Domande taggate «pca»

L'analisi dei componenti principali (PCA) è una tecnica di riduzione dimensionale lineare. Riduce un set di dati multivariato a un set più piccolo di variabili costruite preservando quante più informazioni (più varianza) possibile. Queste variabili, chiamate componenti principali, sono combinazioni lineari delle variabili di input.

Negli studi di associazione a livello del genoma, quali sono i componenti principali?

Negli studi di associazione su tutto il genoma (GWAS): Quali sono i componenti principali? Perché sono usati? Come vengono calcolati? È possibile effettuare uno studio di associazione su tutto il genoma senza utilizzare la PCA?

20 pca genetics gwas

Comprensione geometrica della PCA nello spazio soggetto (doppio)

Sto cercando di ottenere una comprensione intuitiva di come funziona l'analisi dei componenti principali (PCA) nello spazio soggetto (doppio) . Considerare un set di dati 2D con due variabili, x1x1x_1 e e punti dati (la matrice di dati è e si presume che sia centrata). La normale presentazione di PCA …

19 pca linear-algebra intuition geometry

Come interpretare la PCA sui dati delle serie storiche?

Sto cercando di capire l'uso del PCA in un recente articolo di rivista intitolato "Mappare l'attività cerebrale su larga scala con il cluster computing" Freeman et al., 2014 (pdf gratuito disponibile sul sito web del laboratorio ). Usano la PCA sui dati delle serie storiche e usano i pesi della …

19 time-series pca state-space-models neuroimaging neuroscience

Non normalizzare i dati prima del PCA fornisce un rapporto di varianza meglio spiegato

Ho normalizzato il mio set di dati, quindi ho eseguito PCA a 3 componenti per ottenere piccoli rapporti di varianza spiegati ([0,50, 0,1, 0,05]). Quando non mi sono normalizzato ma ho imbiancato il mio set di dati e poi ho eseguito PCA a 3 componenti, ho ottenuto rapporti di varianza …

19 pca

PCA e Analisi fattoriale esplorativa sullo stesso set di dati: differenze e somiglianze; modello fattoriale vs PCA

Vorrei sapere se ha senso logico eseguire l'analisi dei componenti principali (PCA) e l'analisi dei fattori esplorativi (EFA) sullo stesso set di dati. Ho sentito che i professionisti raccomandano espressamente: Capire qual è l'obiettivo dell'analisi e scegliere PCA o EFA per l'analisi dei dati; Dopo aver effettuato un'analisi, non è …

19 pca factor-analysis

Relazione tra regressione della cresta e regressione della PCA

Ricordo di aver letto da qualche parte sul web una connessione tra regressione della cresta (con ℓ2ℓ2\ell_2 regolarizzazione) e regressione della PCA: durante l'utilizzo della regressione ℓ2ℓ2\ell_2 regolata con iperparametro λλ\lambda , se λ→0λ→0\lambda \to 0 , la regressione equivale alla rimozione della variabile PC con il più piccolo autovalore. …

19 regression pca regularization ridge-regression

Posizionamento delle frecce su un biplot PCA

Sto cercando di implementare un biplot per l'analisi dei componenti principali (PCA) in JavaScript. La mia domanda è: come posso determinare le coordinate delle frecce dall'uscita della decomposizione vettoriale singolare (SVD) della matrice di dati?U,V,DU,V,DU,V,D Ecco un esempio di biplot prodotto da R: biplot(prcomp(iris[,1:4])) Ho provato a cercarlo nell'articolo di …

18 pca svd biplot

Separazione alla fonte cieca della miscela convessa?

Supponiamo di avere fonti indipendenti, e osservare miscele convesse: X 1 , X 2 , . . . , X n m Y 1nnnX1, X2, . . . , XnX1,X2,...,XnX_1, X_2, ..., X_nmmmY1. . .Ym= a11X1+ a12X2+ ⋯ + a1 nXn= am 1X1+ am 2X2+ ⋯ + am nXnY1=a11X1+a12X2+⋯+a1nXn...Ym=am1X1+am2X2+⋯+amnXn\begin{align} Y_1 …

18 pca ica

Come sbiancare i dati utilizzando l'analisi dei componenti principali?

Voglio trasformare i miei dati XX\mathbf X tale che le varianze saranno una e le covarianze saranno zero (cioè voglio sbiancare i dati). Inoltre, i mezzi dovrebbero essere zero. So che ci arriverò facendo la standardizzazione Z e la trasformazione PCA, ma in quale ordine dovrei farlo? Aggiungo che la …

18 pca linear-algebra

Cosa si chiama esattamente "componente principale" in PCA?

Supponiamo è il vettore che massimizza la varianza della proiezione dei dati a matrice disegno X .uuuXXX Ora, ho visto i materiali che fanno riferimento come il (primo) componente principale dei dati, che è anche il più grande autovettore con autovalore.uuu Tuttavia, ho anche visto che il componente principale dei …

18 pca terminology definition

Componenti a bassa varianza in PCA, sono davvero solo rumore? C'è un modo per testarlo?

Sto cercando di decidere se conservare o meno un componente di un PCA. Esistono molti milioni di criteri basati sulla grandezza dell'autovalore, descritti e confrontati, ad esempio qui o qui . Tuttavia, nella mia applicazione so che il piccolo (est) autovalore sarà piccolo rispetto al grande (st) autovalore e i …

18 pca

Quali sono i quattro assi sul biplot PCA?

Quando si costruisce un biplot per un'analisi PCA, si hanno punteggi PC1 del componente principale sull'asse xe punteggi PC2 sull'asse y. Ma quali sono gli altri due assi a destra e nella parte superiore dello schermo?

18 r pca biplot

Quali sono i vantaggi del kernel PCA rispetto al PCA standard?

Voglio implementare un algoritmo in un documento che utilizza il kernel SVD per scomporre una matrice di dati. Quindi ho letto materiale sui metodi del kernel e sul kernel PCA ecc. Ma mi è ancora molto oscuro soprattutto quando si tratta di dettagli matematici, e ho alcune domande. Perché i …

18 pca svd kernel-trick

Perché ci dividiamo per la deviazione standard e non per qualche altro fattore di standardizzazione prima di fare PCA?

Stavo leggendo la seguente giustificazione (dalle note del corso cs229) sul perché dividiamo i dati grezzi per la loro deviazione standard: anche se capisco cosa sta dicendo la spiegazione, non mi è chiaro il motivo per cui la divisione per la deviazione standard avrebbe raggiunto un tale obiettivo. Dice che …

17 machine-learning pca mathematical-statistics

Analisi ponderata dei componenti principali

Dopo alcune ricerche, trovo ben poco sull'incorporazione di pesi di osservazione / errori di misurazione nell'analisi dei componenti principali. Quello che trovo tende a fare affidamento su approcci iterativi per includere i coefficienti correttori (ad es. Qui ). La mia domanda è: perché è necessario questo approccio? Perché non possiamo …

17 pca measurement-error weighted-data

Utilizzando il nostro sito, riconosci di aver letto e compreso le nostre Informativa sui cookie e Informativa sulla privacy.

Licensed under cc by-sa 3.0 with attribution required.