核心模型算法详解
星途数据洞察平台的核心能力建立在五大经典多变量统计模型之上：PCA（主成分分析）、PLS（偏最小二乘回归）、 PLS-DA（偏最小二乘判别分析）、OPLS（正交偏最小二乘回归） 和 OPLS-DA（正交偏最小二乘判别分析）。
本章将深入剖析这五种算法的原理、适用场景、数学本质，以及在平台中的具体应用。理解这些模型，将帮助你更好地解读分析结果，做 出更精准的数据决策。
📊 模型家族概览
在深入细节之前，让我们先用一张图看清五者的关系：
┌───────────────────────────────────────────────────────────────────┐
│ 多变量数据分析模型家族 │
├───────────────────────────────────────────────────────────────────┤
│ │
│ ┌──────────────┐ ┌──────────────────────────────────┐ │
│ │ 无监督 │ │ 有监督 │ │
│ │ Unsupervised │ │ Supervised │ │
│ └──────┬───────┘ └───────────────┬──────────────────┘ │
│ │ │ │
│ ▼ ▼ │
│ ┌──────────────┐ ┌──────────────────────┐ │
│ │ PCA │ │ Y 是连续数值？ │ │
│ │ 探索结构 │ └──────────┬───────────┘ │
│ │ 发现模式 │ ┌────┴────┐ │
│ └──────────────┘ ▼ ▼ │
│ 是（回归） 否（分类） │
│ │ │ │
│ ▼ ▼ │
│ ┌──────────────┐ ┌──────────────┐ │
│ │ PLS │ │ PLS-DA │ │
│ └──────┬───────┘ └──────┬───────┘ │
│ │ │ │
│ ▼ ▼ │
│ ┌──────────────┐ ┌──────────────┐ │
│ │ OPLS │ │ OPLS-DA │ │
│ │ 剥离正交噪声 │ │ 剥离正交噪声 │ │
│ └──────────────┘ └──────────────┘ │
│ │
└───────────────────────────────────────────────────────────────────┘一句话总结：
- PCA："数据长什么样？" → 探索内在结构
- PLS："X 如何影响 Y？" → 建立预测关系
- PLS-DA："属于哪一类？" → 进行分类判别
- OPLS："X 如何影响 Y，且把噪声分离出去？" → 更易解读的回归
- OPLS-DA："属于哪一类，且把组内噪声分离出去？" → 更易解读的分类
💡 PLS 与 OPLS 的关系：OPLS 并不是一个"更准"的模型，而是把 X 的变化拆成「与 Y 相关」和「与 Y 无关」两部分，让结果更容易解释。 在预测能力上二者通常接近，选 OPLS 的主要理由是可读性与单预测成分带来的简洁得分图。
🔬 PCA（主成分分析）
什么是 PCA？
PCA（Principal Component Analysis，主成分分析） 是一种无监督的降维技术。它的核心思想是：用更少的新变量（主成分）， 尽可能保留原始数据的大部分信息。
想象你有一组三维数据点，PCA 就是找到一个最佳的二维平面，让这些点投影到平面上后，"散开程度"最大——这样信息损失最小。
上图解读：
- 蓝色点代表原始高维（3D）数据
- 红色平面是 PCA 找到的最佳投影平面（由 PC1 和 PC2 张成）
- 绿色虚线表示数据点投影到平面的过程
- 投影后的红色叉号保留了数据最大方差方向的信息
核心原理
1. 方差即信息
PCA 认为：数据变化越大的方向，包含的信息越多。
- 如果一个变量在所有样本中都差不多（方差小），它就没啥信息量
- 如果变量差异很大（方差大），它就携带了重要信息
2. 主成分的构造
PCA 通过线性变换，将原始的 个相关变量，转换成 个互不相关的新变量（主成分）：
其中：
- 称为主成分（Principal Components）
- 是载荷（Loading），表示原始变量对新成分的贡献
- 各主成分之间互不相关（正交）
3. 主成分的特性
- 第一主成分（PC1）：解释数据方差最大的方向
- 第二主成分（PC2）：在与 PC1 正交的前提下，解释剩余方差最大的方向
- 以此类推...
数学本质（简化版）
PCA 的数学本质是对协方差矩阵进行特征值分解：
- 数据中心化：减去各变量的均值
- 计算协方差矩阵：
- 特征值分解：
- （特征值）：代表该主成分解释的方差大小
- （特征向量）：代表主成分的方向（即载荷）
- 选择主成分：按特征值从大到小排序，取前 个
在平台中的应用
适用场景
- 数据探索：初步了解数据的整体结构和分布
- 异常检测：通过 T² 和 SPE 统计量发现异常样本
- 降维可视化：将高维数据投影到 2D/3D 空间观察
- 去噪：剔除噪声成分，保留主要信号
PCA 得分图示例
下图展示了 PCA 分析的典型得分图（Score Plot），每个点代表一个样本，可以直观看到样本的分布模式和异常点：
如何解读：
- 每个灰点代表一个样本，位置由其在 PC1 和 PC2 上的得分决定
- 椭圆区域表示置信区间（通常为 95%），圈外的点可能是异常样本
- 聚在一起的点表示相似样本，分散的点表示差异较大
平台自动触发条件
当你只配置了 X 变量（没有 Y 变量）时，平台会自动使用 PCA 模型：
只有 X 列 → 自动选择 PCA → 探索数据结构关键输出指标
| 指标 | 含义 | 解读 |
|---|---|---|
| R²X | X 的累计解释率 | 模型解释了 X 多少信息，越接近 1 越好 |
| 累积贡献率 | 前 k 个主成分的解释比例 | 通常取 80%~95% 即可 |
| 载荷（Loading） | 变量与主成分的关系 | 看哪些变量主导了该成分 |
| 得分（Score） | 样本在新坐标系的坐标 | 用于画散点图观察样本分布 |
主成分数的选择
平台通过交叉验证自动选择最优主成分数，但你可以通过 C+1/C-1 手动调整：
- 太少：欠拟合，信息丢失严重
- 太多：过拟合，引入噪声
- 经验法则：当新增成分对 R²X 贡献 < 5% 时可考虑停止
PCA 的优缺点
✅ 优点：
- 无监督，不需要标签数据
- 计算高效，结果可解释
- 有效降维，去除变量间相关性
- 可视化效果好
⚠️ 局限：
- 只关注 X 的方差结构，不考虑 Y
- 对异常值敏感
- 主成分是线性组合，可能缺乏业务含义
- 假设主成分是正交的，实际数据可能不满足
🔗 PLS（偏最小二乘回归）
什么是 PLS？
PLS（Partial Least Squares Regression，偏最小二乘回归） 是一种有监督的回归方法。与 PCA 不同，PLS 在建模时同时考虑 X（特征）和 Y（目标），寻找一个能最好解释两者关系的潜变量空间。
简单说：PCA 问"X 怎么变化"，PLS 问"X 怎么影响 Y"。
上图解读：
- 左侧蓝色框是 X 变量（X1-X5），右侧绿色框是 Y 变量（目标）
- 中间黄色框是提取的潜变量（LV1, LV2），同时解释 X 和 Y
- PLS 的目标是最大化 X 潜变量与 Y 潜变量之间的协方差
- 通过潜变量建立 X → Y 的预测关系
核心原理
1. 同时分解 X 和 Y
PLS 同时对 X 和 Y 进行分解，但要求两者的潜变量（Latent Variables）最大程度相关：
其中：
- ：X 的得分矩阵（与 PCA 的得分类似）
- ：X 的载荷矩阵
- ：Y 的得分矩阵
- ：Y 的载荷矩阵
- ：残差矩阵
2. 最大化协方差
PLS 的核心优化目标是：找到 X 和 Y 的潜变量，使它们的协方差最大。
这意味着 PLS 提取的成分，既要能代表 X 的变化，又要与 Y 密切相关。
3. 迭代提取成分
PLS 通过迭代算法（如 NIPALS）逐个提取潜变量：
- 找到 X 和 Y 协方差最大的方向作为第一对潜变量
- 从 X 和 Y 中扣除已解释的部分（去相关）
- 重复直到提取足够的成分
数学本质（简化版）
PLS 的数学核心是协方差最大化：
- 初始化：从 Y 的某列或随机向量开始
- 迭代优化：
- （从 Y 的得分找 X 的权重）
- （计算 X 的得分）
- （从 X 的得分找 Y 的权重）
- （计算 Y 的得分）
- 收敛后：计算载荷
- 去相关：,
在平台中的应用
适用场景
- 回归预测：建立 X → Y 的预测模型
- 变量筛选：通过 VIP 找出对 Y 影响最大的 X 变量
- 多因变量问题：Y 可以是多列（多响应变量）
- 共线性处理：X 变量高度相关时仍稳定
平台自动触发条件
当你同时配置了 X 变量和 Y 变量，且 Y 是连续数值时：
X + Y（连续值） → 自动选择 PLS → 建立回归模型💡 你也可以在数据配置里手动指定模型类型，在 PCA / PLS / PLS-DA / OPLS / OPLS-DA 之间自由切换。
关键输出指标
| 指标 | 含义 | 解读 |
|---|---|---|
| R²X | X 的累计解释率 | 模型捕获的 X 方差比例 |
| R²Y | Y 的累计解释率 | 模型解释的 Y 变异比例，越高越好 |
| Q²Y | Y 的交叉验证预测能力 | 最关键！反映泛化能力，> 0.5 可接受，> 0.9 优秀 |
| RMSE | 均方根误差 | 预测值与真实值的平均偏差，越小越好 |
| VIP | 变量重要性投影 | > 1 表示重要变量，< 0.5 可忽略 |
潜变量数的选择
平台自动通过交叉验证选择最优潜变量数，原则是：
- Q²Y 达到峰值时的成分数最优
- 如果 R²Y 很高但 Q²Y 低 → 过拟合，需要减少成分
- 如果两者都低 → 欠拟合，可能需要增加成分或检查数据
VIP 分析
VIP（Variable Importance in Projection） 是 PLS 的重要输出，告诉你哪些 X 变量对预测 Y 最重要。
下图展示了 VIP 分析的典型结果，柱状图越高表示该变量对 Y 的影响越大：
如何解读：
- 红色参考线（VIP = 1）是重要变量的阈值
- 高于红线的变量（如示例中的 x3, x5）对 Y 有显著贡献
- 低于红线的变量可考虑剔除以简化模型
VIP 计算公式：
解读标准：
- VIP > 1：重要变量，对 Y 有显著贡献
- 0.5 < VIP < 1：中等重要
- VIP < 0.5：可忽略，考虑剔除
PLS 的优缺点
✅ 优点：
- 同时处理 X 和 Y，预测能力强
- 有效解决多重共线性问题
- 支持多响应变量（Multi-response）
- 提供 VIP 进行变量筛选
- 样本量小于变量数时仍能工作
⚠️ 局限：
- 需要标签数据（Y）
- 模型解释比 PCA 复杂
- 非线性关系建模能力有限
- 对异常值敏感
🎯 PLS-DA（偏最小二乘判别分析）
什么是 PLS-DA？
PLS-DA（Partial Least Squares Discriminant Analysis，偏最小二乘判别分析） 是 PLS 的扩展，专门用于分类问题。当 Y 是类别标签（如"合格/不合格"、"A 类/B 类/C 类"）时，PLS-DA 是你的选择。
简单说：PLS 预测数值，PLS-DA 预测类别。
上图解读：
- 蓝色圆点代表 Class A，橙色方块代表 Class B
- 两类样本在潜变量空间（LV1-LV2）中形成明显分离的簇
- 绿色虚线是决策边界，用于区分两类
- 阴影椭圆表示各类的置信区域，重叠越少分类效果越好
核心原理
1. 将分类问题转化为回归问题
PLS-DA 的巧妙之处在于：将类别标签转换为虚拟变量（Dummy Variables），然后用 PLS 进行回归。
例如，三类问题（A、B、C）转换为：
| 样本 | 原始标签 | Y1(A) | Y2(B) | Y3(C) |
|---|---|---|---|---|
| 1 | A | 1 | 0 | 0 |
| 2 | B | 0 | 1 | 0 |
| 3 | C | 0 | 0 | 1 |
然后对这个多响应 Y 矩阵做标准 PLS。
2. 判别规则
预测时，PLS-DA 输出每个类别的"得分"，样本被分配到得分最高的类别：
3. 可视化优势
PLS-DA 的得分图（Score Plot）天然适合展示分类效果：
- 不同类别的样本应在图中形成分离的簇
- 第一潜变量通常与组间差异最相关
- 第二潜变量展示组内变异
数学本质
PLS-DA 的数学与 PLS 几乎相同，区别在于 Y 矩阵的构造：
- 编码：将类别标签转换为指示矩阵（Indicator Matrix）
- PLS 回归：对 X 和编码后的 Y 进行标准 PLS
- 判别：预测时选择响应值最大的类别
类别编码方式：
- 二分类：Y = 0/1 或 -1/+1
- 多分类：One-hot 编码（每类一列）
在平台中的应用
适用场景
- 二分类：合格/不合格、阳性/阴性、正常/异常
- 多分类：原料分级、产品分型、品种鉴别
- 特征筛选：找出区分不同类别的关键变量
- 生物标志物发现：医学、组学数据分析
平台自动触发条件
当你配置了 X 变量和 Y 变量，且 Y 是类别标签（文本或离散数值）时：
X + Y（类别标签） → 自动选择 PLS-DA → 建立分类模型关键输出指标
| 指标 | 含义 | 解读 |
|---|---|---|
| R²X | X 的累计解释率 | 模型捕获的 X 方差 |
| Accuracy | 分类准确率 | 预测正确的比例，注意类别不平衡时的陷阱 |
| F1 Score | 精确率和召回率的调和平均 | 类别不平衡时比 Accuracy 更可靠 |
| AUC | ROC 曲线下面积 | 区分能力，0.5 随机，1.0 完美，> 0.8 较好 |
| 混淆矩阵 | 预测 vs 真实分类表 | 直观看出哪类容易混淆 |
| VIP | 变量重要性 | 找出区分类别的关键变量 |
分类性能评估
混淆矩阵解读：
下图展示了 PLS-DA 模型的混淆矩阵，直观显示模型在各类别上的预测表现：
如何解读：
- 对角线上的数值（深色）表示正确分类的样本数
- 非对角线数值表示误分类的样本数
- 理想情况下，所有样本应集中在对角线上
混淆矩阵表格形式：
预测
正类 负类
┌─────────┬─────────┐
真实 │ TP │ FN │
正类 │(真阳性) │(假阴性) │
├─────────┼─────────┤
真实 │ FP │ TN │
负类 │(假阳性) │(真阴性) │
└─────────┴─────────┘衍生指标：
- Precision（精确率）： —— 预测为正的有多少是真的
- Recall（召回率）： —— 真的正类有多少被找到
- F1 Score： —— 综合指标
类别不平衡时的陷阱：
如果 95% 样本是 A 类，5% 是 B 类：
- 即使模型全部预测为 A，Accuracy 也有 95%
- 但这对 B 类完全无效！
- 解决方案：看 F1 Score、AUC，或调整类别权重
ROC 与 AUC
ROC 曲线：不同阈值下的真正率 vs 假正率
如何解读：
- 曲线越靠近左上角，模型越好
- 对角线 = 随机猜测
AUC 评判标准：
- AUC = 0.5：随机水平（无区分能力）
- 0.7 ≤ AUC < 0.8：可接受
- 0.8 ≤ AUC < 0.9：良好
- AUC ≥ 0.9：优秀
PLS-DA 的优缺点
✅ 优点：
- 适合高维小样本数据（变量数 > 样本数）
- 处理多重共线性
- 提供可视化（得分图展示类别分离）
- 给出 VIP 筛选判别变量
- 比 LDA（线性判别分析）更稳健
⚠️ 局限：
- 假设类别间边界是线性的
- 对类别不平衡敏感
- 过拟合风险（成分数过多时）
- 需要交叉验证严格评估
🧭 OPLS（正交偏最小二乘回归）
什么是 OPLS？
OPLS（Orthogonal Projections to Latent Structures，正交偏最小二乘） 由 Trygg 与 Wold 于 2002 年提出，是 PLS 的改进解释 版。它的核心思想是：
把 X 的变化拆成两块——「与 Y 相关的预测变异」和「与 Y 无关的正交变异」，只留下前者做预测。
现实中，工业数据里往往混着大量与质量无关的系统性波动：环境温漂、设备老化、批次间基线漂移、仪器状态变化……这些波动 会让 PLS 的成分"跑偏"，得分图上看起来一团乱麻。
OPLS 通过正交信号校正（OSC）先把这些噪声从 X 中剥离，再在干净的数据上做 PLS。
核心原理
1. 把 X 一分为二
OPLS 将 X 的变异分解为两部分：
- （预测变异）：与 Y 相关，携带真正的因果关系，只有一个预测成分
- （正交变异）：与 Y 无关，是系统性噪声，被过滤掉
2. 先过滤，再回归
平台的实现路径是：
原始 X → OPLS 正交校正 → 去噪后的 Z → 在 Z 上做 PLS → 预测 Y- 正交校正：迭代找出与 Y 正交的方向（），计算正交得分 ，并从 X 中扣除
- 得到净信号：重复 N 次后，剩下的就是只含预测信息的
- 建立回归：在 上跑标准 PLS，得到预测模型
其中正交权重由下式迭代求得（ 为 PLS 权重）：
3. ⚠️ 平台中的"组件数"含义（重要）
这是最容易踩坑的一点：
| 模型 | 「组件数 (C+1 / C-1)」的含义 |
|---|---|
| PCA | 主成分个数 |
| PLS / PLS-DA | 潜变量（Latent Variable）个数 |
| OPLS / OPLS-DA | 被剥离的「正交成分」个数 |
💡 为什么？ OPLS 的预测成分永远只有 1 个（这也是它能画出干净单方向得分图的原因）。你在 OPLS 上点 C+1，增加的不是 "预测能力"，而是"多剥离一层噪声"。
因此：OPLS 的 C+1 不应该被理解为"模型变复杂了"，而应理解为"对噪声的过滤更彻底了"。
4. 等效系数（用于 SHAP 与回归系数图）
由于 OPLS 的预测发生在校正后的 Z 空间，要把它还原回原始变量的系数，需要做一次投影变换：
平台内部正是用这个等效系数来绘制回归系数图和计算 SHAP 值，保证解释结果对应的是原始工艺变量，而不是抽象的潜变量。
在平台中的应用
适用场景
- 强噪声工业数据：存在明显基线漂移、环境漂移、批次系统偏差
- 谱学数据：近红外、拉曼、色谱等含散射/基线干扰的数据
- 需要清晰解释的场合：要向工艺/管理层解释"到底哪个变量在起作用"
- 标志物筛选：配合 S-Plot 快速锁定候选标志物
关键输出指标
| 指标 | 含义 | 解读 |
|---|---|---|
| R²X | X 的累计解释率 | 包含预测与正交两部分 |
| R²Y | Y 的累计解释率 | 越高越好 |
| Q²Y | 交叉验证预测能力 | 泛化能力的核心指标，> 0.5 可接受 |
| VIP | 变量重要性 | > 1 为重要变量 |
| S-Plot | 协方差 vs 相关系数 | 右上/左下角的变量为候选标志物 |
专属图表：S-Plot
OPLS 有一个 PLS 没有的"杀手锏"图表——S-Plot：横轴是协方差（贡献大小），纵轴是相关系数（可信度）。落在右上角（正相关） 或左下角（负相关）的变量，既贡献大又稳定，是理想的标志物候选。
详见：S-Plot 标志物图
平台自动触发条件
OPLS 不会自动触发，需要在数据配置中手动选择：
X + Y（连续值） + 手动选择 OPLS → 正交校正后的回归模型OPLS 的优缺点
✅ 优点：
- 解释性强：预测成分唯一，得分图/载荷图单向清晰，不再"一团乱麻"
- 剥离系统噪声：对基线漂移、环境漂移类干扰特别有效
- 保留 PLS 的全部优点：共线性、小样本、多响应都不在话下
- 配套 S-Plot：标志物筛选更直观
⚠️ 局限：
- 预测能力通常不优于 PLS，收益主要在解释性
- 正交成分数需要谨慎选择：剥得太多可能连有用信息一起丢掉
- 正交成分的"业务含义"往往不明确，不要过度解读
- 仍然是线性方法
🧭 OPLS-DA（正交偏最小二乘判别分析）
什么是 OPLS-DA？
OPLS-DA 就是 OPLS 的分类版本：先把类别标签做虚拟变量编码，再用 OPLS 建模。
它在代谢组学、食品真伪鉴别、原料分级等领域几乎是标配，原因很直接——这些场景的数据里，组内噪声往往比组间差异还大。 OPLS-DA 能把组内噪声压下去，让"两类到底分不分得开"这件事变得一目了然。
与 PLS-DA 的核心差异
| 维度 | PLS-DA | OPLS-DA |
|---|---|---|
| 预测成分 | 多个潜变量 | 仅 1 个预测成分 |
| 得分图 | 需挑选 LV1/LV2，可能被噪声带偏 | 单一预测轴，组间分离更直观 |
| 噪声处理 | 无法显式分离 | 显式剥离为正交成分 |
| S-Plot | 可用 | 更适合（推荐用法） |
| 适用数据 | 一般分类数据 | 组内变异大的分类数据 |
判别规则
与 PLS-DA 相同，取响应值最大的类别：
关键输出指标
| 指标 | 含义 | 解读 |
|---|---|---|
| R²X | X 的累计解释率 | 含预测与正交两部分 |
| Accuracy | 分类准确率 | 注意类别不平衡陷阱 |
| F1 Score | 精确率与召回率调和 | 类别不平衡时更可靠 |
| AUC | ROC 曲线下面积 | > 0.8 良好，≥ 0.9 优秀 |
| 混淆矩阵 | 预测 vs 真实 | 看哪一类容易被混淆 |
| S-Plot | 协方差 vs 相关 | 锁定区分两类的标志物 |
平台自动触发条件
X + Y（类别标签） + 手动选择 OPLS-DA → 正交校正后的分类模型OPLS-DA 的优缺点
✅ 优点：
- 组间分离可视化效果显著优于 PLS-DA
- 参数少（只有正交成分数需要调）
- 适合组内变异大的高维数据
⚠️ 局限：
- 过拟合风险更高：正交成分过多时容易"把噪声也学成规律"，必须看 Q² / AUC 反复验证
- 类别不平衡依然敏感
- 仍然是线性边界
🔄 五者的对比与选择
快速选择指南
开始
│
▼
┌─────────────────┐
│ 有 Y 变量吗？ │
└────────┬────────┘
│
┌────────┴─────────┐
▼ ▼
否 是
│ │
▼ ▼
┌─────────────┐ ┌─────────────────┐
│ PCA │ │ Y 是什么类型？ │
│ 探索结构 │ └────────┬────────┘
│ 发现模式 │ │
└─────────────┘ ┌────────┴────────┐
▼ ▼
连续数值 类别标签
│ │
▼ ▼
┌───────────────────┐ ┌───────────────────┐
│ 数据有明显的系统性 │ │ 数据有明显的系统性 │
│ 噪声/基线漂移吗？ │ │ 噪声/基线漂移吗？ │
└─────────┬─────────┘ └─────────┬─────────┘
┌────┴────┐ ┌────┴────┐
▼ ▼ ▼ ▼
否 是 否 是
│ │ │ │
▼ ▼ ▼ ▼
┌──────────┐ ┌────────┐ ┌──────────┐ ┌────────┐
│ PLS │ │ OPLS │ │ PLS-DA │ │ OPLS-DA│
│ 回归预测 │ │解释优先 │ │ 分类判别 │ │分离优先 │
└──────────┘ └────────┘ └──────────┘ └────────┘详细对比表
| 特性 | PCA | PLS | PLS-DA | OPLS | OPLS-DA |
|---|---|---|---|---|---|
| 学习类型 | 无监督 | 有监督 | 有监督 | 有监督 | 有监督 |
| Y 变量 | 不需要 | 连续数值 | 类别标签 | 连续数值 | 类别标签 |
| 主要目的 | 降维、探索 | 回归预测 | 分类判别 | 回归 + 提升解释性 | 分类 + 提升分离度 |
| 优化目标 | X 方差最大 | X-Y 协方差最大 | 类别分离最大 | 预测变异保留、正交剥离 | 预测变异保留、正交剥离 |
| 预测成分数 | k 个主成分 | k 个潜变量 | k 个潜变量 | 固定 1 个 | 固定 1 个 |
| C+1 的含义 | 增加主成分 | 增加潜变量 | 增加潜变量 | 增加正交剥离层数 | 增加正交剥离层数 |
| 关键指标 | R²X | R²Y, Q²Y, RMSE | Accuracy, F1, AUC | R²Y, Q²Y, VIP | Accuracy, F1, AUC |
| 特色图表 | 得分图、载荷图 | 预测图、VIP 图 | ROC、混淆矩阵 | S-Plot、等效系数 | S-Plot、混淆矩阵 |
| 样本要求 | 无限制 | 样本数 > 变量数较好 | 各类别样本均衡较好 | 同 PLS | 同 PLS-DA |
| 主要优势 | 无需标签 | 预测能力强 | 分类标准做法 | 结果易解读 | 组间分离清晰 |
组合使用策略
在实际项目中，这些模型往往组合使用：
场景 1：先探索，后建模
1. PCA 探索数据结构 → 发现异常、了解分布
2. 清洗数据 → 剔除异常样本
3. PLS / PLS-DA（或 OPLS / OPLS-DA）建模 → 建立预测 / 分类模型场景 2：模型诊断
1. PLS 训练模型
2. 用 PCA 思想看得分图 → 检查样本分布
3. 结合 T²/SPE → 识别异常样本场景 3：变量筛选
1. PLS / OPLS 计算 VIP
2. 剔除 VIP < 0.5 的变量
3. OPLS 看 S-Plot → 锁定既贡献大又稳定的标志物
4. 重新建模 → 简化模型、提升泛化场景 4：模型升级（PLS → OPLS）
1. PLS 建模，发现得分图"一团乱麻"、Q² 尚可但不好解释
2. 换成 OPLS → 正交成分剥离系统性噪声
3. 对比 Q²Y：若基本持平且图形明显变清晰 → 采用 OPLS
4. 再看 S-Plot → 找出候选标志物，回到业务验证🛠️ 平台中的建模实践
建模流程
调参技巧
组件数/潜变量数的选择
平台提供 C+1/C-1 按钮手动调整：
| 现象 | 原因 | 解决方案 |
|---|---|---|
| R² 高，Q² 低 | 过拟合 | 减少组件数 |
| R² 和 Q² 都低 | 欠拟合 | 增加组件数 |
| Q² 随组件增加而下降 | 引入噪声 | 选择 Q² 峰值处的组件数 |
⚠️ OPLS / OPLS-DA 注意：这里的"组件数"是正交成分数。判断标准依然是看 Q²Y（或 AUC）——正交成分加多了导致 Q²Y 下降， 就说明开始丢掉有用信息了。
交叉验证设置
- K-Fold：样本量大时使用（默认 7 折，可在系统设置中调整）
- 留一法（LOO）：样本量小时使用
- 随机种子：固定种子保证结果可复现
详见：模型训练设置
模型诊断清单
训练完模型后，按以下清单检查：
通用检查（所有模型）：
- [ ] R²X 是否合理（> 0.5 通常可接受）
- [ ] 得分图是否有明显异常点
- [ ] T²/SPE 是否超限
PLS / OPLS 专项检查：
- [ ] Q²Y > 0.5（最低门槛）
- [ ] R²Y 与 Q²Y 差距 < 0.2（防过拟合）
- [ ] VIP 高的变量是否符合业务常识
- [ ] 预测散点图是否沿对角线分布
PLS-DA / OPLS-DA 专项检查：
- [ ] Accuracy > 0.8（视任务难度而定）
- [ ] F1 Score 合理（类别不平衡时必看）
- [ ] AUC > 0.8
- [ ] 混淆矩阵是否有某类特别差
- [ ] 得分图上类别是否明显分离
OPLS 家族额外检查：
- [ ] 换用 OPLS 后 Q²Y（或 AUC）没有明显下降——否则说明剥掉了有用信息
- [ ] S-Plot 两端的高贡献变量是否与业务认知一致
- [ ] 正交成分数是否过多（通常 1~3 个已足够）
📚 深入阅读
如果你想更深入理解这些算法，推荐以下资源：
经典文献：
- Wold, S. et al. (2001). PLS-regression: a basic tool of chemometrics
- Trygg, J. & Wold, S. (2002). Orthogonal projections to latent structures (O-PLS)
- Bylesjö, M. et al. (2006). OPLS discriminant analysis: combining the strengths of PLS-DA and SIMCA classification
平台相关图表：
- 模型概要 —— 查看模型整体指标
- 得分图 —— 样本分布可视化
- 载荷图 —— 变量贡献分析
- Loading 柱状图 —— 按组件查看 X 载荷/权重
- Biplot 双标图 —— 得分与载荷同图对照
- S-Plot 标志物图 —— OPLS 标志物筛选
- VIP 图 —— 变量重要性排序
- 回归系数图 —— 原始变量方向与大小
- SHAP 分析图 —— 变量贡献的可解释性拆解
- T² 图 —— 模型内异常检测
- SPE 图 —— 模型外异常检测
- ROC 曲线 —— 分类模型评估
💡 总结
| 模型 | 一句话理解 | 什么时候用 |
|---|---|---|
| PCA | 数据长什么样？ | 探索结构、降维、异常检测 |
| PLS | X 如何预测 Y？ | 回归问题、建立预测方程 |
| PLS-DA | 属于哪一类？ | 分类问题、判别分析 |
| OPLS | X 如何预测 Y，噪声在哪？ | 有系统噪声、需要清晰解释的回归 |
| OPLS-DA | 属于哪一类，组内噪声是什么？ | 组内变异大的分类、标志物筛选 |
掌握这五种模型，你就掌握了星途数据洞察平台的核心。记住：模型是工具，业务理解才是灵魂。 好的分析 = 正确的模型 + 干净的 数据 + 深入的领域知识。
祝你的数据探索之旅顺利！🚀