Als «pca» getaggte Fragen

20

Was sind die korrekten Werte für Präzision und Rückruf in Randfällen?

Präzision ist definiert als: p = true positives / (true positives + false positives) Ist es richtig, dass sich die Genauigkeit 1 nähert true positivesund false positivessich 0 nähert? Gleiche Frage zum Rückruf: r = true positives / (true positives + false negatives) Ich führe derzeit einen...

precision-recall data-visualization logarithm references r networks data-visualization standard-deviation probability binomial negative-binomial r categorical-data aggregation plyr survival python regression r t-test bayesian logistic data-transformation confidence-interval t-test interpretation distributions data-visualization pca genetics r finance maximum probability standard-deviation probability r information-theory references computational-statistics computing references engineering-statistics t-test hypothesis-testing independence definition r censoring negative-binomial poisson-distribution variance mixed-model correlation intraclass-correlation aggregation interpretation effect-size hypothesis-testing goodness-of-fit normality-assumption small-sample distributions regression normality-assumption t-test anova confidence-interval z-statistic finance hypothesis-testing mean model-selection information-geometry bayesian frequentist terminology type-i-and-ii-errors cross-validation smoothing splines data-transformation normality-assumption variance-stabilizing r spss stata python correlation logistic logit link-function regression predictor pca factor-analysis r bayesian maximum-likelihood mcmc conditional-probability statistical-significance chi-squared proportion estimation error shrinkage application steins-phenomenon

20

Gibt es einen Vorteil von SVD gegenüber PCA?

Ich weiß, wie man PCA und SVD mathematisch berechnet, und ich weiß, dass beide auf die lineare Regression der kleinsten Quadrate angewendet werden können. Der Hauptvorteil von SVD scheint mathematisch zu sein, dass es auf nicht quadratische Matrizen angewendet werden kann. Beide konzentrieren sich...

pca least-squares svd

20

Was ist der "Hufeiseneffekt" und / oder der "Bogeneffekt" in der PCA / Korrespondenzanalyse?

In der ökologischen Statistik gibt es viele Techniken zur explorativen Datenanalyse mehrdimensionaler Daten. Dies nennt man "Ordinations" -Techniken. Viele sind die gleichen oder eng mit gängigen Techniken in anderen Bereichen der Statistik verwandt. Vielleicht wäre das prototypische Beispiel die...

pca eda ecology correspondence-analysis

20

Was sind in genomweiten Assoziationsstudien die Hauptkomponenten?

In genomweiten Assoziationsstudien (GWAS): Was sind die Hauptkomponenten? Warum werden sie verwendet? Wie werden sie berechnet? Kann eine genomweite Assoziationsstudie ohne PCA durchgeführt

pca genetics gwas

20

Methoden zur Berechnung von Faktor-Scores und wie lautet die Matrix für den „Score-Koeffizienten“ in der PCA- oder Faktoranalyse?

Nach meinem Verständnis erhalten wir in PCA basierend auf Korrelationen Faktor- (= Hauptkomponente in diesem Fall) Belastungen, die nichts anderes als die Korrelationen zwischen Variablen und Faktoren sind. Wenn ich jetzt Faktor-Scores in SPSS generieren muss , kann ich die Faktor-Scores jedes...

spss pca factor-analysis

20

PCA von nicht-Gaußschen Daten

Ich habe ein paar kurze Fragen zu PCA: Geht die PCA davon aus, dass der Datensatz Gaußsch ist? Was passiert, wenn ich eine PCA auf inhärent nichtlineare Daten anwende? Bei einem gegebenen Datensatz besteht der Prozess darin, zunächst die Mittelwerte zu normalisieren, die Varianz auf 1 zu...

pca svd

20

PCA in Numpy und Sklearn führt zu unterschiedlichen Ergebnissen

Verstehe ich etwas falsch? Das ist mein Code mit sklearn import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D from sklearn import decomposition from sklearn import datasets from sklearn.preprocessing import StandardScaler pca = decomposition.PCA(n_components=3)...

pca python scikit-learn

20

Ich bekomme in Rollapply PCA in R "nervöse" Ladungen. Kann ich das beheben?

Ich habe 10 Jahre tägliche Rückgabedaten für 28 verschiedene Währungen. Ich möchte die erste Hauptkomponente extrahieren, aber anstatt PCA für die gesamten 10 Jahre zu betreiben, möchte ich ein 2-Jahres-Zeitfenster einhalten, da sich das Verhalten der Währungen verändert und ich dies reflektieren...

r pca

19

Wie LDA, eine Klassifikationstechnik, auch als Dimensionsreduktionstechnik wie PCA dient

In diesem Artikel verknüpft der Autor die lineare Diskriminanzanalyse (LDA) mit der Hauptkomponentenanalyse (PCA). Mit meinen begrenzten Kenntnissen kann ich nicht nachvollziehen, wie LDA PCA ähneln kann. Ich habe immer gedacht, dass LDA eine Art Klassifizierungsalgorithmus ist, ähnlich der...

classification pca dimensionality-reduction discriminant-analysis canonical-correlation

19

Wenn die Daten vor PCA nicht normalisiert werden, wird das Varianzverhältnis besser erklärt

Ich normalisierte meinen Datensatz und führte dann eine 3-Komponenten-PCA durch, um kleine erklärte Varianzverhältnisse ([0,50, 0,1, 0,05]) zu erhalten. Wenn ich meinen Datensatz nicht normalisierte, sondern aufhellte und dann eine 3-Komponenten-PCA durchführte, erhielt ich hohe erklärte...

pca

19

Wie interpretiere ich PCA für Zeitreihendaten?

Ich versuche, die Verwendung von PCA in einem kürzlich erschienenen Zeitschriftenartikel mit dem Titel "Mapping brain activity at scale with cluster computing" von Freeman et al., 2014 (kostenloses PDF auf der Laborwebsite verfügbar ) zu verstehen . Sie verwenden PCA für Zeitreihendaten und...

time-series pca state-space-models neuroimaging neuroscience

19

PCA und explorative Faktorenanalyse für denselben Datensatz: Unterschiede und Ähnlichkeiten; Faktormodell vs PCA

Ich würde gerne wissen, ob es logisch sinnvoll ist, eine Hauptkomponentenanalyse (PCA) und eine explorative Faktoranalyse (EFA) mit demselben Datensatz durchzuführen. Ich habe gehört, Profis empfehlen ausdrücklich: Verstehen Sie, was das Ziel der Analyse ist, und wählen Sie PCA oder EFA für die...

pca factor-analysis

19

Geometrisches Verständnis von PCA im Subjektraum

Ich versuche ein intuitives Verständnis dafür zu bekommen, wie die Hauptkomponentenanalyse (PCA) im Subjekt- (Doppel-) Raum funktioniert . Betrachten 2D - Datensatz mit zwei Variablen, x1x1x_1 und x2x2x_2 , und nnn Datenpunkte (Datenmatrix XX\mathbf X ist n×2n×2n\times 2 und wird angenommen,...

pca linear-algebra intuition geometry

19

Beziehung zwischen Kammregression und PCA-Regression

Ich erinnere mich , im Web habe irgendwo gelesen, die eine Verbindung zwischen Ridge - Regression (mit ℓ2ℓ2\ell_2 Regularisierung) und PCA Regression: bei der Verwendung von ℓ2ℓ2\ell_2 -regularized Regression mit Hyper λλ\lambda , wenn λ→0λ→0\lambda \to 0 , dann ist die Regression auf dem Entfernen...

regression pca regularization ridge-regression

18

Blindquellentrennung von konvexem Gemisch?

Angenommen, ich habe unabhängige Quellen, und ich beobachte konvexe Gemische: X 1 , X 2 , . . . , X n m Y 1nnnX1, X2, . . . , XnX1,X2,...,XnX_1, X_2, ..., X_nmmmY.1. . .Y.m= a11X1+ a12X2+ ⋯ + a1 nXn= am 1X1+ am 2X2+ ⋯ +am nXnY1=a11X1+a12X2+⋯+a1nXn...Ym=am1X1+am2X2+⋯+amnXn\begin{align} Y_1 &=...

pca ica

18

Was sind die vier Achsen im PCA-Biplot?

Wenn Sie einen Biplot für eine PCA-Analyse erstellen, haben Sie die Hauptkomponente PC1-Scores auf der x-Achse und PC2-Scores auf der y-Achse. Aber was sind die anderen beiden Achsen rechts und oben auf dem

r pca biplot

18

Positionieren der Pfeile auf einem PCA-Biplot

Ich möchte einen Biplot für die Hauptkomponentenanalyse (PCA) in JavaScript implementieren. Meine Frage ist, wie ermittle ich die Koordinaten der Pfeile aus dem U,V,DU,V,DU,V,D Ausgang der Singular Vector Decomposition (SVD) der Datenmatrix? Hier ist ein Beispiel-Biplot von R:

pca svd biplot

18

Komponenten mit geringer Varianz in PCA, sind sie wirklich nur Rauschen? Gibt es eine Möglichkeit, dies zu testen?

Ich versuche zu entscheiden, ob eine Komponente eines PCA beibehalten werden soll oder nicht. Es gibt eine Unmenge von Kriterien, die auf der Größe des Eigenwerts basieren und z . B. hier oder hier beschrieben und verglichen werden . In meiner Anwendung weiß ich jedoch, dass der kleine (est)...

pca

18

Wie werden die Daten mithilfe der Hauptkomponentenanalyse aufgehellt?

Ich möchte meine Daten so transformieren, dass die Varianzen eins und die Kovarianzen null sind (dh ich möchte die Daten aufhellen). Außerdem sollte das Mittel Null sein.XX\mathbf X Ich weiß, dass ich durch Z-Standardisierung und PCA-Transformation dorthin komme, aber in welcher Reihenfolge sollte...

pca linear-algebra

18

Was genau heißt in PCA „Hauptkomponente“?

Angenommen, ist der Vektor, der die Varianz der Projektion der Daten mit der Entwurfsmatrix maximiert .XuuuXXX Nun habe ich Materialien gesehen, die als (ersten) Hauptbestandteil der Daten bezeichnen, der auch der Eigenvektor mit dem größten Eigenwert ist.uuu Ich habe jedoch auch gesehen, dass...

pca terminology definition