作者：國工智能實施團隊—曹靜

前言

科技橫飛的時代，大部分實驗室管理系統（LIMS）都擁有數十上百的分析儀器設備，一臺儀器檢測數十個項目，實驗室的溫度、濕度、壓強與實驗結果的相關性越來越受人們的關注。國工智能實驗室管理系統融合了國工智能數據大腦平臺，平臺內提供上百中統計學相關算法及機器學習算法，對實驗室的數據進行分析、挖掘，提高企業產品附加值及行業競爭力。本次案例就因子分析與實驗室LIMS系統相融合進行探討及應用舉例。

含義

 因子分析是指根據相關性大小把變量分組，使得同組內的變量之間相關性較高，但不同組的變量不相關或相關性較低，每組變量代表一個基本結構—即公共因子。使用因子分析可通過評估變量之間的相關來評估數據的結構，使用此分析可以將每個原始變量建模為這些底層因子的線性函數。

案例

某企業LIMS實驗室想了解溫度、濕度、壓強、實驗結果這四個因子之間的相關性，在不同的溫度、濕度、壓強下對同一個樣品進行測試，得到7次實驗結果如表1所示，試分析不同的溫度、濕度、壓強、實驗結果的相關性大小。

表1 不同溫度、濕度、壓強得到的實驗結果

要驗證溫度、濕度、壓強、實驗結果這四個因子之間是否存在相關性及相關性大小，因此可以采用因子分析進行檢驗。

分析過程

使用國工數據大腦組件對國工實驗室系統數據進行讀取，直接訪問數據庫獲取數據集。

圖1 RDBMS讀取組件

使用集成好算法的因子分析組件進行數據的因子分析處理，對組件參數進行設置，變量字段配置為溫度、濕度、壓強、實驗結果，因為共有4個變量，所以要提取的因子數配置為2，單擊運行，從調試面板中查看分析結果。

圖2 因子分析組件及參數配置

分析結果

圖3 結果分析

檢查載荷模式，以確定對每個變量影響最強的因子。接近于-1或1的載荷表明因子對變量的影響非常強。接近0的載荷表明因子對變量的影響很弱。有些變量可能對多個因子施加高載荷。

非旋轉因子載荷通常很難解釋，因子旋轉簡化了載荷結構，并且使因子載荷更容易解釋。使用旋轉的因子載荷，可以得出如下結論：

濕度（0.998）和結果值（0.986）在因子1上具有較大的正載荷，溫度（0.999）、濕度（0.998）、壓強（0.999）和結果值（1）在因子3上具有較大的正載荷，所以這兩個因子共同解釋數據變異的0.999或99.9%。

與LIMS系統相融合

 國工數據大腦平臺可直接獲取實驗室LIMS系統中的實驗數據，直接將實驗數據對接到創建好的因子分析模型中，根據得出的結果分析溫度、濕度、壓強、實驗結果在因子1和因子2的相關性。

參數說明

 因子載荷：表示因子對變量的解釋程度。載荷范圍可以為-1到1，國工數據大腦因子分析組件會計算非旋轉因子載荷和旋轉因子載荷。

變量：分析研究對象的變量。

要提取的因子數：因子數必須至少為1且不得超過總變量數，為了取得最佳結構，數據中的每3個變量擁有的因子不得超過一個。例如，有12個變量，則最多提前4個因子。

方差貢獻率：使用方差貢獻率（%Var）可確定因子解釋的方差量。保留解釋可接受方差水平的因子。

方差（特征值）：如果使用主分量提供因子，則方差等于特征值。可使用特征值的大小確定因子數。保留具有最大特征值的因子。

適用范圍

不同的變量選擇因子數之后，分析因子對變量的是否有影響。