请问载荷图biplot怎么分析？
- PC1解释了60%的数据方差，PC2解释了25%的方差。总共85%的方差被前两个主成分捕捉到。
- 苹果和橙子在图的右上方较为接近，表明它们的特性相似。
- 香蕉位于图的左下角，和其他样本有较大的差异，表明香蕉在这两条主成分上的特性与其他水果不同。
- 重量（Weight）：箭头指向右上方，且箭头较长，表明“重量”对PC1贡献大，且与PC1正相关。靠近右上角的样本，说明它们的重量较大，如苹果和橙子。
- 糖含量（Sugar Content）：箭头指向右侧，也较长，说明“糖含量”对PC1的贡献大，且糖含量和重量之间有一定正相关。
- 酸度（Acidity）：箭头指向左下方，箭头较长，表明“酸度”对PC2有较大贡献，且酸度和重量呈负相关。香蕉样本靠近这个箭头，说明香蕉的酸度较高。
- 颜色亮度（Color Brightness）：箭头指向右下方，箭头较短，表明颜色亮度对PC1和PC2的贡献较小，但与其他变量几乎无相关性。
- 重量与糖含量：这两个变量的箭头几乎平行，说明它们高度正相关，即重量大的水果通常糖含量也高。
- 重量与酸度：重量的箭头和酸度的箭头方向相反，表明重量与酸度呈负相关，即重量大的水果酸度较低。
- 苹果和橙子靠近“重量”和“糖含量”的箭头，说明它们比较重且糖含量高。
- 香蕉靠近“酸度”的箭头，说明香蕉酸度较高。
- 颜色亮度的箭头较短，说明它对水果的区分作用较小，可能不是决定样本差异的主要因素。
载荷图（Biplot）是一种结合了主成分分析（PCA）结果的二维或三维图示工具，既显示样本（点）的分布，也显示变量（载荷向量）的贡献。分析载荷图时，主要需要关注以下几点：
一、理解载荷图的基本构成
1、载荷图由主成分（Principal Components, PCs）组成，通常是二维的（PC1和PC2），这两个成分可以解释数据的大部分变异。
2、图中点代表样本（observations），箭头或向量表示变量（variables）。样本点的分布反映样本间的相似性，而变量向量的方向和长度代表变量对主成分的贡献。
二、解释变量向量
1、向量的长度：向量越长，表示该变量对主成分的贡献越大。在PCA中，向量的长度反映了该变量在所选主成分上的方差贡献。
2、向量的方向：不同变量的向量方向相近，表示这些变量之间存在正相关；相反方向的向量则表示负相关；垂直方向的向量意味着变量之间的相关性很低或无关。
三、样本点的位置
1、样本点的位置是根据变量的线性组合在主成分空间中投影得到的，相距较近的样本点表示它们在主成分空间中的相似性较高，即变量测量值接近。
2、样本点与变量向量之间的距离和角度可以解释样本在该变量上的表现；例如，某个样本点靠近某个变量的箭头，说明该样本在该变量上的得分较高。
四、分析主成分的解释力
1、查看图中PC1和PC2的解释比例，通常会在载荷图的轴上标注；PC1和PC2的解释力之和越高，说明这两个主成分能更好地反映原始数据的变异性。
2、如果PC1和PC2的解释力较低（例如低于50%），可能需要进一步查看其他主成分或者重新考虑数据是否适合PCA分析。
五、变量和样本的关系
1、如果某些样本点沿着某个变量向量的方向集中分布，说明这些样本在该变量上具有较高的得分，可以利用这一点识别出对某些变量表现突出的样本。
2、通过观察不同主成分上样本点的分布，可以揭示样本在多变量数据集中的主要变异来源；例如，可以找出哪些样本在某些变量上表现突出，从而进行更有针对性的研究。
六、多组分的解释
1、如果样本按某一因素（如实验处理、不同组别等）进行分类，可以在载荷图上标注不同组别的样本，进一步分析样本间的差异。
2、结合实验设计，可以解释主成分是否能够区分样本组别，进而推断这些变量在组间差异中的作用。
以下是一个分析Biplot的简单例子，帮助您更直观地理解。
1. 主成分解释
2. 样本分布
水果样本分布在二维空间中，比如：
3. 变量的载荷向量
4. 变量之间的关系
5. 样本与变量的关系
通过该图，可以看到不同水果在物理和化学特性上的分布，以及变量之间的关系，比如“重量”和“糖含量”的正相关性和“酸度”与“重量”的负相关性
百泰派克生物科技--生物制品表征，多组学生物质谱检测优质服务商
相关服务：
How to order?
