|
大神一句話，菜鳥跑半年。我不是大神，但我可以縮短你走彎路的半年~ 就像歌兒唱的那樣，如果你不知道該往哪兒走，就留在這學(xué)點(diǎn)生信好不好~ 這里有豆豆和花花的學(xué)習(xí)歷程，從新手到進(jìn)階，生信路上有你有我！ 大年初三，加油油。 pca走起。 rm(list = ls())選iris來做pca分析示例，是因?yàn)樗姆纸M間有差異，有研究意義 dat <>看下熱圖 pheatmap::pheatmap(dat) pca <>FALSE)圖1：碎石圖：選擇要分析的主成分（一般是前兩個(gè)） fviz_eig(pca, addlabels = TRUE, ylim = c(0, 100)) 圖2：樣本聚類，這是最重要的一張圖。 fviz_pca_ind(pca, label='none', habillage=iris$Species, # Read more: http://www./english/wiki/ggplot2-colors圖3：變量聚類 fviz_pca_var(pca, col.var = 'contrib', # 這個(gè)顏色是根據(jù)變量的貢獻(xiàn)值賦值的圖4：結(jié)合變量和觀測(cè)值，變量太多時(shí)不適用 fviz_pca_biplot(pca, label = 'var', habillage=iris$Species, 圖5：看各原始變量主成分的貢獻(xiàn)率 fviz_contrib(pca, choice = 'var', axes = 1) #只看對(duì)PC1 fviz_contrib(pca, choice = 'var', axes = 2) #只看對(duì)PC2 fviz_contrib(pca, choice = 'var', axes = 1:2) #綜合看PC1+PC2 |
|
|
