PLS-DA（Partial Least Squares Discriminant Analysis）是一种常用的分类方法，适用于在变量之间存在共线性的高维数据中进行分类。在这篇文章中，我们将使用Python来完成PLS-DA分类分析，通过调用sklearn和matplotlib库，对经典的鸢尾花数据集进行建模、预测和可视化。希望这篇教程能帮助大家深入理解PLS-DA的分析流程。
一、什么是PLS-DA？
PLS-DA是一种基于偏最小二乘法的判别分析技术。不同于传统的PCA（主成分分析），PLS-DA将类别标签引入模型，通过最大化类别之间的差异来优化分类效果，尤其适用于生物信息学和化学数据中的分类任务。
二、准备工作
在进行分析前，我们需要安装scikit-learn和matplotlib库。您可以通过以下命令安装：
pip install scikit-learn matplotlib
三、导入数据和库
我们将使用sklearn库中的datasets模块导入经典的鸢尾花数据集。该数据集包含了三种不同鸢尾花（Setosa、Versicolor、Virginica）的花瓣和花萼长度、宽度，是分类分析的常用数据集。
# 导入所需库
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.cross_decomposition import PLSRegression
from sklearn.metrics import accuracy_score, confusion_matrix
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
导入数据
# 加载iris数据集
iris = datasets.load_iris()
X = iris.data # 特征数据
y = iris.target # 类别标签
target_names = iris.target_names # 类别名称
四、数据预处理
为了提高模型的表现，我们通常需要对数据进行标准化处理，以确保特征的尺度一致。此外，我们将数据集划分为训练集和测试集（70%训练，30%测试）。
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=123)
# 数据标准化
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)
五、构建PLS-DA模型
我们使用PLSRegression类来实现PLS-DA。PLS-DA要求将类别标签转换为哑变量（dummy variables），以适应模型输入要求。
# 将类别标签y转换为哑变量（One-hot编码）
y_train_dummies = pd.get_dummies(y_train).values
y_test_dummies = pd.get_dummies(y_test).values
# 初始化PLS-DA模型并选择成分数
plsda = PLSRegression(n_components=2)
plsda.fit(X_train, y_train_dummies)
在这里，我们将成分数设置为2，以便于后续可视化。成分数的选择可以通过交叉验证来确定。
六、模型预测与评估
# 使用测试集进行预测
y_pred = plsda.predict(X_test)
y_pred_classes = np.argmax(y_pred, axis=1)
# 计算模型的准确率
accuracy = accuracy_score(y_test, y_pred_classes)
print("模型准确率:", round(accuracy * 100, 2), "%")
## 模型准确率: 91.11 %
# 计算混淆矩阵
conf_matrix = confusion_matrix(y_test, y_pred_classes)
print("混淆矩阵:\n", conf_matrix)
## 混淆矩阵:
## [[18 0 0]
## [ 0 10 0]
## [ 0 4 13]]
七、结果可视化
# 提取PLS-DA的成分得分
X_train_scores = plsda.transform(X_train)
# 绘制PLS-DA分类结果
plt.figure(figsize=(10, 6))
for i, target_name in enumerate(target_names):
plt.scatter(X_train_scores[y_train == i, 0],
X_train_scores[y_train == i, 1],
label=target_name)
plt.xlabel("F 1")
plt.ylabel("F 2")
plt.title("PLS-DA plot")
plt.legend()
plt.grid(True)
plt.show()
八、总结
九、完整代码
# 导入所需库
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.cross_decomposition import PLSRegression
from sklearn.metrics import accuracy_score, confusion_matrix
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
# 加载iris数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target
target_names = iris.target_names
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=123)
# 数据标准化
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)
# 将类别标签转换为哑变量
y_train_dummies = pd.get_dummies(y_train).values
y_test_dummies = pd.get_dummies(y_test).values
# 初始化PLS-DA模型
plsda = PLSRegression(n_components=2)
plsda.fit(X_train, y_train_dummies)
# 使用测试集预测
y_pred = plsda.predict(X_test)
y_pred_classes = np.argmax(y_pred, axis=1)
# 模型评估
accuracy = accuracy_score(y_test, y_pred_classes)
print("模型准确率:", round(accuracy * 100, 2), "%")
conf_matrix = confusion_matrix(y_test, y_pred_classes)
print("混淆矩阵:\n", conf_matrix)
# 可视化结果
X_train_scores = plsda.transform(X_train)
plt.figure(figsize=(10, 6))
for i, target_name in enumerate(target_names):
plt.scatter(X_train_scores[y_train == i, 0],
X_train_scores[y_train == i, 1],
label=target_name)
plt.xlabel("F1")
plt.ylabel("F2")
plt.title("PLS-DA plot")
plt.legend()
plt.grid(True)
plt.show()
