Unscrambler9.7PCA、PLS建模分析流程.doc

byliao
2013.1.23
红外光谱分析
化学计量学软件Unscrambler9.7PLS1红外光谱分析建模（帮助里自带例题消费者对果酱质量的偏爱性分析-tutor_b每一步超详细步骤，自己总结加翻译）PCA\PLS2\PLS1
问题1：找到覆盆子果酱主要的感官质量特征
问题2：找出主要感官质量特征和化学测量值的关系
问题3：通过主要感官质量特征预测未知样的参数

看重PCA解释方差图（theExplainedVariance：残余方差曲线），得分和权重
PLS2解释方差图（theExplainedVariance：残余方差曲线）：残余方差曲线，得分，权重，模型预测能力-PredictedvsMeasured
PLS1解释方差图（theExplainedVariance：残余方差曲线），
模型预测能力-PredictedvsMeasured，
模型系数RW-RegressionCoefficients，
预测时：
模型预测错误率RMSEP
基本设置:

1打开自带例子tutorialB

LAB为化学变量；Absorban吸收性Soluble可溶解性Acidity酸性为设备变量（比色法测得），6个变量放在设备变量里
preference变量是消费者偏爱性
20个样品：12个用来建模，叫做校正集；其他8个为预测集。

2插入类别变量Cultivar、HarvestTime

Edit-Insert-CategoryVariable

同理，收获时间分类变量HarvestTime，变量名为蓝色。数据表中双击选择对应值如下图

3样品、变量设置

Modify-EditSet
样品：

变量：

问题1：找到覆盆子果酱主要的感官质量特征解决方法

1PCA建模

因为只考虑X变量

分析：
1解释残余方差图
选中右下方，Plot-VariancesandRMSEP

得到解释方差图，3个主成分描述了92%的验证变量信息、97%的校正变量信息。
2解释得分图：
选中得分图，Edit-Options-SampleGrouping-EnableSampleGrouping，再按下图设置：

得到：

按照收获时间分类，分成了三类，以不同颜色标示。

3解释权重矩阵
选中权重矩阵，View-CorrelationLoadings

显示REDNESSandCOLOUR在主成分1的最右边，离得很近，远离中心，非常接近100%解释方差椭圆（内椭圆为50%解释方差），得出颜色和发红性很相关，也意味着得分图右边的样品这两个变量的含量值很高。
主成分2轴上，R.SMELLandR.FLAV在正上方，两者很相关，且与在正下方的FLAV呈负相关。在得分图上，越往上，有很高R.SMELLandR.FLAV。

得分图和相关权重图显示C2H3andC1H3有很高的REDNESSandCOLOUR特性值；C1H2有很大的off-flavour特性。在得分图上的样品点的位置对应权重图上相对应位置上的特性变量值。
主成分3描述的变量是sweetness,bitternessandchewingresistance
Plot-Loadings，选择PC1vs.PC3

4解释影响图

左下角是，位于图右上方的样品是outliers，应该被去除。本图中没有outliers.
保存PCA模型为“TutorialBPCA”。

问题2：找出主要感官质量特征和化学测量值的关系解决方法

1建立PLS2模型
因为考虑X和Y变量

Task-Regression

点击setup

在PC5处预测误差达到最小值。但是第一个最小预测误差是在前两个主成分后的0.84，这是必须选择的主成分来避免过拟合。

2找出outliers

下方的warning：找出outliers。点击Window-WarningList

点击outliers得出：

1解释方差图

选中左下方图，Plot-VariancesandRMSEP--看模型如何描述6个Y变量_查看解释方差explainedvariance.

theExplainedVariance：残余方差曲线显示，两个主成分是最佳的。变量很好地被这两个主成分描述。85%thecolorvariation(variables1and2)，80%的sweetness(6)可以被化学和测量变量解释。
注意：只有23%的总Y变量被模型解释（用两个主成分）。

total为蓝色。

2解释得分图

得分图
Edit-Options

PC1描述收获时间。收获时间1在最左边，收获时间在最右边，分的很开。得分图不显示培养变量Cultivar的信息。结合loading权重图可以得到更多的信息。

3解释