R语言PLS-DA模型分析不同中医组别患者间差异指标数据可视化

PLS-DA (Partial Least Squares Discriminant Analysis) 是一种多变量统计分析方法,常用于处理具有多个预测变量和多个响应变量的数据。

由Kaizong Ye,Weilong Zhang撰写

在本文中,我们帮助客户使用了PLS-DA方法来挖掘两个疾病的不同中医分组方式下存在差异的指标。


首先,我们有两个Excel文件,分别是患者的证素数据。


每一列代表一位患者的多个数据,不同颜色代表了不同的分组。我们想要通过PLS-DA挖掘不同组别患者间存在差异的指标。

两个EXCEL分别是患者的证素的数据,由于是评分性质的,所以都是不连续的数字。

每一列代表一位患者的多个数据,不同颜色代表了不同的分组,想通过PLS-DA挖掘下不同组别患者间存在差异的指标有哪些。2个EXCEL是分开的2个疾病,每个疾病下包含不同中医的分组方式,主要想挖掘下不同中医分组方式下存在差异的指标。一方面需要找到这些存在差异的指标,每一列代表一位患者的多个数据,不同颜色代表了不同的分组。


视频

主成分分析PCA降维方法和R语言分析葡萄酒可视化实例

探索见解

去bilibili观看

探索更多视频

数据1

在R语言中,我们首先将数据导入并进行预处理。我们使用read.csv函数将数据1导入,并将不需要的列删除。然后,我们使用na.omit函数删除含有缺失值的行。最后,我们为每个患者指定一个组别,分别为A、B、C、D、E和F。

image.png
data=read.csv("数据1.csv") X=data X=X[,-53] #分别设置组别和指标 X=na.omit(X) Y=c(rep("A",29),rep("B",19),rep("C",27),rep("D", 8),rep("E",9),rep("F",4) )

 

进行PLS-DA模型的建立

接下来,我们使用PLS-DA建立模型。建立PLS-DA模型,并将数据集和组别变量作为输入。建立模型后,我们可以查看不同组别分别有哪些指标,以及哪些指标之间存在显著的差异。

指示变量矩阵

st(t(plsda.breast$ind.mat))
image.png

图片

MATLAB偏最小二乘回归(PLSR)和主成分回归(PCR)分析光谱数据

阅读文章


从指示变量矩阵的结果来看,a的特征向量和b的特征向量之间存在显著差异,而cdef之间的差异较小


随时关注您喜欢的主题


数据2

接下来,我们导入数据2,并进行相似的分析步骤。首先,我们使用read.csv函数将数据2导入。然后,我们建立PLS-DA模型,并使用div函数查看不同组别分别有哪些指标,以及哪些指标之间存在显著的差异。

image.png

进行PLS-DA模型的建立

div(plsda.breast,  
          ellipse = TRUE
image.png

指示变量矩阵


ist(t(plsda.breast$i
image.png

从结果中可以看到不同组别分别有哪些指标,以及哪些指标之间存在显著的差异?

从图中可以看到,分组GHEC之间的差异较小,分组ABDFIJK之间差异较小,这两类间均存在显著差异。

从指示变量矩阵的结果来看, GHEC特征向量之间的差异较小距离也较小,分组ABDFIJK之间差异较小距离也较小,这两类间均存在显著差异。


可下载资源

关于作者

Kaizong Ye拓端研究室(TRL)的研究员。

本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。

​非常感谢您阅读本文,如需帮助请联系我们!

 
QQ在线咨询
售前咨询热线
15121130882
售后咨询热线
0571-63341498

关注有关新文章的微信公众号


永远不要错过任何见解。当新文章发表时,我们会通过微信公众号向您推送。

技术干货

最新洞察

This will close in 0 seconds