主成分分析（PCA）如何计算方差解释率
我们常看到的PCA图中，每个成分都对应了每个特征方差贡献率。通常，求得了PCA降维后的特征向量，我们就可以绘图，但各个维度的方差解释率没有得到，就无法获得PC坐标的百分比。
（文...
我们常看到的PCA图（如下）中，每个成分都对应了每个特征方差贡献率。通常，求得了PCA降维后的特征向量，我们就可以绘图，但各个维度的方差解释率没有得到，就无法获得PC坐标的百分比。
（文章链接：https://doi.org/10.1038/s41467-021-23879-2）
方差解释率计算方式（以R为例）
1.方差已知
若通过plink，GCTA等软件计算pca值，会获得eigenvec和eigenval两个文件，前者记录特征向量，用于绘图；后者记录特征方差，用来计算每个PC所占的比重。计算方式其实就是将各个特征值（方差）大小除以求和的总特征值就得到了各个特征贡献性占比。
eigval <- read.table("snp.gcta.eigenval", header = F)
percentage <- eigval$V1/sum(eigval$V1)*100 #文件第一列为特征方差
2.方差未知
根据特征向量计算出来，先计算标准差，进而计算特征方差。
sdev<- apply(pca.scores,2,sd) #根据特征向量计算标准差，pca.scores为特征向量 percentage <- pca$sdev^2/sum(pca$sdev^2)*100 #手动计算方差解释率
参考 https://www.jianshu.com/p/ede680988692
https://github.com/Wanyi-Huang/PCA2normal_format.R
- 发表于 2022-09-02 11:05
- 阅读 ( 7399 )
- 分类：遗传进化
