全文链接 :https://tecdat.cn/?p=34809
原文出处：拓端数据部落公众号
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。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。
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。
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。
tIndiv(plsda.breast,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a和分组b之间存在显著的差异,分组cdef之间的差异较小,分组a分组b和分组cdef间均存在显著差异
指示变量矩阵
st(t(plsda.breast$ind.mat))从指示变量矩阵的结果来看,a的特征向量和b的特征向量之间存在显著差异,而cdef之间的差异较小
数据2
接下来，我们导入数据2，并进行相似的分析步骤。首先，我们使用read.csv函数将数据2导入。然后，我们建立PLS-DA模型，并使用div函数查看不同组别分别有哪些指标，以及哪些指标之间存在显著的差异。
进行PLS-DA模型的建立
div(plsda.breast,
ellipse = TRUE指示变量矩阵
ist(t(plsda.breast$i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。
参考文献
R语言实现偏最小二乘回归法 partial least squares (PLS)回归
R语言中的block Gibbs吉布斯采样贝叶斯多元线性回归R语言Lasso回归模型变量选择和糖尿病发展预测模型
R语言实现贝叶斯分位数回归、lasso和自适应lasso贝叶斯分位数回归分析
Python贝叶斯回归分析住房负担能力数据集
Python用PyMC3实现贝叶斯线性回归模型
R语言区间数据回归分析
R语言用LOESS(局部加权回归)季节趋势分解（STL）进行时间序列异常检测
PYTHON用时变马尔可夫区制转换（MRS）自回归模型分析经济时间序列
R语言随机森林RandomForest、逻辑回归Logisitc预测心脏病数据和可视化分析
基于R语言实现LASSO回归分析
Python用PyMC3实现贝叶斯线性回归模型
使用R语言进行多项式回归、非线性回归模型曲线拟合
R语言中的偏最小二乘回归PLS-DAR语言生态学建模：增强回归树（BRT）预测短鳍鳗生存分布和影响因素
R语言实现偏最小二乘回归法 partial least squares (PLS)回归
Matlab中的偏最小二乘法（PLS）回归模型，离群点检测和变量选择
偏最小二乘回归（PLSR）和主成分回归（PCR）