«pca» 태그된 질문

PCA에서 역공 분산 행렬의 주성분을 선택하거나 큰 고유 값에 해당하는 공분산 행렬의 고유 벡터를 제거하면 차이가 있습니까? 이것은 이 게시물 의 토론과 관련 이 있습니다 .

10 machine-learning  pca  computational-statistics 

나는 기계 학습을위한 기계 학습 책에 주어진 예를 읽고 있습니다. 먼저 예를 자세히 설명한 다음 내 질문에 대해 이야기하겠습니다. 예 : 25 년간의 주가 10 년 동안 데이터 세트를 가져옵니다. 25 주가로 PCA를 운영합니다. 주성분을 다우 존스 지수와 비교합니다. PC와 DJI의 유사성이 매우 높습니다! 내가 이해 한 바에 따르면,이 예는 …

10 time-series  pca  references  covariance  stationarity 

나는 현재 t-SNE 시각화 기술을 읽고 있으며 고차원 데이터를 시각화하기 위해 PCA (Principal Component Analysis)를 사용하는 단점 중 하나는 점 사이의 큰 쌍 거리를 유지한다는 것입니다. 고차원 공간에서 멀리 떨어져있는 의미 점은 저 차원 부분 공간에서도 멀리 떨어져 있지만 다른 모든 쌍방향 거리는 망칠 수 있습니다. 왜 그런지 이해하고 그래픽으로 …

10 machine-learning  data-visualization  pca  tsne 

PCA (Principal Component Analysis)의 고전적인 방법은 열의 평균이 0 인 입력 데이터 매트릭스에서 수행하는 것입니다 (PCA는 "분산을 최대화 할 수 있습니다"). 컬럼을 중심으로하여 쉽게 달성 할 수 있습니다. 그러나 입력 행렬이 희소 인 경우 중심 행렬은 더 이상 희소하므로 행렬이 매우 큰 경우 더 이상 메모리에 맞지 않습니다. 스토리지 문제에 …

10 pca  algorithms  dimensionality-reduction  large-data  sparse 

10 개의 변수로 구성된 데이터 세트가 있습니다. 이 10 개의 변수로 단일 반응 변수를 예측하기 위해 부분 최소 제곱 (PLS)을 실행하고 10 개의 PLS 성분을 추출한 다음 각 성분의 분산을 계산했습니다. 원래 데이터에서 나는 702 인 모든 변수의 분산의 합을 취했습니다. 그런 다음 각 PLS 구성 요소의 분산을이 합계로 나누어 …

10 regression  pca  covariance-matrix  partial-least-squares 

D = 100 차원 공간 에 N = 20 개의 샘플이 들어 있는 행렬 X가 있습니다. 이제 Matlab에서 자체 주성분 분석 (PCA)을 코딩하고 싶습니다. 먼저 X 를 X 0으로 떨어 뜨 립니다.20×10020×10020\times100XXXN=20N=20N=20D=100D=100D=100XXXX0X0X_0 나는 관측치보다 더 많은 차원을 가진 시나리오에서 더 이상 공분산 행렬을 고유 분해하지 않는다는 누군가의 코드를 읽었습니다 . …

10 pca 

최근에 훌륭한 PCA에 대해 배웠으며 scikit-learn documentation에 요약 된 예를 수행했습니다 . 분류 목적으로 새 데이터 포인트에 PCA를 적용하는 방법을 알고 싶습니다. PCA를 2 차원 평면 (x, y 축)으로 시각화 한 후 한 점은 한 분류가되고 다른 한 분류는 분류 할 수 있도록 데이터 점을 구분하기 위해 선을 그릴 수 …

10 classification  pca  scikit-learn 

많은 통계 교과서는 공분산 행렬의 고유 벡터가 무엇인지에 대한 직관적 인 그림을 제공합니다. 벡터 u 및 z 는 고유 벡터를 형성한다 (웰, 고유 축). 이것은 말이됩니다. 그러나 나를 혼란스럽게하는 것은 원시 데이터가 아닌 상관 행렬 에서 고유 벡터를 추출한다는 것 입니다. 또한, 매우 다른 원시 데이터 세트는 동일한 상관 행렬을 …

10 correlation  pca  covariance-matrix  eigenvalues 

주요 성분 분석 (PCA)의 품질을 평가하기위한 좋은 지표는 무엇입니까? 데이터 세트에서이 알고리즘을 수행했습니다. 저의 목표는 기능의 수를 줄이는 것이 었습니다 (정보는 매우 중복되었습니다). 분산의 백분율이 유지하는 정보의 양을 나타내는 좋은 지표라는 것을 알고 있습니다. 중복 정보를 제거하고 그러한 정보를 '손실'하지 않았는지 확인하는 데 사용할 수있는 다른 정보 메트릭이 있습니까?

10 machine-learning  pca  data-mining  information-theory 

제목에서 알 수 있듯이 치수 축소는 항상 일부 정보가 손실됩니까? 예를 들어 PCA를 고려하십시오. 내가 가진 데이터가 매우 드문 경우 "더 나은 인코딩"을 찾을 수 있다고 가정하고 (어쨌든 데이터의 순위와 관련이 있습니까?) 손실되지 않습니다.

10 pca  information-theory  information 

배경 : 설문 조사에 참여한 수백 명의 참가자에게 선택한 영역에 대한 관심이 어느 정도인지 물었습니다 (1은 "관심이 없음"을 나타내고 5는 "관심이없는"을 나타냄). 그런 다음 PCA를 시도했습니다. 아래 그림은 처음 두 가지 주요 구성 요소에 대한 투영입니다. 색상은 성별에 사용되며 PCA 화살표는 원래 변수 (예 : 관심 분야)입니다. 난 그것을 알아 …

10 pca  interpretation  survey  likert  biplot 

나에게 제안 된 한 가지 방법은 스 크리 플롯을보고 올바른 팔 수의 PC를 결정하기 위해 "팔꿈치"를 확인하는 것입니다. 그러나 음모가 명확하지 않은 경우 R에 숫자를 계산하는 계산이 있습니까? fit <- princomp(mydata, cor=TRUE)

10 r  pca 

GLMM 형식이 있습니다. lmer(present? ~ factor1 + factor2 + continuous + factor1*continuous + (1 | factor3), family=binomial) 를 사용할 때 자동차 패키지 또는에서 사용할 때 drop1(model, test="Chi")와 다른 결과를 얻습니다 . 후자의 두 사람도 같은 대답을합니다.Anova(model, type="III")summary(model) 조작 된 데이터를 사용 하여이 두 가지 방법이 일반적으로 다르지 않다는 것을 알았습니다. …

10 r  anova  glmm  r  mixed-model  bootstrap  sample-size  cross-validation  roc  auc  sampling  stratification  random-allocation  logistic  stata  interpretation  proportion  r  regression  multiple-regression  linear-model  lm  r  cross-validation  cart  rpart  logistic  generalized-linear-model  econometrics  experiment-design  causality  instrumental-variables  random-allocation  predictive-models  data-mining  estimation  contingency-tables  epidemiology  standard-deviation  mean  ancova  psychology  statistical-significance  cross-validation  synthetic-data  poisson-distribution  negative-binomial  bioinformatics  sequence-analysis  distributions  binomial  classification  k-means  distance  unsupervised-learning  euclidean  correlation  chi-squared  spearman-rho  forecasting  excel  exponential-smoothing  binomial  sample-size  r  change-point  wilcoxon-signed-rank  ranks  clustering  matlab  covariance  covariance-matrix  normal-distribution  simulation  random-generation  bivariate  standardization  confounding  z-statistic  forecasting  arima  minitab  poisson-distribution  negative-binomial  poisson-regression  overdispersion  probability  self-study  markov-process  estimation  maximum-likelihood  classification  pca  group-differences  chi-squared  survival  missing-data  contingency-tables  anova  proportion 

PCA에서 고유 값은 구성 요소의 순서를 결정합니다. ICA에서는 주문을 얻기 위해 첨도를 사용하고 있습니다. 신호에 대한 사전 지식과는 별개로 구성 요소의 수를 평가하는 데 허용되는 방법은 무엇입니까?

10 statistical-significance  pca  kurtosis  ica 

방금 회전 (promax)을 사용하여 FA를 실행했으며 한 요소에서 1.041의 요소 로딩을 생성 한 항목 (및 패턴 매트릭스를 사용하여 다른 요소에서 -.131, -.119 및 .065의 요소 로딩 ) . 그리고 그것이 무엇을 의미하는지 잘 모르겠습니다 .-1과 1 사이에서만 가능하다고 생각했습니다. 비스듬한 회전 때문입니까? 직교 요소로 하중이 1을 초과 할 수 있습니까?

10 pca  factor-analysis  factor-rotation