EIGENSTRAT计算PCA的显著性

最新推荐文章于 2024-07-05 18:27:15 发布

weixin_30896511

最新推荐文章于 2024-07-05 18:27:15 发布

阅读量1.4k

点赞数

文章标签：人工智能 python

原文链接：http://www.cnblogs.com/chenwenyan/p/11166523.html

版权

本文介绍了如何通过EIGENSTRAT软件来确定显著的主成分，包括软件的下载安装、PCA计算以及如何根据计算结果选择显著PCA的数量。文章详细阐述了EIGENSTRAT和PLINK计算PCA的区别，并提供了结果解读的方法。

摘要由CSDN通过智能技术生成

之前我写过一篇文章群体遗传分析分层校正，该选用多少个PCA?，里面提到可以通过EIGENSTRAT软件确定显著的主成分，后续就可以将显著的主成分加入协变量中。

这篇文章主要是讲如何通过EIGENSTRAT软件确定显著的主成分。

1下载安装EIGENSTRAT

1.1 下载

下载地址：https://data.broadinstitute.org/alkesgroup/EIGENSOFT/EIG-6.1.4.tar.gz

wget https://data.broadinstitute.org/alkesgroup/EIGENSOFT/EIG-6.1.4.tar.gz

1.2 安装

tar z

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

weixin_30896511

关注关注

0
点赞
踩
5

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

浅谈如何在优麒麟22.04中使用Eigenstrat和Plink工具生成类23andMe格式原始数据

qq_53947118的博客

08-21

615

在使用此教程前，请先在Oracle VM VirtualBox或其他虚拟机中安装好优麒麟22.04版系统，或其对应源系统Ubuntu 22.04。

这个统计检验可用于判断PCA/PCoA等的分群效果是否显著！

悟道西方

09-24

1889

了解了基本概念方差分析中的“元”和“因素”是什么？PERMANOVA是多元方差分析的非参数变体。它用来比较多组观测样本的统计指标值的异同。它利用距离矩阵(如欧式距离、Bray-Curt...

参与评论您还未登录，请先登录后发表或查看评论

显著性检测（二）

风起

03-14

2269

SalBenchmark使用笔记从项目地址下载项目项目结构如图其中Data里存放数据集，code里是opencv和MATLAB代码，result是跑完工程之后的结果。 1. 改动MATLAB 进入 ./Code/matlab/运行RunAll.m clear; close all; clc; RootDir = 'C:/Users/ThinkCentre/Desktop/...

Admixtools软件学习使用（二）

最新发布

Liyefang1994的博客

07-05

491

可以分别查看example的这些文件内容，首先ped文件我们都有，example.pedsnp文件可以使用我们的map后缀的文件，这里我们需要手动建立pedind文件。F3和F4统计输入文件必须是EIGENSTRAT格式，我们的数据通常都是PLINK格式，所以首先需要使用软件自带的convertf进行格式转换。进入convertf目录，查看par.PED.EIGENSTRAT，可以看到输入文件和输出文件名。关于输入文件的质控，即maf、LD prune的质控与否对后续分析结果的影响，可以做个对比分析。

PCA：详细解释主成分分析

newbeixue的博客

03-03

185

https://blog.csdn.net/lanyuelvyun/article/details/82384179?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-3.control&dist_request_id=1328592.11027.16147578792732531&depth_1-utm_source=distribute.pc_relevant.none-tas

「群体遗传学实战」第二课: 画出和文章几乎一样的PCA图

xuzhougeng blog

04-15

5965

主成分分析(PCA)是一种线性降维方法，能从纷繁复杂的数据中抽离出关键因素，用来区分不同的样本。这里我们不谈PCA背后的数学原理，只谈哪些软件能够处理数据，我找到了以下三款 Plink: https://www.cog-genomics.org/plink/ GCTA: https://cnsgenomics.com/software/gcta/ EIGENSOFT: htt...

pca_normal_normal_点云_pca_点云主成分分析_法向量计算_

09-29

在3D点云数据处理中，PCA尤其重要，因为它可以帮助我们理解数据的主要结构，并可以减少数据的复杂性，同时保留大部分信息。在这个场景中，PCA被用来找到点云数据的主要方向，也就是数据的最大变异方向。在点云数据...

利用R内置函数计算pca

09-26

PCA分析，R包，利用R内置函数，计算pc1和pc2，后进行pca可视化

基于显著性和导向滤波的图像融合算法研究图像滤波算法.pdf

04-08

"基于显著性和导向滤波的图像融合算法研究" 一、图像融合算法的分类图像融合算法可以分为三类：像素级图像数据融合、特征级图像数据融合和决策级图像数据融合。像素级图像融合的融合算法已经被学者们广泛的研究和...

PCA原理及特征相关性分析

别怕别怕的博客

03-22

8734

文章目录PCA累计方差贡献率载荷矩阵碎石图相关性 PCA 原理：找方差最大的方向大红色线点之间得距离大，方差会比较大粉色线点之间得距离小，方差会比较小大红色就是方差最大的方向？？有多少维的数据求出来的特征值就有几个，想降到几维就选取几个特征值（选大的），数据个数不变累计方差贡献率因为数据的方差表示了数据波动变化的信息。设想一摞数据的方差为0，那就是完全没有变化，没有研究价值。一...

PCA （主成分分析）详解（写给初学者）结合matlab

saishangxue123的专栏

01-19

2万+

本文转自：http://hi.baidu.com/ifengzh/item/8851b6387aebefc4382ffa60 PCA （主成分分析）详解（写给初学者）结合matlab 一、简介 PCA（Principal Components Analysis）即主成分分析，是图像处理中经常用到的降维方法，大家知道，我们在处理有关数字图像处理方面的问题

Eigen库安装及使用教程

tutu_hu的博客

06-18

3077

eigen c++库安装及使用教程。

【生信笔记】eigenstrat convert to vcf format

weixin_41772125的博客

02-27

525

eigenstrat vcf plink 三种文件转换

数据降维(PCA、因子分析法)

m0_55862255的博客

09-04

3874

数据降维原因：常用的数据库中包含百万记录和数千个变量，不是所有变量都相互独立，没有任何关联，为防止变量多重共线性的出现而导致的解空间不稳定的后果。而高维空间本身具备稀疏性，例如十维多元正态分布中仅有2%数据位于某超球面内，一维空间中大约有68%的正态分布变量值位于正负标准差之间，因而如果不做降维会在高维解空间中出现某一重要特征的重复使用造成过拟合的情况。降维是利用变量间的相关结构来减少预测变量个数、确保预测变量相互独立、提供最小单元框架解释结果。常用降维方法：主成分分析（PCA:Principa

主成分分析(PCA)原理及推导

学无常师，负笈不远险阻

12-30

8万+

在数据挖掘或者图像处理等领域经常会用到主成分分析，这样做的好处是使要分析的数据的维度降低了，但是数据的主要信息还能保留下来，并且，这些变换后的维两两不相关！至于为什么？那就接着往下看。在本文中，将会很详细的解答这些问题：PCA、SVD、特征值、奇异值、特征向量这些关键词是怎么联系到一起的？又是如何在一个矩阵上体现出来？它们如何决定着一个矩阵的性质？能不能用一种直观又容易理解的方式描述出来？

利用admixtools进行群体分析

weixin_45694863的博客

07-28

2378

admixtools进行F2,F3,F4计算

主成分分析（PCA）原理详解