Aritalab:Lecture/Math/PLS/R PLS - Revision history

Adm at 11:16, 17 June 2021

2021-06-17T11:16:31Z

Adm at 08:11, 17 June 2021

2021-06-17T08:11:53Z

Adm at 07:18, 17 June 2021

2021-06-17T07:18:38Z

Adm at 01:25, 19 June 2020

2020-06-19T01:25:21Z

Adm at 01:20, 19 June 2020

2020-06-19T01:20:35Z

Adm at 00:50, 19 June 2020

2020-06-19T00:50:57Z

Adm at 00:20, 19 June 2020

2020-06-19T00:20:26Z

Adm: Created page with ";参考資料 * [http://mevik.net/work/software/pls.html PLSパッケージの解説] ==RによるPLS== Rでは pls パッケージを使います。

 > install.package..."

2013-06-04T07:09:49Z

Created page with ";参考資料 * [http://mevik.net/work/software/pls.html PLSパッケージの解説] ==RによるPLS== Rでは pls パッケージを使います。 <pre> > install.package..."

New page

;参考資料
* [http://mevik.net/work/software/pls.html PLSパッケージの解説]

==RによるPLS==

Rでは pls パッケージを使います。
<pre>
> install.packages("pls")
> library(pls)
</pre>

PLSは共線性を持つ変量が多いデータに適するため、PCAなどで使った iris データでは面白くありません。ここではオリーブオイル 16種（ギリシャ5, イタリア5, スペイン6）の官能試験データを利用します。chemical カテゴリーに Acidity, Peroxide, K232, K270, DK の 5 項目、sensory カテゴリーに yellow, green, brown, glossy, transp, syrup の 6 項目の情報があります。3 軸のchemical 主成分で、6項目の値を予測してみます。

<pre>
> s <- plsr(sensory ~ chemical, ncomp=3, data=oliveoil)
> summary(s)
Data: X dimension: 16 5
Y dimension: 16 6
Fit method: kernelpls
Number of components considered: 3
TRAINING: % variance explained
1 comps 2 comps 3 comps
X 99.59 99.87 100.00
yellow 17.33 47.00 49.48
green 11.64 43.80 45.38
brown 60.41 63.24 68.91
glossy 45.00 51.46 52.98
transp 35.81 45.65 45.96
syrup 57.62 58.80 58.80

</pre>

3軸目では説明能力があまり上がっていないことがわかります。
各項目への一致度や軸のローディングは plot 関数でわかります。

<pre>
> plot(s, ncomp=2, asp=1, line=TRUE)
> plot(s, "loadings", comps=1:2, legendpos = "topleft")
</pre>

@@ Line 30: / Line 30: @@
 * Peroxide 酸化の状態 (EUにおける許容最大値 20)
 * K232, K270, DeltaK オイルに含まれる酸性物質の量 (EUにおける許容最大値それぞれ 2.50, 0.20, 0.01)
-"Sensory" は官能試験のスコアです。どちらも相関の高い軸を持っています。まず産地で色分けするために rownames を数値に変換しておきます。
+"Sensory" は官能試験のスコアです。どちらも相関の高い軸を持っています。まず産地で色分けするために rownames を数値に変換しておきます。pairsというコマンドは列の組み合わせ全てについて散布図を作るコマンドです。
 <pre>
 > label <- unclass(as.factor(substring(rownames(oliveoil),1,1)))
-> mat <- as.data.frame(matrix(oliveoil$chemical, 16, 5))
+> pairs(oliveoil$chemistry, pch=21, bg=label)
-> plot(mat, pch=21, bg=label)
+> pairs(oliveoil$sensory, pch=21, bg=label)
 </pre>

@@ Line 33: / Line 33: @@
 <pre>
 > label <- unclass(as.factor(substring(rownames(oliveoil),1,1)))
-> plot(oliveoil$chemical, pch=21, bg=label)
+> mat <- as.data.frame(matrix(oliveoil$chemical, 16, 5))
 </pre>

@@ Line 32: / Line 32: @@
 "Sensory" は官能試験のスコアです。どちらも相関の高い軸を持っています。まず産地で色分けするために rownames を数値に変換しておきます。
 <pre>
-> label <- unclass(type.convert(substring(rownames(oliveoil),1,1)))
+> label <- unclass(as.factor(substring(rownames(oliveoil),1,1)))
 > plot(oliveoil$chemical, pch=21, bg=label)
 </pre>

@@ Line 26: / Line 26: @@
 </pre>
 ここではオリーブオイル 16種（ギリシャ5, イタリア5, スペイン6）のデータを利用します。chemical カテゴリーに Acidity, Peroxide, K232, K270, DK の 5 項目、sensory カテゴリーに yellow, green, brown, glossy, transp, syrup の 6 項目の情報があります。
 "Chemical" はオイルの品質基準で，いずれも低い方がよいとされます。
 * Acidity 脂肪酸の割合 (EUにおける許容最大値 0.80)
@@ Line 38: / Line 37: @@
 [[File:oliveoilChemicalPairsR.png|250px]] [[File:oliveoilSensoryPairsR.png|250px]]
 軸のchemical 主成分で、6項目の値を予測してみます。
 <pre>
 > s <- plsr(sensory ~ chemical, ncomp=3, data=oliveoil)
@@ Line 58: / Line 54: @@
 transp    35.81    45.65    45.96
 syrup     57.62    58.80    58.80
 </pre>
 軸目では説明能力があまり上がっていないことがわかります。Root Mean Square Error Prediction (RMSEP) を，plot 関数で図示します。Yellow, green が2軸目でうまく予測できるようです。
 <pre>
@@ Line 66: / Line 60: @@
 </pre>
 各項目の予測精度や軸の成分も plot 関数でわかります。AcidityとPeroxideで多くが説明できるようです。
 <pre>
-> plot(s, ncomp=2, line=TRUE)
+> plot(s, ncomp=2, line=TRUE, pch=21, bg=label)
 > plot(s, "loadings", comps=1:3)
-> plot(s, "scores", comps=1:2)
+> plot(s, "scores", comps=1:2, pch=21, bg=label)
 </pre>

@@ Line 31: / Line 31: @@
 * Peroxide 酸化の状態 (EUにおける許容最大値 20)
 * K232, K270, DeltaK オイルに含まれる酸性物質の量 (EUにおける許容最大値それぞれ 2.50, 0.20, 0.01)
-"Sensory" は官能試験のスコアです。どちらも相関の高い軸を持っています。
+"Sensory" は官能試験のスコアです。どちらも相関の高い軸を持っています。まず産地で色分けするために rownames を数値に変換しておきます。
 [[File:oliveoilChemicalPairsR.png|250px]] [[File:oliveoilSensoryPairsR.png|250px]]

@@ Line 5: / Line 5: @@
 Rでは pls パッケージを使います。
 <pre>
 > install.packages("pls")
 > library(pls)
 </pre>
-PLSは共線性を持つ変量が多いデータに適するため、PCAなどで使った iris データでは面白くありません。ここではオリーブオイル 16種（ギリシャ5, イタリア5, スペイン6）の官能試験データを利用します。chemical カテゴリーに Acidity, Peroxide, K232, K270, DK の 5 項目、sensory カテゴリーに yellow, green, brown, glossy, transp, syrup の 6 項目の情報があります。3 軸のchemical 主成分で、6項目の値を予測してみます。
+軸のchemical 主成分で、6項目の値を予測してみます。
 <pre>