GMSB文章五：微生物组差异分析ANCOMBC-2

已于 2024-06-27 13:29:35 修改
阅读量1k 收藏 24
点赞数 29
分类专栏： 复现文章 文章标签： 数据分析 r语言
于 2024-06-27 11:41:14 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/H20230717/article/details/140009434
版权

欢迎大家关注全网生信学习者系列：

  • WX公zhong号：生信学习者
  • Xiao hong书：生信学习者
  • 知hu：生信学习者
  • CDSN：生信学习者2

介绍

微生物的物种差异分析是一项关键的生物信息学任务，旨在识别不同生物群落或样本组之间在物种组成上的差异。这种分析对于理解微生物群落的结构、功能以及它们在不同环境或宿主状态下的作用至关重要。考虑到微生物数据的特定特点，例如稀疏性、样本间抽样分数的差异等，传统的统计方法可能不足以准确揭示组间的微生物差异。

ANCOMBC-2（Analysis of Compositions of Microbiomes with Bias Correction 2）算法是针对这些挑战而设计的，它提供了一种有效的方法来识别微生物组数据中的组间标记物。

加载R包

library(readr)
library(openxlsx)
library(tidyverse) 
library(ggpubr)
library(ANCOMBC)
library(SingleCellExperiment)
library(DT)
library(phyloseq)
# BiocManager::install("microbiome")
library(microbiome)
# BiocManager::install("mia")
library(mia)

导入数据

大家通过以下链接下载数据：

  • 百度网盘链接：https://pan.baidu.com/s/1fz5tWy4mpJ7nd6C260abtg
  • 提取码: 请关注WX公zhong号_生信学习者_后台发送 复现gmsb 获取提取码
# OTU table
otu_table <- read_tsv("./data/GMSB-data/otu-table.tsv")

# Taxonomy table
tax <- read_tsv("./data/GMSB-data/taxonomy.tsv")

# Metadata
meta_data <- read_csv("./data/GMSB-data/df_v1.csv")

数据预处理

  • Data cleaning：数据清洗

  • Phyloseq object：生成phyloseq数据对象

  • aggregate_taxa：累加genus/species丰度

  • TreeSummarizedExperiment：生成TreeSummarizedExperiment数据对象

# Data cleaning
## Generate a combined OTU/taxonomy table 
combined_table <- otu_table %>%
  dplyr::left_join(
    tax %>%
      dplyr::select(`Feature ID`, Taxon),
    by = join_by(`#OTU ID` == `Feature ID`)
  )

## Clean the otu table
otu_id <- otu_table$`#OTU ID`
otu_table <- data.frame(otu_table[, -1], check.names = FALSE, row.names = otu_id)

## Clean the taxonomy table
otu_id <- tax$`Feature ID`
tax <- data.frame(tax[, - c(1, 3)], row.names = otu_id)
tax <- tax %>% 
  tidyr::separate(col = Taxon, 
           into = c("Kingdom", "Phylum", "Class", "Order", 
                    "Family", "Genus", "Species"),
           sep = ";") %>%
  dplyr::rowwise() %>%
  dplyr::mutate_all(function(x) strsplit(x, "__")[[1]][2]) %>%
  dplyr::mutate(Species = ifelse(!is.na(Species) & !is.na(Genus),
                          paste(ifelse(strsplit(Genus, "")[[1]][1] == "[",
                                       strsplit(Genus, "")[[1]][2],
                                       strsplit(Genus, "")[[1]][1]), Species, sep = "."),
                          NA)) %>%
  dplyr::ungroup()
tax <- as.matrix(tax)
rownames(tax) <- otu_id
tax[tax == ""] <- NA

## Clean the metadata
meta_data$status <- factor(meta_data$status, levels = c("nc", "sc"))
meta_data$time2aids <- factor(meta_data$time2aids,
                             levels = c("never", "> 10 yrs",
                                        "5 - 10 yrs", "< 5 yrs"))

# Phyloseq object
OTU <- phyloseq::otu_table(otu_table, taxa_are_rows = TRUE)
META <- phyloseq::sample_data(meta_data)
phyloseq::sample_names(META) <- meta_data$sampleid
TAX <- phyloseq::tax_table(tax)
otu_data <- phyloseq::phyloseq(OTU, TAX, META)
otu_data <- phyloseq::subset_samples(otu_data, group1 != "missing")

# aggregate_taxa abundance
genus_data <- microbiome::aggregate_taxa(otu_data, "Genus")
species_data <- microbiome::aggregate_taxa(otu_data, "Species")

# TreeSummarizedExperiment object
tse <- mia::makeTreeSummarizedExperimentFromPhyloseq(otu_data)

tse

class: TreeSummarizedExperiment 
dim: 6111 241 
metadata(0):
assays(1): counts
rownames(6111): 000e1601e0051888d502cd6a535ecdda 0011d81f43ec49d21f2ab956ab12de2f ...
  fff3a05f150a52a2b6c238d2926a660d fffc6ea80dc6bb8cafacbab2d3b157b3
rowData names(7): Kingdom Phylum ... Genus Species
colnames(241): F-163 F-165 ... F-382 F-383
colData names(45): sampleid subjid ... hbv hcv
reducedDimNames(0):
mainExpName: NULL
altExpNames(0):
rowLinks: NULL
rowTree: NULL
colLinks: NULL
colTree: NULL

Primary group at species level

  1. Number of stool samples 241,

  2. Number of taxa 128.

使用 ANCOMBC-2算法对Primary group分组间微生物species水平进行差异分析。ANCOMBC-2（Analysis of Compositions of Microbiomes with Bias Correction 2）是一种用于微生物组数据差异丰度分析的方法。它的核心原理是估计未知的抽样分数并纠正由样本间抽样分数的差异引起的偏差。以下是关于ANCOMBC-2算法原理的详细解释：

  1. 抽样分数的概念：抽样分数定义为一个随机样本中分类单元的预期绝对丰度与其在生态系统单位体积样本来源中的绝对丰度的比率。由于不同样本可能有不同的抽样分数，这会导致观察到的计数在样本间不可比。
  2. 绝对丰度和相对丰度：绝对丰度数据使用线性回归框架建模，而相对丰度的变化会影响所有物种的相对丰度。ANCOMBC-2方法考虑到了这一点，并在分析中进行了适当的处理。
  3. 偏差校正：ANCOMBC-2算法估计并校正由样本间抽样分数差异引起的偏差。这包括样本库大小的标准化和微生物载量的差异考虑。
  4. 统计检验：ANCOMBC-2提供具有适当p值的统计有效检验，为每个分类单元的差异丰度提供置信区间，并控制错误发现速率（FDR），同时保持足够的统计检验力。
  5. 算法实现：ANCOMBC-2在计算上易于实现，并且可以应用于跨截面和重复测量数据。它支持两组比较、连续协变量测试和多组比较，包括全局检验、成对方向检验、Dunnett类型检验和趋势检验。
  6. 数据输入和输出：ANCOMBC-2需要输入数据集和相应的模型公式，输出包括log fold changes、标准误差、W统计量、p值和调整后的p值等，以及是否通过敏感性分析的标志。
  7. 结构零的处理：ANCOMBC-2可以识别和处理结构零，即在某些组中完全或几乎完全缺失的计数。这有助于更准确地识别差异丰度的分类单元。
if (file.exists("./data/GMSB-data/rds/primary_ancombc2_species.rds")) {
  primary_ancombc2_species_output <- readRDS("./data/GMSB-data/rds/primary_ancombc2_species.rds")
} else {
primary_ancombc2_species_output <- ancombc2(
  data = tse, 
  assay_name = "counts", 
  tax_level = "Species",
  fix_formula = "group1 + abx_use", 
  rand_formula = NULL,
  p_adj_method = "BY",
  prv_cut = 0.10, 
  lib_cut = 1000, 
  s0_perc = 0.05,
  group = "group1", 
  struc_zero = TRUE, 
  neg_lb = TRUE,
  alpha = 0.05, 
  n_cl = 8, 
  verbose = TRUE,
  global = TRUE, 
  pairwise = TRUE, 
  dunnet = TRUE,
  trend = TRUE,
  iter_control = list(tol = 1e-2, max_iter = 20, verbose = TRUE),
  em_control = list(tol = 1e-5, max_iter = 100),
  lme_control = lme4::lmerControl(),
  mdfdr_control = list(fwer_ctrl_method = "holm", B = 100),
  trend_control = list(contrast = list(matrix(c(1, 0, 0,
                                                -1, 1, 0,
                                                0, -1, 1),
                                              nrow = 3, byrow = TRUE),
                                       matrix(c(-1, 0, 0,
                                                1, -1, 0,
                                                0, 1, -1),
                                              nrow = 3, byrow = TRUE)),
                                       node = list(3, 3),
                                       solver = "ECOS",
                                       B = 1000))
if (!dir.exists("./data/GMSB-data/rds/")) {
  dir.create("./data/GMSB-data/rds/", recursive = TRUE)
}
saveRDS(primary_ancombc2_species_output, "./data/GMSB-data/rds/primary_ancombc2_species.rds")
}

结果：该运行时间较久，需要耐心等待。它的输出结果有：

  • “feature_table”：微生物相对丰度表。

  • “bias_correct_log_table”：校正后的微生物相对丰度表。

  • “ss_tab”：伪计数的灵敏度分数加到0表。

  • “zero_ind”：一个带有TRUE的逻辑数据框架，表示检测到分类单元在某些特定组中包含结构零。

  • “samp_frac”：在对数尺度(自然对数)中估计抽样分数的数值向量。

  • “delta_em”：通过E-M算法估计样本特异性偏差。

  • “delta_wls”：通过加权最小二乘(WLS)算法估计样本特异性偏差。

  • “res”：ANCOM-BC2初步结果。

  • “res_global”：包含在组中指定的变量的ANCOM-BC2全局测试结果。

  • “res_pair”：包含组中指定变量的ANCOM-BC2成对定向测试结果。

  • “res_dunn”：包含ANCOM-BC2 Dunnett对组中指定变量的测试结果类型。

  • “res_trend”：包含组中指定变量的ANCOM-BC2趋势测试结果。

Bias-corrected abundances

校正后的微生物相对丰度表

bias_correct_log_table <- primary_ancombc2_species_output$bias_correct_log_table %>%
  rownames_to_column("species")

head(bias_correct_log_table[, 1:6])
speciesF-163F-165F-167F-169F-171
1Family:ErysipelotrichaceaeNANA0.10357480.9222244NA
2Family:Ruminococcaceae0.49334030.01388809-1.1668849-0.4247566-0.1908075
3Species:P.distasonisNANANANANA
4Order:Clostridiales-2.77874780.35236697-0.59616250.4586303-0.2076693
5Genus:AcidaminococcusNA0.93924557NANA-0.5058925
6Genus:DehalobacteriumNANANANANA

Structural zeros

检测到分类单元在某些特定组中包含结构零。

在微生物组数据分析中，“Structural zeros”（结构性零）是一个重要的概念，它指的是在某些样本中完全或几乎完全缺失的计数，这可能反映了样本中某些分类单元的真实生物学缺失，而不是由于技术或抽样误差造成的。结构性零与随机零（偶然由于抽样或测序深度不足而出现的零）不同，后者可能不代表实际的生物学状态。

结构性零的存在可能会对差异丰度分析产生显著影响，因为它们可能指示某些分类单元在特定条件下的存在或缺失，这对于理解微生物群落的生态和功能至关重要。然而，如果不正确地处理这些结构性零，可能会导致错误的生物学解释或分析结果。

tab_zero <- primary_ancombc2_species_output$zero_ind
zero_total <- rowSums(tab_zero[, -1])
idx <- which(!zero_total %in% c(0, 4))

df_zero <- tab_zero[idx, ] %>%
  pivot_longer(cols = -taxon, names_to = "group", values_to = "value")
df_zero$group <- recode(df_zero$group, 
                       `structural_zero (group1 = g1)` = "G1",
                       `structural_zero (group1 = g2)` = "G2",
                       `structural_zero (group1 = g3)` = "G3",
                       `structural_zero (group1 = g4)` = "G4")

df_zero %>% ggplot(aes(x = taxon, y = group, fill = value)) +
  geom_tile(color = "white") +
  scale_fill_manual(name = "Absence", values = c("blue", "red")) +
  theme_minimal() +
  labs(x = NULL, y = NULL) +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

结果：可以看到不同微生物在不同分组的结构零是不一样的。

ANCOM-BC2 trend test

ANCOM-BC2初步结果:

  • lfc: log fold changes obtained from the ANCOM-BC2 log-linear (natural log) model.

  • se: standard errors (SEs) of lfc.

  • W: test statistics. W = lfc/se.

  • p: p-values. P-values are obtained from two-sided Z-test using the test statistic W.

  • q: adjusted p-values. Adjusted p-values are obtained by applying p_adj_method to p.

  • diff: TRUE if the taxon is significant (has q less than alpha).

  • passed_ss: TRUE if the taxon passed the sensitivity analysis, i.e., adding different pseudo-counts to 0s would not change the results.

#| warning: false
#| message: false

res_trend <- primary_ancombc2_species_output$res_trend %>%
  dplyr::rowwise() %>%
  dplyr::filter(grepl("Species:", taxon)|grepl("Genus:", taxon)) %>%
  dplyr::mutate(taxon = ifelse(grepl("Genus:", taxon), 
                        paste(strsplit(taxon, ":")[[1]][2], "spp."),
                        strsplit(taxon, ":")[[1]][2])) %>%
  dplyr::ungroup() %>%
  dplyr::filter(p_val < 0.05) %>%
  dplyr::arrange(taxon)

# addWorksheet(wb, "group_species")
# writeData(wb, "group_species", res_trend)

df_fig_group <- res_trend %>%
  dplyr::transmute(taxon, 
            fc2 = round(exp(lfc_group1g2), 2), 
            fc3 = round(exp(lfc_group1g3), 2),
            fc4 = round(exp(lfc_group1g4), 2),
            p_val, q_val, passed_ss) %>%
  tidyr::pivot_longer(fc2:fc4, names_to = "group", values_to = "value") %>%
  dplyr::mutate(color = ifelse(q_val < 0.05, "seagreen", "black")) %>%
  dplyr::arrange(desc(color))
df_fig_group$group <- recode(df_fig_group$group, `fc2` = "G2", 
                            `fc3` = "G3", `fc4` = "G4")

head(df_fig_group[, 1:6])
taxonp_valq_valpassed_ssgroupvalue
B.uniformis00FALSEG20.80
B.uniformis00FALSEG30.41
B.uniformis00FALSEG40.35
Bacteroides spp.00FALSEG20.71
Bacteroides spp.00FALSEG30.52
Bacteroides spp.00FALSEG40.25

结果：G1组作为Reference group进行多组ANCOMBC-2分析。

HIV-1 infection status at species level

使用ANCOMBC-2算法对HIV-1 infection status分组间微生物species水平进行差异分析。

if (file.exists("./data/GMSB-data/rds/status_ancombc2_species.rds")) {
  status_ancombc2_species_output <- readRDS("./data/GMSB-data/rds/status_ancombc2_species.rds")
} else {

set.seed(123)
status_ancombc2_species_output <- ancombc2(
  data = tse, 
  assay_name = "counts", 
  tax_level = "Species",
  fix_formula = "status + abx_use", 
  rand_formula = NULL,
  p_adj_method = "BY", 
  prv_cut = 0.10, 
  lib_cut = 1000, 
  s0_perc = 0.05,
  group = "status", 
  struc_zero = TRUE, 
  neg_lb = TRUE,
  alpha = 0.05, 
  n_cl = 4, 
  verbose = TRUE)

if (!dir.exists("./data/GMSB-data/rds/")) {
  dir.create("./data/GMSB-data/rds/", recursive = TRUE)
}
saveRDS(status_ancombc2_species_output, "./data/GMSB-data/rds/status_ancombc2_species.rds")
}

ANCOM-BC2 trend test

ANCOM-BC2初步结果:

  • lfc: log fold changes obtained from the ANCOM-BC2 log-linear (natural log) model.

  • se: standard errors (SEs) of lfc.

  • W: test statistics. W = lfc/se.

  • p: p-values. P-values are obtained from two-sided Z-test using the test statistic W.

  • q: adjusted p-values. Adjusted p-values are obtained by applying p_adj_method to p.

  • diff: TRUE if the taxon is significant (has q less than alpha).

  • passed_ss: TRUE if the taxon passed the sensitivity analysis, i.e., adding different pseudo-counts to 0s would not change the results.

res_prim <- status_ancombc2_species_output$res %>%
  dplyr::rowwise() %>%
  dplyr::filter(grepl("Species:", taxon)|grepl("Genus:", taxon)) %>%
  dplyr::mutate(taxon = ifelse(grepl("Genus:", taxon), 
                        paste(strsplit(taxon, ":")[[1]][2], "spp."),
                        strsplit(taxon, ":")[[1]][2])) %>%
  dplyr::ungroup() %>%
  dplyr::filter(p_statussc < 0.05) %>%
  dplyr::arrange(taxon)

# addWorksheet(wb, "status_species")
# writeData(wb, "status_species", res_prim)

df_fig_status <- res_prim %>%
  dplyr::transmute(taxon, 
            group = "Case - Ctrl",
            value = round(exp(lfc_statussc), 2), # exp 函数用于计算自然指数函数的值
            p_statussc, q_statussc, passed_ss_statussc) %>%
  dplyr::mutate(color = ifelse(q_statussc < 0.05, "seagreen", "black")) %>%
  dplyr::arrange(desc(color))

head(df_fig_status[, 1:6])
taxongroupvaluep_statusscq_statusscpassed_ss_statussc
B.caccaeCase - Ctrl0.601.368037e-040.0087267603TRUE
B.eggerthiiCase - Ctrl0.533.197272e-060.0004079102FALSE
C.spiroformeCase - Ctrl1.788.546400e-060.0009086300FALSE
Dehalobacterium spp.Case - Ctrl1.623.399664e-050.0027108225FALSE
E.cylindroidesCase - Ctrl0.576.152982e-050.0043611222FALSE
Methanosphaera spp.Case - Ctrl0.502.197275e-060.0003504125FALSE

可视化

对上述两个差异分析的ANCOM-BC2 trend test进行可视化。比较两者共有的微生物在两亚组分析的结果。

# Overlapped taxa
set1 <- base::sort(base::intersect(unique(df_fig_group$taxon), unique(df_fig_status$taxon)))
# Unique taxa
set2 <- base::sort(base::setdiff(unique(df_fig_group$taxon), set1))
set3 <- base::sort(base::setdiff(unique(df_fig_status$taxon), set1))

# ANCOM-BC2 trend test results by group
df_fig_group$taxon <- factor(df_fig_group$taxon, levels = c(set1, set2))
distinct_df <- df_fig_group %>% 
  dplyr::select(taxon, color) %>% 
  dplyr::distinct()
tax_color <- setNames(distinct_df$color, distinct_df$taxon)[c(set1, set2)]

cell_max <- max(abs(df_fig_group$value))
fig_group_species <- df_fig_group %>%
  ggplot(aes(x = group, y = taxon, fill = value)) +
  geom_tile(color = "black") +
  scale_fill_gradient2(low = "blue", high = "red", mid = "white",
                       na.value = "white", midpoint = 1,
                       limit = c(0, cell_max), name = NULL) +
  geom_text(aes(group, taxon, label = value), color = "black", size = 4) +
  labs(x = NULL, y = NULL, title = NULL) +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5),
        axis.text.y = element_text(color = tax_color))

# ANCOM-BC2 trend test results by status
df_fig_status$taxon <- factor(df_fig_status$taxon, levels = c(set1, set3))
distinct_df <- df_fig_status %>% 
  dplyr::select(taxon, color) %>% 
  dplyr::distinct()
tax_color <- setNames(distinct_df$color, distinct_df$taxon)[c(set1, set3)]

cell_max <- max(abs(df_fig_status$value))
fig_status_species <- df_fig_status %>%
  ggplot(aes(x = group, y = taxon, fill = value)) +
  geom_tile(color = "black") +
  scale_fill_gradient2(low = "blue", high = "red", mid = "white",
                       na.value = "white", midpoint = 1,
                       limit = c(0, cell_max), name = NULL) +
  geom_text(aes(group, taxon, label = value), color = "black", size = 4) +
  labs(x = NULL, y = NULL, title = NULL) +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5),
        axis.text.y = element_text(color = tax_color))

p_da <- ggarrange(
  fig_group_species, fig_status_species, 
  ncol = 2, nrow = 1,
  common.legend = TRUE, 
  legend = "right", labels = c("a", "b"))

p_da

结果：物种在两个分类变量的差异分析结果。

  • 数字表示lfc的自然指数函数的值；

  • 颜色表示数字从0到2.5渐变，0到1表示lfc是负数，大于1表示lfc是正数；

  • 0到1下调，大于1表示上调。

保存数据

# if (!dir.exists("./data/GMSB-data/rds/")) {
#   dir.create("./data/GMSB-data/rds/", recursive = TRUE)
# }
# 
# saveRDS(primary_ancombc2_species_output, "./data/GMSB-data/rds/primary_ancombc2_species.rds")
# saveRDS(status_ancombc2_species_output, "./data/GMSB-data/rds/status_ancombc2_species.rds")
生信学习者2
关注
  • 29
    点赞
  • 踩
  • 24
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
数据分析：微生物组差异丰度方法汇总
H20230717的博客
06-17 1238
微生物组差异丰度方法汇总
数据分析：多种差异分析方法识别微生物标记物
H20230717的博客
02-06 1275
三种差异分析方法筛选出来的物种（以lefse作为基准）的交集相对较多（高于50%）。三种差异方法，Maaslin2方法相对最严苛，筛选出的差异物种较少，而lefse和ANCOM-BC则筛选出较多物种。lefse没有考虑到多重检验校正，ANCOM-BC使用零膨胀以及校正样本间差异方法，这导致了更多差异物种被识别出来。需要注意点是，从后面单个物种的箱线图能看出，需要对物种出现率进行严格的过滤，可避免出现低出现率物种被识别出来（根据研究目的选择恰当的过滤参数）。
GMSB文章一：介绍
H20230717的博客
06-25 785
GMSB文章一：介绍
Nature综述: 宏基因组关联分析-深入研究微生物组
刘永鑫的博客——宏基因组公众号
09-25 7466
本文由谢忠杰编译，董小橙、江舜尧编辑，本文较长，建议用电脑阅读。“微生太”原创微文，转载已获授权。导读问题1：哪些疾病与人体微生物明确相关？问题2：如何研究人体微生物与健康的关系？宏基因...
LiDSiM:微生物检测模拟的限制-开源
04-29
LiDSiM是一种工具，用于在微生物蛋白质组的MS / MS研究中，估计容错数据库搜索和蛋白质组学方法对未识别光谱的数量以及已鉴定光谱的分类关系比率的可能影响。 有关LiDSiM及其功能的更多详细信息，请参阅“估计微生物...
微生物大数据分析与实践--微生物组学常用分析软件
09-23
中国科学院微生物研究所所级课程《微生物大数据分析与实践》 主讲老师：胡松年 研究员 ， 贺子龙 副研究员
Epi-Gene:轻松处理微生物基因组-开源
06-28
Epi Gene 可以将整个基因组分为核心基因、附属基因和独特基因 3 类。 它可以构建两种类型的泛矩阵 (i) 基于基因的缺失和存在的二进制泛矩阵。 (ii) 基于序列身份的 Panmatrix。 二元泛矩阵将用于构建 UPMGA 树和热图...
miaViz:微生物组分析绘图和可视化
03-19
微生物组分析绘图和可视化 该软件包的范围是微生物组数据的绘制和可视化。接口的主要类是TreeSummarizedExperiment类。 贡献 随意通过分叉和打开拉取请求来做出贡献。请确保将所需的数据整理设计为尽可能可重用，并...
Microbiome-Diversity-Inspector:微生物组多样性检查器-用于可视化分析微生物组数据的平台
05-12
这个项目的目的当前，正在采取许多大规模且具有开创性的举措来分析来自全球不同环境的微生物组数据，以发现微生物组世界中存在的有趣秘密。 微生物组多样性检查器可用于强调不同地区发现的各种材料中微生物组群落的...
每天一个数据分析题（三百九十六）- 回归分析
shiguangre的博客
06-28 200
内容涵盖Python，SQL，统计学，数据分析理论，深度学习，可视化，机器学习，Spark八个方向的专项练习题库，数据分析从业者刷题必备神器！C. 可用岭回归或Lasso回归降低多重共线性对回归结果的影响。D. 存在多重共线性的变量所求参数将有可能变得不显著。如果回归分析中存在多重共线性，下列说法错误的是（ ）。A. 所求出的参数的含义将变得不合理。B. 不会影响模型的预测结果。
boston房价预测--机器学习Boston数据分析
2301_76574743的博客
06-24 387
1.采用散点图绘制相关性。4.Lasso回归分析。
boss直聘招聘数据可视化分析
lyccomcn的博客
06-26 115
这里主要对薪水列进行处理，为方便处理，将日薪和周薪的数据删除，将带有13薪和14薪的数据也删除，计算出最低薪资、最高薪资和平均薪资三列。
Python商务数据分析知识专栏（三）——Python数据分析的应用①Matplotlib数据可视化基础
wen的博客
06-28 132
Python商务数据分析知识专栏（三）——Python数据分析的应用①Matplotlib数据可视化基础
数据分析第十三讲：数据可视化入门（二）
weixin_46863529的博客
06-20 749
- 高阶图表 - 气泡图 - 面积图 - 雷达图 - 玫瑰图 - 3D图表
【数据分析“三剑客”】—— NumPy
最新发布
dao_cao_renshuai的博客
06-29 919
介绍数据分析三剑客中的numpy
Python DataFrame的各种循环方法
木头大左的博客
06-24 68
以上就是Python DataFrame的各种循环方法的介绍。通过掌握这些方法，你可以更加高效地处理和分析数据，提升数据处理的效率。希望本文对你有所启发，如果有任何问题或建议，请在评论区留言。
每天一个数据分析题（三百八十七）- 线性回归分析
shiguangre的博客
06-25 248
内容涵盖Python，SQL，统计学，数据分析理论，深度学习，可视化，机器学习，Spark八个方向的专项练习题库，数据分析从业者刷题必备神器！下列关于线性回归分析中的残差（Residuals）的假设说法正确的是？B. 残差均值总是小于零。C. 残差均值总是大于零。A. 残差均值总是为零。D. 以上说法都不对。
智慧仓储的秘密武器：数据可视化的应用
Shanhaibi的博客
06-25 392
智慧仓储中数据可视化是如何应用的？在现代物流和供应链管理中，智慧仓储已成为企业提升效率、降低成本和优化运营的重要手段。而数据可视化作为智慧仓储的重要工具，通过将复杂的数据转化为直观、易理解的图表和图形，极大地提升了仓储管理的精度和效率。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

生信学习者2

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值