important to correctly determine the target and focal variables. IBM SPSS Statistics software package is recommended as a tool.

украинский. Мета. Обґрунтувати інформаційно-технічні особливості використання інструментальних засобів IBM SPSS Statistics під час визначення критерію відмінності нових сортів салату посівного Lactuca sativa L. var. capitata на підставі морфологічних кодових формул фенотипів загальновідомих сортів із використанням алгоритму «найближчого сусіда» в групі подібних сортів. Методи. Аналітичний, що ґрунтується на порівнянні методів та засобів інтелектуального аналізу даних, отриманих методом ідентифікації – морфологічний опис сорту з подальшим застосуванням описової та багатовимірної статистики. Відповідно до «Методики проведення експертизи сортів салату посівного Lactuca sativa L. на відмінність, однорідність і стабільність» для групування сортів використовували ознаки, які не варіюють або дуже слабко варіюють. Ці ознаки використовуються окремо або у комбінаціях з іншими. Результати. У результаті моделювання з використанням пакету SPSS було сформовано декілька моделей подібних сортів Lactuca sativa L. var. сapitata. Загальна кількість сортів у вибірці розподілена таким чином: 71,4% репрезентували навчальну вибірку, а 28,6% – конт­рольну. Результативні дані візуалізовано на діаграмах моделі найбільшої подібності. Слід враховувати тип вираження досліджуваної характеристики (ознаки): якісним, кількісним, псевдо-якісним чином. Імітаційний експеримент з моделлю схожих сортів салату головчастого показав залежність результату від обраної цільової змінної. У ролі цільових змінних були ознаки: «рослина: утворення головки», «головка за щільністю», «насінина: забарвлення», «розмір головки». Висновки. Встановлено ефективність технологічних засобів аналізу даних експертизи на відмінність, однорідність і стабільність (ВОС), що значно полегшує пошук закономірностей серед великого набору даних. Розмежування даних на навчальні та контрольні дозволяє провести «тренування» моделі на наборі даних загальновідомих сортів. Під час побудови моделі важливо правильно визначити цільову та фокусні змінні. Як інструментальний засіб рекомендовано використовувати пакет статистичних програм IBM SPSS Statistics.

Русский. Цель. Обосновать информационно-технические особенности использования инструментальных средств IBM SPSS Statistics при определении критерия отличимости новых сортов салата посевного Lactuca sativa L. var. capitata на основании морфологических кодовых формул фенотипов общеизвестных сортов с использованием алгоритма «ближайшего соседа» в группе подобных сортов. Методы. Аналитический, что основанна сравнении методов и средств интеллектуального анализа данных, полученных методом идентификации – морфологическое описание сорта с последующим применением описательной и многомерной статистики. В соответствии с «Методикой проведения экспертизы сор­тов салата посевного Lactuca sativa L. на отличимость, однородность и стабильность» для группировки сортов использовали признаки, которые не варьируют или очень слабо варьируют. Эти признаки используются отдельно или в комбинациях с другими. Результаты. В результате моделирования с использованием пакета SPSS было сформировано несколько моделей подобных сортов Lactuca sativa L. var. сapitata. Общее количество сортов в выборке распределено следующим образом: 71,4% представляли обучающую выборку, а 28,6% – контрольную. Результативные данные визуализированы на диаграммах модели самого большого сходства. Следует учитывать тип выражения исследуемой характеристики (признака): качественным, количественным, псевдо-качественным образом. Имитационный эксперимент с моделью похожих сортов салата головчастого показал зависимость результата от выбранной целевой переменной. В качестве целевых переменных были признаки «растение: образование головки», «головка по плотности», «семя: окраска», «размер головки».Выводы. Установлена эффективность технологических средств анализа данных экспертизы на отличимость, однородность и стабильность (ООС), что значительно облегчает поиск закономерностей среди большого набора данных. Разграничение данных на учебные и контрольные позволяет провести «тренировки» модели на наборе данных общеизвестных сортов. При построении модели важно правильно определить целевую и фокусные переменные. В качестве инструментального средства рекомендуется использовать пакет статистических программ IBM SPSS Statistics.