Statistiche e Big Data pca

3

Come proiettare uno spazio ad alta dimensione in un piano bidimensionale?

Ho un set di punti dati in uno spazio N-dimensionale. Inoltre, ho anche un centroide in questo stesso spazio N-dimensionale. Esistono approcci che possono permettermi di proiettare questi punti di dati in uno spazio bidimensionale mantenendo le informazioni relative alla distanza nello spazio originale. PCA è quello corretto?

11 data-visualization pca multidimensional-scaling

2

Qual è il vantaggio di ridurre la dimensionalità dei predittori ai fini della regressione?

Quali sono le applicazioni o i vantaggi della regressione della riduzione dimensionale (DRR) o delle tecniche di riduzione dimensionale supervisionata (SDR) rispetto alle tecniche di regressione tradizionale (senza alcuna riduzione dimensionale)? Questa classe di tecniche trova una rappresentazione a bassa dimensione dell'insieme di funzionalità per il problema di regressione. Esempi …

11 regression machine-learning pca dimensionality-reduction

3

Esercitazione PCA pratica con dati

La ricerca in Internet del tutorial PCA offre migliaia di risultati (anche video). Molti tutorial sono molto buoni. Ma non sono in grado di trovare alcun esempio pratico in cui viene spiegato PCA utilizzando alcuni set di dati che posso usare per la dimostrazione. Ho bisogno di un tutorial che …

11 data-visualization dataset pca data-mining

7

Tecnica di riduzione dei dati per identificare i tipi di paesi

Insegno a un corso introduttivo di geografia economica. Per aiutare i miei studenti a sviluppare una migliore comprensione dei tipi di paesi presenti nell'economia mondiale contemporanea e un apprezzamento delle tecniche di riduzione dei dati, voglio costruire un compito che crei una tipologia di diversi tipi di paesi (ad es. …

11 pca factor-analysis dimensionality-reduction

1

Qual è la differenza tra summary () e loadings () per l'oggetto princomp () in R?

Codice di esempio: (pc.cr <- princomp(USArrests)) summary(pc.cr) loadings(pc.cr) ## note that blank entries are small but not zero Ricevo output diversi da ciascuno e non sono sicuro di capire quale sia la differenza. Ecco l'output: > summary(pc.cr) Importance of components: Comp.1 Comp.2 Comp.3 Comp.4 Standard deviation 82.8908472 14.06956001 6.424204055 2.4578367034 …

11 r pca

1

Frecce delle variabili sottostanti nel biplot PCA in R

A rischio di rendere la domanda specifica per il software, e con la scusa della sua ubiquità e idiosincrasie, voglio fare una domanda sulla funzione biplot()in R e, più specificamente, sul calcolo e sulla stampa delle sue frecce rosse sovrapposte predefinite, corrispondenti alle variabili sottostanti. [Per dare un senso ad …

11 r pca biplot

1

R / mgcv: Perché i prodotti tensor te () e ti () producono superfici diverse?

Il mgcvpacchetto per Rha due funzioni per adattare le interazioni del prodotto tensore: te()e ti(). Comprendo la divisione di base del lavoro tra i due (adattamento di un'interazione non lineare rispetto alla scomposizione di questa interazione in effetti principali e un'interazione). Quello che non capisco è perché te(x1, x2)e ti(x1) …

11 r gam mgcv conditional-probability mixed-model references bayesian estimation conditional-probability machine-learning optimization gradient-descent r hypothesis-testing wilcoxon-mann-whitney time-series bayesian inference change-point time-series anova repeated-measures statistical-significance bayesian contingency-tables regression prediction quantiles classification auc k-means scikit-learn regression spatial circular-statistics t-test effect-size cohens-d r cross-validation feature-selection caret machine-learning modeling python optimization frequentist correlation sample-size normalization group-differences heteroscedasticity independence generalized-least-squares lme4-nlme references mcmc metropolis-hastings optimization r logistic feature-selection separation clustering k-means normal-distribution gaussian-mixture kullback-leibler java spark-mllib data-visualization categorical-data barplot hypothesis-testing statistical-significance chi-squared type-i-and-ii-errors pca scikit-learn conditional-expectation statistical-significance meta-analysis intuition r time-series multivariate-analysis garch machine-learning classification data-mining missing-data cart regression cross-validation matrix-decomposition categorical-data repeated-measures chi-squared assumptions contingency-tables prediction binary-data trend test-for-trend matrix-inverse anova categorical-data regression-coefficients standard-error r distributions exponential interarrival-time copula log-likelihood time-series forecasting prediction-interval mean standard-error meta-analysis meta-regression network-meta-analysis systematic-review normal-distribution multiple-regression generalized-linear-model poisson-distribution poisson-regression r sas cohens-kappa

2

Come determinare i parametri per t-SNE per ridurre le dimensioni?

Sono molto nuovo con gli incantesimi di parole. Voglio visualizzare come stanno i documenti dopo l'apprendimento. Ho letto che t-SNE è l'approccio per farlo. Ho 100K documenti con 250 dimensioni come dimensione dell'incorporamento. Ci sono anche diversi pacchetti disponibili. Tuttavia, per t-SNE, non so quante iterazioni o il valore di …

11 pca dimensionality-reduction word2vec word-embeddings tsne

3

Il primo componente principale non separa le classi, ma altri PC lo fanno; come è possibile?

Ho eseguito PCA su 17 variabili quantitative al fine di ottenere un insieme più piccolo di variabili, ovvero i componenti principali, da utilizzare nell'apprendimento automatico supervisionato per classificare le istanze in due classi. Dopo PCA il PC1 rappresenta il 31% della varianza nei dati, PC2 rappresenta il 17%, PC3 rappresenta …

11 machine-learning classification pca dimensionality-reduction

4

Analisi e regressione dei componenti principali in Python

Sto cercando di capire come riprodurre in Python alcuni lavori che ho svolto in SAS. Utilizzando questo set di dati , in cui la multicollinearità è un problema, vorrei eseguire l'analisi dei componenti principali in Python. Ho esaminato scikit-learn e statsmodels, ma non sono sicuro di come ottenere il loro …

11 pca python scikit-learn

3

I valori di ridimensionamento in un'analisi discriminante lineare (LDA) possono essere utilizzati per tracciare variabili esplicative sui discriminanti lineari?

Utilizzando un biplot di valori ottenuti attraverso l'analisi dei componenti principali, è possibile esplorare le variabili esplicative che compongono ciascun componente principale. Ciò è possibile anche con l'analisi discriminante lineare? Gli esempi forniti utilizzano I dati sono "Dati Iris di Edgar Anderson" ( http://en.wikipedia.org/wiki/Iris_flower_data_set ). Ecco i dati dell'iride : …

11 r pca multivariate-analysis discriminant-analysis biplot

3

Eigenmaps PCA, ICA e Laplacian

Domanda Sono molto interessato al metodo Eigenmaps Laplaciano. Attualmente lo sto usando per ridurre le dimensioni dei miei set di dati medici. Tuttavia, ho riscontrato un problema utilizzando il metodo. Ad esempio, ho alcuni dati (segnali spettri) e posso usare PCA (o ICA) per ottenere alcuni PC (o IC). Il …

11 pca ica

3

Quando useresti PCA anziché LDA nella classificazione?

Sto leggendo questo articolo sulla differenza tra l'analisi dei componenti di principio e l'analisi discriminante multipla (analisi discriminante lineare) e sto cercando di capire perché dovresti mai usare PCA piuttosto che MDA / LDA. La spiegazione è riassunta come segue: parlando approssimativamente in PCA stiamo cercando di trovare gli assi …

10 classification pca dimensionality-reduction discriminant-analysis

1

Come ottenere "autovalori" (percentuali di varianza spiegata) di vettori che non sono autovettori PCA?

Vorrei capire come posso ottenere la percentuale di varianza di un set di dati, non nello spazio di coordinate fornito da PCA, ma rispetto a un set leggermente diverso di vettori (ruotati). set.seed(1234) xx <- rnorm(1000) yy <- xx * 0.5 + rnorm(1000, sd = 0.6) vecs <- cbind(xx, yy) …

10 r variance pca linear-algebra

2

Matrice inversa di covarianza vs matrice di covarianza in PCA

Nella PCA, fa differenza se scegliamo i componenti principali della matrice di covarianza inversa O se lasciamo cadere gli autovettori della matrice di covarianza corrispondenti a grandi autovalori? Questo è legato alla discussione in questo post .

10 machine-learning pca computational-statistics

Domande taggate «pca»