Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 173 vistas

    PLS-DA (Artículo)

    Cargado por

    DanielAngelPeñaBohorquez
    Este documento describe el análisis discriminante de mínimos cuadrados parciales (PLS-DA) para clasificar muestras de sedimentos como tóxicas o no tóxicas. Explica los pasos para calibrar y validar modelos de clasificación PLS-DA, incluida la selección de variables latentes, el cálculo de la matriz de confusión y los parámetros de clasificación, y el análisis de residuos y muestras individuales. El objetivo es clasificar correctamente nuevas muestras en sus categorías apro

    Copyright:

    © All Rights Reserved
    Descargue como PPTX, PDF, TXT o lea en línea desde Scribd

    PLS-DA (Artículo)

    Cargado por

    DanielAngelPeñaBohorquez
    173 vistas15 páginas
    Este documento describe el análisis discriminante de mínimos cuadrados parciales (PLS-DA) para clasificar muestras de sedimentos como tóxicas o no tóxicas. Explica los pasos para calibrar y validar modelos de clasificación PLS-DA, incluida la selección de variables latentes, el cálculo de la matriz de confusión y los parámetros de clasificación, y el análisis de residuos y muestras individuales. El objetivo es clasificar correctamente nuevas muestras en sus categorías apro

    Descripción original:

    Regresión de mínimos cuadrados parciales con análisis discriminante

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PPTX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento describe el análisis discriminante de mínimos cuadrados parciales (PLS-DA) para clasificar muestras de sedimentos como tóxicas o no tóxicas. Explica los pasos para calibrar y validar modelos de clasificación PLS-DA, incluida la selección de variables latentes, el cálculo de la matriz de confusión y los parámetros de clasificación, y el análisis de residuos y muestras individuales. El objetivo es clasificar correctamente nuevas muestras en sus categorías apro

    Copyright:

    © All Rights Reserved
    Descargue como PPTX, PDF, TXT o lea en línea desde Scribd
    Descargar como pptx, pdf o txt
    173 vistas15 páginas

    PLS-DA (Artículo)

    Cargado por

    DanielAngelPeñaBohorquez
    Este documento describe el análisis discriminante de mínimos cuadrados parciales (PLS-DA) para clasificar muestras de sedimentos como tóxicas o no tóxicas. Explica los pasos para calibrar y validar modelos de clasificación PLS-DA, incluida la selección de variables latentes, el cálculo de la matriz de confusión y los parámetros de clasificación, y el análisis de residuos y muestras individuales. El objetivo es clasificar correctamente nuevas muestras en sus categorías apro

    Copyright:

    © All Rights Reserved
    Descargue como PPTX, PDF, TXT o lea en línea desde Scribd
    Descargar como pptx, pdf o txt
    Está en la página 1de 15

    Herramientas de clasificación en química.

    Parte 1
    Modelos lineales. PLS-DA

    Daniel Ángel Peña


    Metodología Investigación II

    PLS-DA 1
    Presentación

    PRESENTACIÓN PLS-DA 2
    Abstrac
    The common steps to calibrate and validate classification models based on partial least squares
    discriminant analysis are discussed in the present tutorial. All issues to be evaluated during model
    training and validation are introduced and explained using a chemical dataset, composed of toxic
    and non-toxic sediment samples. The analysis was carried out with MATLAB routines, which are
    available in the ESI† of this tutorial, together with the dataset and a detailed list of all MATLAB
    instructions used for the analysis.

    Resumen
    Los pasos comunes para calibrar y validar modelos de clasificación basados en el análisis
    discriminante de mínimos cuadrados parciales se discuten en el presente tutorial. Todos los
    problemas que se evaluarán durante el entrenamiento y la validación modelo se presentan y
    explican utilizando un conjunto de datos químicos, compuesto de muestras de sedimentos tóxicos
    y no tóxicos. El análisis se llevó a cabo con las rutinas de MATLAB, que están disponibles en el
    ESI † de este tutorial, junto con el conjunto de datos y una lista detallada de todas las
    instrucciones de MATLAB utilizadas para el análisis.

    RESUMEN 3
    1 Análisis discriminante de mínimos cuadrados parciales

    Modelo clasificación
    calibrado, asociado a
    variables cualitativas y
    cuantitativas.
    Técnicas quimiométricas,
    capaces de reconocer la
    pertenencia de una muestra a
    su clase apropiada.
    • Mediciones • Pertenencia
    químicas o categoría
    PLS
    Cuantitativo Cualitativo

    4
    1 Análisis discriminante de mínimos cuadrados parciales
    PLS1
    Variable Y dependiente …n filas (muestra)

    clase)
    …g columnas (inf.
    PLS2 i-th i-th g-th

    Varias variables Y dependientes yig yig 1


    yig yig 0
    +
    Relación
    directa

    …n filas (muestra)

    clase)
    …g columnas (inf.
    i-th i-th g-th

    Variables ycalcig ycalcig ~1


    Latentes
    ycalcig ycalcig ~0

    PLS-- 0 Variables
    Relación
    DA
    Inversa
    independientes

    5
    1 Análisis discriminante de mínimos cuadrados parciales
    2 Datos experimentales 3 Software y código

    Tabla 1. Conjunto de datos: partición tóxicos y no tóxicos

    http://michem.disat.unimib.it/chm/

    2 Datos experimentales & 3 Software y código 6


    4 Análisis exploratorio
    Valores • Diferentes • Iguales
    atípicos

    0 1

    Patrones de Relación
    Probabilidad
    distribución variable-clase

    Fig 1. Diagrama de caja y bigotes a) Datos tratados Fig 2. Clasificación de valores Wilks’ Lambda
    b) Datos no tratados
    4 Análisis exploratorio 7
    5 Selección de variables latentes
    Validación cruzada Persianas-
    venecianas 12 muestras 3
    LV grupos CV 5 grupos CV (a y 10 grupos CV (c
    b) y d)
    Bloques contiguos

    • [1,0,0,1,0,0,1,0,0,1,0,0] • [1,1,1,1,0,0,0,0,0,0,0,0] 2 y 5 LV 2 y 5 LV
    • [0,1,0,0,1,0,0,1,0,0,1,0] • [0,0,0,0,1,1,1,1,0,0,0,0]
    • [0,0,0,1,0,0,0,1,0,0,0,1] • [0,0,0,0,0,0,0,0,1,1,1,1]
    20 y 18% error 20 y 18% error
    12 y 10% No asignado 12 y 10% No asignado
    Persianas-venecianas Bloques contiguos

    LOO CV dejando uno por


    fuera

    Fig 3. Tasa error (a y c) y muestras no asignadas (b y d)

    5 Selección de variables latentes 8


    6 Cálculo y análisis del modelo
    • Sensibilidad • Especificidad

    𝑇𝑃 𝑇𝑁
    (𝑇𝑃 + 𝐹𝑁) (𝐹𝑃 + 𝑇𝑁)

    1-NER

    • NER • ER

    Tabla 2. Matriz confusión del ajuste y CV (5 grupos y 2LV)

    Ejemplo 1. Matriz confusión Tóxico P, No tóxico N Ejemplo 1. Matriz confusión Tóxico P, No tóxico N

    6 Cálculos y análisis del modelo 9


    Tabla 3. Parámetros de clasificación modelo de ajuste y CV
    • Capacidad de • Capacidad de
    reconocimiento de rechazo de
    muestras muestras de clase
    • 0o1 • 0o1

    Especificidad Sensibidad

    No
    • 0.8 < No tóxicos
    tóxico

    Tóxico • 0.2 < Tóxicos

    Fig 4. Curvas ROC y sensibilidad y especificidad


    6 Cálculos y análisis del modelo 10
    7 Análisis de muestras y variables
    • Medida de variación que no se explica con el
    Q
    modelo PLS
    Clases calculadas

    • Es una medida de la variación de cada muestra Tóxico (P) No tóxico (N)


    T2
    dentro del modelo de PLS. Clases Tóxico (P) 842 223
    experimentales
    No tóxico (N) 31 142

    Umbral
    0.258

    Fig . 5 Gráfica de residuos Q vs. Hotelling T2 Fig. 6 Respuesta calculada frente a las muestras de entrenamiento

    7 Análisis de muestras y variables 11


    Variabilidad de datos
    • Posee los promedios más altos
    • 84.17% (LV1) + 12.71% (LV2) que la clase no tóxica.
    =96.88%
    Valores
    Clase tóxica
    • + No tóxicos, - Tóxicos

    Hg,
    Ag, • Bajas concentraciones
    Cd

    As, Ni,
    • Valores absolutos,
    Cr,
    caracterización como
    Zn,
    Tóxicas
    Pb, Cu

    Fig . 7 a) Cargas y puntos 2LV b) Fig . 8 Perfil de promedios clase tóxica


    7 Análisis de muestras y variables 12
    Fig . 9 Regresión coeficientes clases tóxicas Fig . 8 Gráfica de residuos Q vs. Hotelling T2

    7 Análisis de muestras y variables 13


    8 Conclusiones

    • En el presente tutorial, se presentaron y discutieron los pasos comunes para desarrollar y validar los
    modelos de clasificación PLS-DA.
    • Todos los problemas que se evaluaron durante el desarrollo del modelo se presentaron y explicaron
    utilizando un conjunto de datos real, compuesto de muestras de sedimentos tóxicos y no tóxicos,
    descritos por 9 variables químicas.
    • Este análisis se llevó a cabo con las rutinas de MATLAB, que están disponibles en el ESI † de este
    tutorial

    7 Análisis de muestras y variables 14


    Referencias
    1 H. Wold, Estimation of principal components and related models by iterative least squares, in Multivariate
    analysis, ed. P.R. Krishnaiah, Academic Press, New York, 1966.

    2 A. H¨oskuldsson, J. Chemom., 1988, 2, 211–228.


    3 M. Barker and W. S. Rayens, J. Chemom., 2003, 17, 166.
    4 N. F. P´erez, J. Ferr´e and R. Boqu´e, Chemom. Intell. Lab. Syst., 2009, 95, 122.
    5 M. Alvarez-Guerra, D. Ballabio, J. M. Amigo, J. R. Viguri and R. Bro, J. Chemom., 2010, 24, 379.
    6 M. Alvarez-Guerra, D. Ballabio, J. M. Amigo, R. Bro and J. R. Viguri, Environ. Pollut., 2010, 158, 607.
    7 R. W. Kennard and L. A. Stone, Technometrics, 1969, 11, 137.
    8 J. Zupan, M. Novic and I. Ruis´anchez, Chemom. Intell. Lab. Syst., 1997, 38, 1.
    9 E. Marengo and R. Todeschini, Chemom. Intell. Lab. Syst., 1992, 16, 37.
    10 K. V. Mardia, J. T. Kent, J. M. Bibby, Multivariate Analysis, Academic press, London, 1979.
    11 A. Golbraikh and A. Tropsha, J. Mol. Graphics Modell., 2002, 20, 269.

    15

    También podría gustarte