干货连载 | 三分钟学会SIMCA判别分类模型——PCA-Class

上期为大家介绍了SIMCA16  OPLS操作教程，本期将为大家介绍SIMCA判别分类模型（PCA-Class）操作教程~

1.原始数据

通过判别分析来找组别之间的较佳判别变量，并结合分析来自不同数据组（训练集与测试集）的数据。

小提示：在数据整理时就要将训练集与测试集分开，这点很重要哟，关系着是否能成功建立PCA-Class模型。

2.数据导入

3.自动拟合

4.添加主成分

5.创建分组模型的DModX图表

6.更改横坐标名称

7.更改颜色

此时DModX图表是内部验证，数据是训练集40的个样本。红线为95%置信区间，图中F组超过置信区间说明两组样本区分较大，不是同组样本。

同理，在模型二中，F组都处于置信区间95%以内，属于同组样本。C组全部样本都超过置信区间95%的红线以上，与F组不是同组样本。

8.预测集数据验证模型

此时DModX图表是外部验证，数据是测试集的10个样本。红线为95%置信区间，图中C组中有一个样本超过置信区间，说明该样本不属于C组样本。

同理，在模型二中，10个样本正确分类。总的来说，外部验证的DModXPS+图得出，模型一将10个样本中的9个正确分类，而模型二将10个样本中的10个正确分类。

在这种情况下，另一个有用的工具是“Coomans’  plot”。该图是通过在同一散点图中共同绘制两个模型的DModXPS+值而创建的。

我们讨论的最后一个图——ROC图。它绘制了真实预测率与错误预测率的关系。

我们可以从上面的两个ROC图中看到，模型二有完美的外部验证性能，而模型一的性能稍差。

今天小编关于PCA-Class绘制教程就到这了，大家有木有都会使用了呢。SIMCA软件操作简单灵活，是目前全球较受科研工作者欢迎的多元变量统计分析软件，并已经成为多元变量统计分析的标杆。感兴趣和有需求的老师立马行动起来吧！

暖心的小编会持续为大家推出SIMCA16分析操作干货哦，大家尽请期待！

本文为阿趣代谢微信公众号原创，欢迎个人转发分享。其他任何媒体、网站如需转载，须联系阿趣代谢微信公众号获得授权，并在正文前注明来源阿趣代谢微信公众号。