核心能力
多元分析模块为你提供的能力
降维分析
主成分分析（PCA）、偏最小二乘（PLS）、因子分析——将高维数据压缩到可解释维度。
- PCA：用 2-3 个主成分解释 80%+ 方差
- PLS：响应变量参与的有监督降维
- 因子分析：提炼潜在公共因子
- 得分图 + 载荷图：直观解读结构
聚类分析
层次聚类、K均值聚类、变量聚类——无监督发现数据自然分组。
- 层次聚类：树状图直观展示分组层级
- K均值聚类：固定 K 个分组的快速聚类
- 变量聚类：识别变量集合的内部结构
- 组间距离与组内紧密度量化评估
判别分析
线性、二次、正则判别——监督式分类的统计学经典方法。
- 线性判别（LDA）：假设各类协方差相同
- 二次判别（QDA）：放宽 LDA 假设
- 正则判别：高维数据的稳健分类
- 混淆矩阵 + 错分率完整评估
多元相关性
多变量相关结构与依赖关系量化——为后续 PCA、PLS 或建模提供基础。
- 相关矩阵 + 热力图可视化
- 偏相关：控制其他变量后的纯相关
- Spearman 秩相关：非线性单调关系
- 多重共线性诊断（VIF）
典型应用场景
这些工程师正在用 多元分析
化工工艺工程师
PCA 处理近红外光谱数据，提取关键波段用于在线监控
半导体良率工程师
层次聚类发现 wafer 缺陷模式的自然分组
制药配方研究员
PLS 建立配方组分与药效之间的多元回归
方法清单
8 种分析方法
本模块提供的完整方法列表。每个方法都有对应的中文界面、参数说明与结果解读。
主成分分析（PCA）偏最小二乘（PLS）判别分析（线性/二次/正则）层次聚类K均值聚类变量聚类因子分析多元相关性
适用人群
谁会从中受益
多元分析模块为以下角色的日常工作提供直接价值。
数据分析师
研发
光谱分析师
工艺工程师
高校科研人员