Biplot 双标图 会员专享
🔀 这是什么？
平时你需要来回切换两张图：
- 得分图 (Score Plot) —— 看样本在哪里（行）
- 载荷图 (Loading Plot) —— 看变量朝哪走（列）
Biplot 把两者叠加在同一张图上。于是你可以直接回答一个问题：
"聚在左边的这堆样本，到底是被哪些变量拉过去的？"
🧐 怎么看？
一张 Biplot 上有两种元素：
| 元素 | 代表 | 读法 |
|---|---|---|
| 散点 | 样本（行） | 位置表示该样本在潜空间的得分 |
| 箭头 / 向量 | 变量（列） | 方向表示该变量在该成分上的载荷方向 |
三条核心规则
样本靠近某个变量箭头的方向 → 说明该样本在这个变量上取值偏高
两个变量箭头方向相同且靠得近 → 两者正相关（携带的信息相似）
两个变量箭头方向相反 → 两者负相关（此消彼长）
💡 向量长度也有意义：箭头越长，说明该变量在这两个成分上的解释力越强；很短的箭头说明这个变量在这张图里"没什么存在感"。
🛠️ 怎么用？
配置项
| 配置项 | 说明 |
|---|---|
| X 轴组件 | 选择横轴对应的主成分（如 t1） |
| Y 轴组件 | 选择纵轴对应的主成分（如 t2） |
点击 生成图表 后渲染。
典型用法
| 场景 | 怎么看 |
|---|---|
| 解释某个聚类 | 找到聚在一起的样本群，看它们朝向哪个箭头 → 那就是它们的共同特征 |
| 区分两类样本 | 看两类样本分别朝哪些变量聚集 → 这些变量就是分类的驱动因素 |
| 发现冗余变量 | 箭头几乎重合的变量 → 高度共线，可考虑只保留其一 |
| 寻找"反向"指标 | 箭头方向相反的变量对 → 存在权衡关系（提升一个往往牺牲另一个） |
与套索配合
Biplot 同样支持套索圈选：
- 圈住一批样本 → 结合箭头方向反推它们的共性
- 圈出红蓝两组 → 可触发 对比分析
🎯 与其他图表的分工
| 图表 | 看什么 | 什么时候用 |
|---|---|---|
| t1-t2 关系图 | 只看样本分布 | 找异常、看聚类，图面更干净 |
| 载荷图 | 只看变量方向 | 分析变量之间的结构关系 |
| Biplot | 样本与变量一起看 | 需要解释"为什么这群样本聚在一起" |
💡 Biplot 的读图门槛比前两者高——当点数或变量数很多时图面会很拥挤。建议配合使用： 先用 t1-t2 找异常，再用 Biplot 解释结构。
⚠️ 注意事项
- 仅支持有监督模型（PLS / PLS-DA / OPLS / OPLS-DA）——PCA 没有 Y，不提供 Biplot
- 向量只在"解释度较高"的成分上有意义：选择解释率过低的组件时，箭头方向不稳定，结论不可靠
- 数据是否标准化会显著影响向量长度，解读时请结合实际业务判断