plotdata = as.data.frame(a$variates$X) plotdata$SampleType = map$Group #-提取解释度 eig = a$explained_variance$X eig[1] library(ggalt) library(BiocManager) # install("ggalt") p = ggplot(data = plotdata,aes(x=comp1,y=comp2,group...
2.负荷图(Loading Plot): 负荷图展示了原始变量(如代谢物、基因表达等)对PLS-DA成分的贡献。每个点代表一个变量,其位置表示该变量在区分不同组别中的重要性。靠近图中心的变量对区分类别的贡献较小,而远离中心的变量则更为重要 3.VIP分数图(VIP Scores Plot): VIP(变量重要性在投影中)分数是衡量变量在PLS-D...
header=T, row.names=1,sep="\t") group=read.table("group.txt",sep="\t",header=T,row.names=1) X=t(data1[, rownames(group)]) Y=group$group ##PLS-DA分析,选取2个主成分进行分析 plsda.datatm <-plsda(X, Y, ncomp = 3) plotIndiv(...
plotdata$SampleType = map$Group #-提取解释度 eig = a$explained_variance$X eig[1] library(ggalt) library(BiocManager) # install("ggalt") p = ggplot(data = plotdata,aes(x=comp1,y=comp2,group=SampleType,color=SampleType))+geom_point(size=5)+ stat_ellipse(type = "t", linetype = ...
plotIndiv(plsda.datatm , comp = c(1,2), group = map$Group, style = 'ggplot2',ellipse = TRUE, size.xlabel = 20, size.ylabel = 20, size.axis = 25, pch = 15, cex = 5) 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。
在S-plot中,观察离群点,即远离原点的点。这些点代表了模型中对区分组别贡献最大的变量。 4.统计测试: 对这些显著变量进行统计测试(如t-test或ANOVA),确定其 p 值。 5.筛选变量: 从进行统计测试的结果中选择 p 值小于 0.05 的变量。 6. 验证所选变量: ...
plot(sacurine.plsda, typeVc = "x-score") 去除样本名并添加相应的散点 ## 设置颜色,颜色是从ropls包源代码中提取出来的 scaVc <- rev(rainbow(100, end = 4/6)) ## 提取画图数据 a <- data.frame(sacurine.plsda@scoreMN) b <- sacurine.plsda@suppLs$y ...
plot(sacurine.plsda, typeVc ="x-score") 去除样本名并添加相应的散点 ## 设置颜色,颜色是从ropls包源代码中提取出来的 scaVc <- rev(rainbow(100, end = 4/6)) ## 提取画图数据 a <- data.frame(sacurine.plsda@scoreMN) b <- sacurine.plsda@suppLs$y ...
S-plot图的横坐标表示主成分与代谢物的协相关系数,纵坐标表示主成分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,绿色的点表示这些代谢物的VIP值...
```R plotIndiv(df_plsda, comp = c(1,2), group = group$group, style = 'ggplot2', ellipse = TRUE, size.xlabel = 20, size.ylabel = 20, size.axis = 20, pch = 16, cex = 5) # 这里我们使用了ggplot2风格,并添加了椭圆来表示不同组的分布。你可以根据需要调整这些参数。 ```...