上期為大家介紹了SIMCA16 OPLS操作教程，本期將為大家介紹SIMCA判別分類模型（PCA-Class）操作教程~

1.原始資料

透過判別分析來找組別之間的較佳判別變數，並結合分析來自不同資料組（訓練集與測試集）的資料。

小提示：

在資料整理時就要將訓練集與測試集分開

，這點很重要喲，關係著是否能成功建立PCA-Class模型。

2.資料匯入

3.自動擬合

4.新增主成分

5.建立分組模型的DModX圖表

6.更改橫座標名稱

7.更改顏色

此時DModX圖表是內部驗證，資料是訓練集40的個樣本。紅線為95%置信區間，圖中F組超過置信區間說明兩組樣本區分較大，不是同組樣本。

同理，在模型二中，F組都處於置信區間95%以內，屬於同組樣本。C組全部樣本都超過置信區間95%的紅線以上，與F組不是同組樣本。

8。預測集資料驗證模型

此時DModX圖表是外部驗證，資料是測試集的10個樣本。紅線為95%置信區間，圖中C組中有一個樣本超過置信區間，說明該樣本不屬於C組樣本。

同理，在模型二中，10個樣本正確分類。總的來說，外部驗證的DModXPS+圖得出，模型一將10個樣本中的9個正確分類，而模型二將10個樣本中的10個正確分類。

在這種情況下，另一個有用的工具是“Coomans’ plot”。該圖是透過在同一散點圖中共同繪製兩個模型的DModXPS+值而建立的。

我們討論的最後一個圖——ROC圖。它繪製了真實預測率與錯誤預測率的關係。

我們可以從上面的兩個ROC圖中看到，模型二有完美的外部驗證效能，而模型一的效能稍差。

今天小編關於PCA-Class繪製教程就到這了，大家有木有都會使用了呢。SIMCA軟體操作簡單靈活，是目前全球較受科研工作者歡迎的多元變數統計分析軟體，並已經成為多元變數統計分析的標杆。感興趣和有需求的老師立馬行動起來吧！

暖心的小編會持續為大家推出SIMCA16分析操作乾貨哦，大家盡請期待！

本文為阿趣代謝微信公眾號原創，歡迎個人轉發分享。其他任何媒體、網站如需轉載，須聯絡阿趣代謝微信公眾號獲得授權，並在正文前註明來源阿趣代謝微信公眾號。