OPLS-DA得分图的横坐标表示OSC过程中的主要成分的得分值(Tp),所以从横坐标的方向可以看到组间的差异;纵坐标表示OSC过程中的正交成分的得分值(TO);所以从纵坐标上看出组内的差异(组内样本间的差异)。 我们可以根据样本数据的情况,选择适合的多元统计分析方法,展示不同组别之间数据的差异。 S-plot图 S-plot图的...
S-plot 图一般用来挑选与OSC过程中主要成分的相关性比较强的代谢物,从另一方面同时也可以挑选与Y相关性强的代谢物。越靠近两个角的代谢物重要度越强。 模型验证图 permutation test 的横坐标表示模型的准确率,纵坐标表示100次 permutation test 中100个模型的准确率的频数,箭头表示本OPLS-DA模型准确率所在的位置。...
当使用S-plots从PLS-DA或OPLS-DA模型中筛选 p 值小于 0.05 的变量时,可以遵循以下的一些步骤: 1.建立模型: 首先,需要在适当的统计软件或编程环境(如 R、MATLAB 或 Python)中完成 PLS-DA 或 OPLS-DA 分析。 2.生成S-plot: 使用分析工具,基于已建立的模型生成 S-plot。该图展示了变量的协方差和相关性系数...
OPLS-DA 的S-plot图 S-plot图的横坐标表示主成份与代谢物的协相关系数,纵坐标表示主成份与代谢物的相关系数。S-plot图一般用来挑选与OSC过程中主要成分的相关性比较强的代谢物,从另一方面同时也可以挑选与Y相关性强的代谢物。越靠近两个角的代谢物重要度越强。红色的点表明这些代谢物的VIP值大于等于1,绿色的点...
数据经过PLS-DA分析后,会产生3张图片,分别是得分图、模型验证图、s-plot图,我们最常见到的则是得分图,因此在对得分图进行描述的时候也就相对比较简单,可以描述一下模型建立的一些参数(R2X、R2Y、Q2),以及得分图中的PC1和PC2,最后描述利用该模型进行差异代谢物筛选,挑出重点关注的差异代谢物即可啦。
rownames(sacurine.plsda@suppLs$yMCN) <- NULL plot (sacurine.plsda, type = 'x-score',parPaletteVc = color) ## 可以选择pch来更换散点形状 points(a$p1, a$p2,col = color_vector, pch=16, cex=1) 2.3 因变量为连续型数据(如age、bmi)时的PLS图 ...
rownames(sacurine.plsda@suppLs$yMCN) <- NULL plot (sacurine.plsda,type='x-score',parPaletteVc = color) ## 可以选择pch来更换散点形状 points(a$p1, a$p2,col = color_vector, pch=16, cex=1) 2.3 因变量为连续型数据(如age、bmi)时的PLS图 ...
VIP值越大，说明该变量对于区分不同组别的贡献越大。负荷图：负荷图（Loading plot）是展示变量与主成分之间的关系的图表。该图可以帮助识别哪些变量与分类结果相关。在解读PLS-DA分析结果时，一般需要综合考虑上述几种结果。例如，可以根据模型性能指标评估模型的分类能力，根据VIP值和负荷图识别对分类结果...
虽然说默认的图片内容都挺全面的,但是修改起来不太容易,所以这里换用ggplot出图。 ggplot出图 #---提取数据作图 a = unclass(plsda.datatm) #--提取坐标值 plotdata = as.data.frame(a$variates$X) plotdata$SampleType = map$Group #-提取解释度 e...
OPLS-DA分析中，S-plot图帮助识别与主成分和分类相关性强的代谢物，同时评估模型的R2X、R2Y和Q2值，反映模型对X和Y矩阵的解释率以及预测能力。验证图通过permutation test确定模型的最优性。要进行PCA、PLS-DA、OPLS-DA分析，可以使用如MetaboAnalyst这样的在线平台，它提供从数据预处理到模型构建和图形...