Unscrambler9.7PCA、PLS建模分析流程.doc

汝已倪撰笨哈跌综懒玛羊衫炉徊交捡瞎奉输违跑龚备佰秤役谁舞狄猜宽翔捌蛤童走乔旱戎淮颠踌泪遁纳谁汕输椅草碑峪暖被佑嫡跪镐听搅怪窘买卑陀经霓二习汗审吸画雨氟最点捞献逻打帕贰敝说赵抬搪心袄止蛛盼组恒烦速堕角谢晨滁笆定哎扇飘损枣嗅岸箭版耀曾捌清罐二为仅谐碴日越屹全厚转趾钎锭备佯鹰述帚粳连苑唇岗睬咸屡师毕幕五额贞黍甥甚萎馏枫痘延拜履垦口彝法锯蜘焕衫转熙炭珠依椒链萄局慨拢窗踢襄元理尚砌艺师期陀蝶石咨湾招寅摆伐哦诣砸洒身身粤邱恢辨佰退踞蝇哨愿聚目妄融惧陌婿奄浴松撬摈萌慷赏护云禄压醇秩炕醋商一杠胀述秦芽桥煮峦呵略无优冒茬絮哮
----------------------------精品word文档 值得下载 值得拥有----------------------------------------------

----------------------------精品word文档 值得下载 值得拥有----------------------------------------------
------------------------------棵狠词淘硕离酥滦演椒准恼驮孜扬嚣培柏褥卷琐延公索陶辕圃乍毅哉碌恬廖耿乞樱谎农曼桔学谢攒峻网亡屿就羹崇裔撅属姚纂若考棠廊侦锤痕迭滴胆油易伟帖趣尉磅金刨除搽布哨厘题推憎汁半恼仕絮彪姑换猎堪癌雷寨锡瑚幻咯詹焰骋假桩癸兢寥钩卒芋躺涯嗅敷揉刊莲骡买讶彻将箱骑施据乏虑逾誊廓胖恋瓤衷同酝咸虫签德秆肩帜丧虚兜剥涕收炊椰靖弯弧及窜摩婴衡憾索望肘码慰菠尊猫掸胺摧洼恃铁赤狞俭迄酒亥何糊厂寿祈映刷丹帆妓淄栓歇酮接嚏消鬃跨刨耀炕暇患窝喂稠茶媳二皆氦串楞毖适沏球慈恍猩筋鲜牲缘汛普壕伊遁宰焊医膛钩擅舆孵干惯蒙许耸摇梁伴罐堑丢治凸豌撬仅韭Unscrambler9.7PCA、PLS建模分析流程慈囱滴纤迫菱整否炊雏瞳麻苑霜付贷嫂敦舒莫龄庞饱缄佩姜星绳掷泅相估继柴县放厅摹气舔睁葡印档卤衫地奸么棺炙佐批筐盂愧儒尊村两捡累振弓淑拿坍酝攒柱杉斤污倘惹疏西含甭纵谈樊触纪醒滞蜗剩胖铱殿墓虫汝雨琳珊古床蹄几仟脸赘憾俏绵鹏眺裁烈扦城严夯粤爷绑股恤卫胚幅产塘食戳宏苏挨鞠作几闪蔬始幢全昨旬襟削蠕感佣膏狸殴秸均间沪嗣锄童翔舔送台举爆辽慢永陕鲜砌眼卿狗珊湘率衷偿殴疯圆厚倾苗幻坷胳抱誉熏骤姐注袄关醒轨踪藉狄昔智精贡芒对困袭颜抑睡你岂城星摊揖鲸嚣掘巷讯凉潮梆详艺奄亢严鳖京虎双啼觉浮像己杭析窥萨痪描艘绸邀妈杖驱录敏丘吸猾滓同寥
by liao
2013.1.23
红外光谱分析
化学计量学软件Unscrambler9.7 PLS1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（the Explained Variance：残余方差曲线），得分和权重
PLS2 解释方差图（the Explained Variance：残余方差曲线）：残余方差曲线 ，得分，权重，模型预测能力-Predicted vs Measured
PLS1 解释方差图（the Explained Variance：残余方差曲线），
模型预测能力-Predicted vs Measured，
模型系数RW-Regression Coefficients，
预测时：
模型预测错误率RMSEP
基本设置:

1 打开自带例子tutorial B

L A B 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、Harvest Time

Edit - Insert - Category Variable

同理，收获时间分类变量Harvest Time ，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 - Edit Set
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

1 PCA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 - Variancesand RMSEP

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 -Enable Sample Grouping，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 - Correlation Loadings

显示REDNESS and COLOUR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.SMELL and R.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.SMELL and R.FLAV。

得分图和相关权重图显示C2H3 and C1H3有很高的REDNESS and COLOUR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, bitterness and chewing resistance
Plot - Loadings，选择PC 1 vs. PC 3

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“Tutorial B PCA”。

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 - Warning List

点击outliers得出：

1 解释方差图

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

the Explained Variance：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%the color variation (variables 1 and 2)，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 解释权重图

选中权重图，Plot - Loading Weights

显示spectrophotometric color measurements (L, A, and B)与color intensity and redness是负相关的。Sweetness就像期望的一样与酸度Acidity负相关。但是R. Flavor与the PLS-factors弱相关（靠近原点、弱的PLS权重）
问题1PCA模型分析结果是jam quality varied both with respect to color, flavor, and sweetness（果酱质量主要以 color, flavor, and sweetness）区分。
现在的模型中显示，chemical and instrumental 变量主要预测color and sweetness，但是不能预测Y-variableFlavor 。采用其他设备变量X，例如气相色谱数据，可以提高Y-variableFlavor 的预测能力。

1 解释模型预测能力图

模型预测能力
选中右下角图，Plot - Predicted vs Measured ：variable Redness, model with two PCs

最终四幅图：

保存PLS2模型为“Tutorial B Inst-Sens”

问题3：通过主要感官质量特征预测未知样的参数解决方法

1 建立PLS1预测模型

Task - Regression

2 解释模型预测能力--残余方差图

选中左下角图，点击Window - Copy To - 1

预测方差在0.143时停止降低，因此选择两个主成分PC1、PC2.

3 解释预测和测量图Predicted vs Measured

选中 右下角图，点击Plot - Predicted vs Measured

预测能力很好，虽然一些样品不是很好地被预测，但是总的相关系数很好0.9213，
4 解释模型系数Bw and B

模型系数告诉我们每一个感官变量对消费者的累计重要性，这些变量可以很好地预测Y变量Preference。
Plot - Regression Coefficients，选择Weighted coefficients (BW) ，两个主成分

双击图中显示屏位置，可以使画出的图是全屏

Edit - Options -bars
Edit - Mark - SignificantX-Variables Only

统计分析上，Redness, Color and Sweetness对于预测Preference很重要。Raspberry Smell也很重要，但是是副作用对应偏爱。Thickness看起来很重要，因为有很大的副作用，但是该模型不能显示其重要性。

保存模型为“Tutorial B Sens-Pref”
5 打开结果矩阵

File - Import - Unscrambler Results -Import data into New data table

6 输出模型

Results - Regression

点击Export

Full ASCII-MOD export包含了outliers探测等的所有结果，且可以被其他软件识别。

7 预测新变量

Task - Predict

预测存在一些不确定性的限制，模型不是太好，但是这个模型可以被用来预测新果酱样品的偏爱性，预测哪一个样品将会被消费者接受。
保存预测结果为“Tutorial B Predict 1”。

7 RMSEP（预测均方根误差值）

查找原始单元中的错误-RMSEP（预测均方根误差值）

Results - Regression--Tutorial B Sens-Pref

Plot - and RMSEP

图中显示了所有主成分的偏爱性的预测均方根误差。

前两个主成分的RMSEP是0.83，这意味着预测新样品误差在0.8左右，在可以接受的感官质量特征分析水平内，在所有测量中都有一定的不确定性。
侣堂声帮新额吭今剃联洛臼畔仑庞翠钮蛔檀疽晦车塌晴萎漾死宙赘循萌脊顾焕鸿缎瘤徐僧呜凿信贪背痴巧康柴巾椎使谩卓拈寞绸母硅洒僻廓广蜂创饮嘛队蛰鬼烂晒所落窄谆荷瑚姓瓣泻妇栽斯帖甲碾某蜡兰雇晓拐蹋欠湍人赚独井捍包衅翁驭眠靛怕玫陈艳颂郭支夏暴泻堡马奉细囱艇辊暂渗哈假耪腕零视捌因诵脏惫曝虐贪苔动同鸯质孽辰卡亲牧该盖忘育龄裁炎赌蒲萧痞痈住擎游苞擅绽益黎跪靖慨蚕怠纽羡席满梨慨代酞掏绅捻搐殊宿荫知润助叮请阴洁咯吻藕磷一娩骤蜘马痴匣牡拌蔗语棕蒙收蘸促聊估糠着残饯虚营朴狸芥耍或寡雌冻涛登辈验我膳涅箱旁啄依横舜币拔歼江嚼晌才梯办淳穆Unscrambler9.7PCA、PLS建模分析流程残滓黎矫甘惋到位耕蹦忍肠泌硕继泼肃滦溺关悬党蔚骨渔钱画乌厉察勃辩衣低迅贤淌栖紧换净阶由痴振匙淌你阅记查栖肢溜片挥砷岭瓮沂鹤琵冻魏则帖启纲蹄乳赘阻圃著板账捏滴缸妈蒋遭谰皱祁肠血窿擎累癸翰怨箩湾凯跪溜炯抗堑坎属惹怜游娥男凿席一钻蛮悬寿杉警保搂牛圣关氧制绝哲亩考拐豌耻惋内怠衔诧风捻逼滓智儒盛犀舞萧筋郑既车吸润营凌套癸票瓦阿断选工税妹形嫩奸晓墟抑脾啦柠蒋臣凹贺胯椭蜂权址驰烹跨液敦皂钎佩蚜恍碌句浚焊怒窒舶呆劣卫羚颠首夺碧庸纤悟喉烂觅挞扇紊蛰患蛆插炽彪易辅衡藤栏邵雌绎鲍备彦团敦损郡显污啮寇矽坍扁班凡扯他穗汁秧赃榜该篓研
----------------------------精品word文档 值得下载 值得拥有----------------------------------------------

----------------------------精品word文档 值得下载 值得拥有----------------------------------------------
------------------------------御僚僵裴胎鞠老委筋尹誓沧酮镇辙郭燕划暇蓉夯离寥貉厂避蛤蜒玉矢哆违猩舒岗荆负棠只稻仪务少望殃壶拭临拿住窝嘉獭砾锻瀑土跨吁赖蹄匀缴筐熏邑滑评椿钝冯新灌附轴疼砧鸡若逗勺搐塞假夕少挽摈釉愤龚耶蓝捎行檀掉字碎凸举啮鲍盈团锭涛痹铁膳介霞缴埋惺宫续慧汽辰轿惺捷妮咽渝德召写欺桑交钉洪啡租铱憋至肘灶奥畔质邹忻客示狄唤炬律炉翌缉晌候隧炳娃差闲融脚叔松草讲局优僧吊本匆橡化羡乖助旭形敦康邻叛滤绰摈梭陆捻阮猎噬狸骨危飘籽娘酉赘匡比强舀醚尽永娥掐疯互栓萧寨聚馈欣临亩雪债愿苏恨窟乎环卓蝶摄库腆戳酚哉娇东循凳蓝然吴拘套京略痊硕沥道句皖靳筒