Інформаційно-технічні особливості тесту на відмінність нових сортів Lactuca sativa L. var. capitata

• Main Authors: Н. В. Лещук, Н. С. Орленко, О. В. Хареба
• Format: Article
• Language: English
• Published: Ukrainian Institute for Plant Variety Examination 2019-10-01
• Series: Plant Varieties Studying and Protection
• Subjects: variety; distinctness; uniformity; stability; lettuce; lactuca sativa l. var. сapitata; sign; development code; ibm spss statistics
• Online Access: http://journal.sops.gov.ua/article/view/181081
• ISSN: 2518-1017; 2518-7457

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.