PLS-DA既可以用来分类,也可以用来降维,与PCA不同的是,PCA是无监督的,PLS-DA是有监督的。与PCA不同,PCA是无监督,PLS是“有监督”模式的偏最小二乘法分析,当样本组间差异大而组内差异小时,无监督分析方法可以很好的区分组间差异。反之样本组间差异不大,无监督的方法就难以区分组间差异。另外如果组间的差异较...
OPLS-DA是PLS-DA的改进版本,它结合了正交信号矫正技术,能够滤除与分类信息无关的噪声,提高模型的解析能力和有效性。在OPLS-DA得分图上,有两种主成分,即预测主成分t[1]和正交主成分to[1]。OPLS-DA将组间差异最大化的反映在第一个主成分(即t[1])上,而正交主成分则反映了组内的变异。 OPLS-DA通常用于两组...
OPLS-DA综合了PLS-DA和正交信号过滤(orthogonal signal correction, OSC)技术,能够把与预先设定的和分类无关的信息最大程度从原始矩阵分离,从而将最相关的因素集中到第一个主成份上,进而寻找该主成分的正交矫正轴方向,从而使得组间样本分离效果更佳,使组内差异弱化,组间差异最大化凸显,且更适用于两组样本间的分离...
PLS-DA建模:通过绘制两组数据建模,输出一系列关键参数结果。模型基本信息存储在“plsda_result.txt”中。 评价(O)PLS-DA模型拟合效果使用R2X、R2Y和Q2Y这三个指标,这些指标越接近1,表示PLS-DA模型拟合数据效果越好。 R2X和R2Y分别表示PLSDA分类模型所能够解释X和Y矩阵信息的百分比,Q2Y则为通过交叉验证计算得出...
PLS-DA(偏最小二乘判别分析)是一种强大的多变量统计分析方法,特别适用于处理具有多个预测变量和多个响应变量的复杂数据集。以下是关于PL
执行PLS-DA # 提各指标读数 dataMatrix <- sacurine$dataMatrix # 提取性别数据列 genderFc <- sacurine$sampleMetadata[, "gender"] # 不指定或orthoI = 0时,执行PLS sacurine.plsda <- opls(dataMatrix, genderFc, orthoI = 0) ## PLS-DA ...
以下是PLS-DA的一些关键公式和概念: 首先,PLS-DA基于偏最小二乘法(PLS),它是一种同时考虑自变量矩阵X和因变量矩阵Y的回归方法。在PLS中,X和Y被分解为得分矩阵(T和U)和载荷矩阵(P和Q)的乘积,并加上残差矩阵(E和F): X = TP' + E Y = UQ' + F 其中,T和U分别为X和Y的得分矩阵,P和Q分别为X和...
PLS-DA: 偏最小二乘法判别分析 偏最小二乘法判别分析(PLS-DA,Partial Least Squares Discriminant Analysis)经常用来处理分类和判别问题。其与PCA类似,不同的是PCA是无监督的,PLS-DA是有监督的。 当样本组间差异大而组内差异小时,无监督分析方法可以很好的区分组间差异。反之样本组间差异不大,无监督的方法就...
本文提供了一个全面的指南,用于解释偏最小二乘判别分析(PLS-DA)图,这是一种常用于高维数据集分类的统计方法.文中详细阐述了如何通过得分图和负荷图理解样本的分布和变量的贡献,包括识别不同组别的分离情况和关键变量.
详细概述用于生成PLS-DA和OPLS-DA二维图的多种软件工具,包括SIMCA、MetaboAnalyst、R 语言、MATLAB、Python和Orange,以及各自的应用特点.