«pca» 태그된 질문

오늘의 패턴 인식 수업에서 교수님은 PCA, 고유 벡터 및 고유 값에 대해 이야기했습니다. 나는 그것의 수학을 이해했다. 고유 값 등을 찾도록 요청 받으면 기계처럼 올바르게 수행합니다. 그러나 나는 그것을 이해 하지 못했습니다 . 나는 그것의 목적을 얻지 못했습니다. 나는 그것을 느끼지 못했습니다. 나는 다음 인용문을 강력하게 믿는다. 할머니에게 설명 할 …

976 pca  intuition  eigenvalues  canonical-question 

주성분 분석 (PCA)은 공분산 행렬의 고유 분해를 통해 설명됩니다. 그러나 데이터 행렬 의 단일 값 분해 (SVD)를 통해 수행 할 수도 있습니다 . 어떻게 작동합니까? 이 두 가지 방법의 관계는 무엇입니까? SVD와 PCA의 관계는 무엇입니까?엑스X\mathbf X 즉, 데이터 행렬의 SVD를 사용하여 차원 축소를 수행하는 방법은 무엇입니까?

351 pca  dimensionality-reduction  matrix  svd 

내가 사용하는 많은 통계 패키지 가이 두 개념을 함께 묶은 것 같습니다. 그러나 다른 가정이나 데이터 '형식'이 다른 것을 사용하는 것이 사실인지 궁금합니다. 실제 예는 매우 유용 할 것입니다.

214 pca  factor-analysis 

상관 행렬과 공분산 행렬에서 주성분 분석 (PCA)을 수행하는 것의 주요 차이점은 무엇입니까? 그들은 같은 결과를 제공합니까?

153 correlation  pca  covariance  factor-analysis 

연속 데이터와 범주 데이터가 모두있는 데이터 세트가 있습니다. PCA를 사용하여 분석 중이며 범주 변수를 분석의 일부로 포함시키는 것이 좋은지 궁금합니다. PCA는 연속 변수에만 적용 할 수 있다는 것을 이해합니다. 그 맞습니까? 범주 형 데이터에 사용할 수없는 경우 분석에 어떤 대안이 있습니까?

147 categorical-data  pca  correspondence-analysis  mixed-type-data 

PCA와 기존 MDS는 어떻게 다릅니 까? MDS와 비 메트릭 MDS는 어떻습니까? 서로 선호하는 시간이 있습니까? 해석이 어떻게 다릅니 까?

133 pca  multidimensional-scaling  pcoa 

PCA (Principal Component Analysis)를 사용하여 치수를 줄일 수 있습니다. 이러한 차원 축소가 수행 된 후 소수의 주요 구성 요소에서 원래 변수 / 기능을 어떻게 대략 재구성 할 수 있습니까? 또는 데이터에서 여러 주요 구성 요소를 어떻게 제거하거나 버릴 수 있습니까? 다시 말해 PCA를 어떻게 바꾸는가? PCA가 SVD (Singular Value Decomposition)와 …

113 pca  dimensionality-reduction  svd 

저자가 PCA를 수행하기 전에 다른 변수와의 높은 상관 관계로 인해 여러 변수를 버리는 논문을 읽고 있습니다. 총 변수 수는 약 20입니다. 이것이 어떤 이점을 제공합니까? PCA가 자동으로 처리해야하므로 오버 헤드처럼 보입니다.

111 correlation  pca 

일반적으로 PCA와 같은 분석에서 분산 의 비율 가 첫 번째 주요 구성 요소로 설명 된다는 것은 무엇을 의미 합니까? 누군가 이것을 직관적으로 설명 할 수 있지만 주성분 분석 (PCA) 측면에서 "변형 설명"의 의미에 대한 정확한 수학적 정의를 제공 할 수 있습니까?엑스엑스x 간단한 선형 회귀 분석의 경우, 최적 제곱의 r 제곱은 …

90 regression  pca  linear-model  dimensionality-reduction 

관심있는 결과가 이분법 인 LASSO Regressionglmnet 과 함께 사용하기 시작했습니다 . 아래에 작은 모의 데이터 프레임을 만들었습니다. age <- c(4, 8, 7, 12, 6, 9, 10, 14, 7) gender <- c(1, 0, 1, 1, 1, 0, 1, 0, 0) bmi_p <- c(0.86, 0.45, 0.99, 0.84, 0.85, 0.67, 0.91, 0.29, 0.88) …

77 r  self-study  lasso  regression  interpretation  anova  statistical-significance  survey  conditional-probability  independence  naive-bayes  graphical-model  r  time-series  forecasting  arima  r  forecasting  exponential-smoothing  bootstrap  outliers  r  regression  poisson-distribution  zero-inflation  genetic-algorithms  machine-learning  feature-selection  cart  categorical-data  interpretation  descriptive-statistics  variance  multivariate-analysis  covariance-matrix  r  data-visualization  generalized-linear-model  binomial  proportion  pca  matlab  svd  time-series  correlation  spss  arima  chi-squared  curve-fitting  text-mining  zipf  probability  categorical-data  distance  group-differences  bhattacharyya  regression  variance  mean  data-visualization  variance  clustering  r  standard-error  association-measure  somers-d  normal-distribution  integral  numerical-integration  bayesian  clustering  python  pymc  nonparametric-bayes  machine-learning  svm  kernel-trick  hyperparameter  poisson-distribution  mean  continuous-data  univariate  missing-data  dag  python  likelihood  dirichlet-distribution  r  anova  hypothesis-testing  statistical-significance  p-value  rating  data-imputation  censoring  threshold 

일부 분야에서는 PCA (주성분 분석)가 정당화없이 체계적으로 사용되며 PCA와 EFA (탐사 계수 분석)는 동의어로 간주됩니다. 따라서 최근 PCA를 사용하여 규모 검증 연구 결과 (각 7 개 항목의 3 가지 요소를 구성하는 것으로 추정되는 7 점 리 커트 척도의 21 개 항목)를 분석했으며, 검토자가 EFA 대신 PCA를 선택한 이유를 묻습니다. 두 …

73 pca  factor-analysis  eda 

주요 구성 요소 점수 (PC 점수, PCA 점수) 란 무엇입니까?

71 pca  definition 

정식 상관 분석 (CCA)은 주성분 분석 (PCA)과 관련된 기술입니다. 산점도를 사용하여 PCA 또는 선형 회귀를 가르치는 것은 쉽지만 (Google 이미지 검색에 대한 수천 가지 예 참조) CCA에 대한 유사한 직관적 인 2 차원 예는 보지 못했습니다. 선형 CCA의 기능을 시각적으로 설명하는 방법은 무엇입니까?

70 regression  data-visualization  pca  canonical-correlation  geometry 

Q 모드와 R 모드 주요 구성 요소 분석 (PCA)에 대해 비교 ?prcomp하고 ?princomp찾았습니다. 그러나 정직하게 – 나는 그것을 이해하지 못한다. 아무도 차이점을 설명하고 언제 적용 할 것인지 설명 할 수 있습니까?

69 r  pca 

주성분 분석 (PCA)에서 고유 벡터 (단위 벡터)와 고유 값을 얻습니다. 이제 로딩을 로 정의하겠습니다Loadings=Eigenvectors⋅Eigenvalues−−−−−−−−−−√.Loadings=Eigenvectors⋅Eigenvalues.\text{Loadings} = \text{Eigenvectors} \cdot \sqrt{\text{Eigenvalues}}. 고유 벡터는 단지 방향이며 하중 (위에 정의 된대로)에도 이러한 방향을 따라 분산이 포함됩니다. 그러나 더 나은 이해를 위해 고유 벡터 대신로드를 사용해야하는 위치를 알고 싶습니다. 예가 완벽 할 것입니다! 나는 일반적으로 고유 …

67 pca