Lefse分析不同软件做出的结果一样吗

Lefse分析不同软件做出的结果一样。这一步也是最关键的一步，统计显著差异的biomarker、统计子组组间差异、统计effectsizes，会生成res格式的文件，两组或两组以上的样本中采用的非参数因子KruskalWallis秩和检验检测出biomarker。

Lefse特点

LEfSe分析即LDAEffectSize分析，是一种用于发现和解释高维度数据生物标识的分析工具，基于上步的显著差异物种基因，进行两两组之间的秩和检验，检测出组间差异，线性判别分析对biomarker进行评估差异显著的物种的影响力，最终获得biomarker，基于第二大步的数据，绘制各种。

Lefse分析,LDA可以设置为25。

易用度，重量，准确度，耐用性，色彩度，价格，或尺寸。根据研究的产品选择不同的属性。在调查中对所有的产品都问相同的问题。多个产品的数据编码后，输入统计分析程序，比如R，SPSS或SAS。

市场营销：

制定问题并收集数据 -- 识别消费者评估产品的一些显著属性 一 用定量市场研究技术（例如市场调查）从潜在消费者中收集关于他们对产品所有属性的评分数据。数据收集阶段通常是由专业的市场调查公司完成的。

调查人员选择一系列属性，请参与者对他们给出1到5（或者1到7，1到10）的评分。通常选5到20个属性。

Lefse能选择输出。LefSe分析是LDAEffectSize分析，是一种进行高维度数据基因，通路和微生 物分类单元等的分析工具，可以进行两个或多个分组的比较，能够在组间找到具有统计学差异的biomarker。

Lefse的概括

Lefse每项分析都可以自定义分析参数，实现在鼠标点击之间即可在国家微生物科学数据中心进行在线生物信息数据分析，挖掘出准确，详细，专业的分析结果，让更多领域内科研人员能更快，更高效，更自主的完成交互分析。

Lefse的原理是首先在多组样本中采用的非参数因子KruskalWallis秩和检验检测不同分组间丰度差异显著的物种，再利用Wilcoxon秩和检验检查在显著差异物种类中的所有亚种比较是否都趋同于同一分类级别，最后用线性判别分析对数据进行降维和评估差异显著的物种的影响力。

LEfSe在线工具地址： >

lefse分析LDA可以设为25。

当出现超过两类的情况时，可以使用由费舍尔判别派生出的分析方法，它延伸为寻找一个保留了所有类的变化性的子空间。这是由 CRRao 总结出来的。假设，C个类中每一个类都有均值和相同的协方差。

在对自变量每一次观察测量值都是连续量的时候，LDA能有效的起作用。当处理类别自变量时，与LDA相对应的技术称为判别反应分析。

LDA的基本假设是自变量是正态分布的：

当这一假设无法满足时，在实际应用中更倾向于用上述的其他方法。LDA也与主成分分析（PCA）和因子分析紧密相关，它们都在寻找最佳解释数据的变量线性组合。LDA明确的尝试为数据类之间不同建立模型。

另一方面，PCA不考虑类的任何不同，因子分析是根据不同点而不是相同点来建立特征组合。判别的分析不同因子分析还在于，它不是一个相互依存技术：即必须区分出自变量和因变量（也称为准则变量）的不同。

工具网址： >

Lefse在服务器上做的结果和在线分析结果一样。

如果数据库可以远程连接，直接使用工具连接就可以导入了如果不支持，有两种情况:一般虚拟机上都会提供数据库管理的工具，使用工具就可以。如果不提供，可以在JSP页面中使用JDBC，连接好数据库以后，可以使用FileInputStream将文件读取到内存中。

NoSQL数据库：

适合追求速度和可扩展性、业务多变的应用场景。对于非结构化数据的处理更合适，如文章、评论，这些数据如全文搜索、机器学习通常只用于模糊处理，并不需要像结构化数据一样，进行精确查询，而且这类数据的数据规模往往是海量的。

数据规模的增长往往也是不可能预期的，而NoSQL数据库的扩展能力几乎也是无限的，所以NoSQL数据库可以很好的满足这一类数据的存储。NoSQL数据库利用key-value可以大量的获取大量的非结构化数据，并且数据的获取效率很高，但用它查询结构化数据效果就比较差。

---