在线作图丨数据降维方法③——正交偏最小二乘方判别分析(OPLS-DA),程序员大本营,技术文章内容聚合第一站。
- 得分图：OPLS-DA得分图展示了样本在预测主成分和正交主成分上的分布，通过得分图可以直观地观察不同组别之间的差异。- S-plot图：S-plot图是一种用于识别和解释OPLS-DA模型中重要变量的工具，横坐标表示协方差，纵坐标表示相关系数，可以揭示变量与组别分类的相关性。- 模型验证：OPLS-DA模型的好坏可以通过R2X...
展示了3个正交轴的R2Y和Q2Y。通过展示累计解释率评估正交组分是否足够。 显著性诊断(右上) 实际和模拟模型的R2Y和Q2Y值经随机排列后的散点图,模型R2Y和Q2Y(散点)大于真实值时(横线),表明产生过拟合2。右上图,OPLS-DA模型的R2Y和Q2Y与随机置换数据后获得的相应值进行比较。 离群点展示(左下) 展示了各...
OPLS是一种多因变量对多自变量的回归建模方法,其最大的特点是可以去除自变量X中与分类变量Y无关的数据变异,是分类信息主要集中在一个主成分中,从而模型变的简单和易于解释,其判别效果和主成分得分图的可视化效果更加明显。正交偏最小二乘法判别分析(orthogonal partial least-squares discrimination analysis,OPLS-DA)在...
由上图,PLS-DA模型的R2Y和Q2Y与随机置换数据后获得的相应值进行比较。 左下图,展示了各样本在投影平面内以及正交投影面的距离,具有高值的样本标注出名称,表明它们与其它样本间的差异较大。颜色代表性别分组。 右下图,各样本在PLS-DA轴中的坐标,颜色代表性别分组。我们可以看到,相对于上文的PCA(仅通过方差特征...
Inertia(惯量)柱形图(左上) 展示三个正交轴R2Y和Q2Y。评估正交组分是否足以通过显示累释率来评估。 显着性诊断(右上) 实际和模拟模型R2Y和Q2Y值经随机排列后的散点图,模型R2Y和Q2Y(散点)大于真实值时(横线),表示产生过拟合2。右上图,OPLS-DA模型的R2Y和Q2Y比较随机置换数据后获得的相应值。
Inertia(惯量)柱形图(左上) 展示了3个正交轴的R2Y和Q2Y。通过展示累计解释率评估正交组分是否足够。 显著性诊断(右上) 实际和模拟模型的R2Y和Q2Y值经随机排列后的散点图,模型R2Y和Q2Y(散点)大于真实值时(横线),表明产生过拟合2。右上图,OPLS-DA模型的R2Y和Q2Y与随机置换数据后获得的相应值进行比较。
OPLS是一种多因变量对多自变量的回归建模方法,其最大的特点是可以去除自变量X中与分类变量Y无关的数据变异,是分类信息主要集中在一个主成分中,从而模型变的简单和易于解释,其判别效果和主成分得分图的可视化效果更加明显。正交偏最小二乘法判别分析(orthogonal partial least-squares discrimination analysis,OPLS-DA)在...