Statistiche e Big Data pca

3

Kernel PCA con kernel lineare equivale a PCA standard?

Se nel kernel PCA scelgo un kernel lineare , il risultato sarà diverso dal normale PCA lineare ? Le soluzioni sono fondamentalmente diverse o esiste qualche relazione ben definita?K(x,y)=x⊤yK(x,y)=x⊤yK(\mathbf{x},\mathbf{y}) = \mathbf x^\top \mathbf y

17 pca kernel-trick

1

Quali sono gli algoritmi efficienti per calcolare la decomposizione del valore singolare (SVD)?

L'articolo di Wikipedia sull'analisi dei componenti principali afferma che Esistono algoritmi efficienti per calcolare l'SVD di senza dover formare la matrice , quindi il calcolo dell'SVD è ora il modo standard per calcolare un'analisi dei componenti principali da una matrice di dati, a meno che non sia necessaria solo una …

17 pca algorithms svd numerics

1

I metodi robusti sono davvero migliori?

Ho due gruppi di soggetti, A e B, ciascuno con una dimensione di circa 400 e circa 300 predittori. Il mio obiettivo è costruire un modello di previsione per una variabile di risposta binaria. Il mio cliente vuole vedere il risultato dell'applicazione del modello costruito da A su B. (Nel …

17 pca logistic predictive-models robust

4

Variabili di "normalizzazione" per SVD / PCA

Supponiamo di avere NNN variabili misurabili, , facciamo un numero di misurazioni e quindi desideriamo eseguire una decomposizione di valore singolare sui risultati per trovare gli assi con la varianza più alta per i punti nello spazio N- dimensionale. ( Nota: supponiamo che i mezzi di a_i siano già stati …

17 pca data-transformation normalization dimensionality-reduction svd

3

Analisi dei componenti principali "all'indietro": quanta varianza dei dati è spiegata da una data combinazione lineare delle variabili?

Ho effettuato un'analisi delle componenti principali delle sei variabili , , , , e . Se ho capito bene, PC1 non ruotato mi dice quale combinazione lineare di queste variabili descrive / spiega la maggiore varianza nei dati e PC2 mi dice quale combinazione lineare di queste variabili descrive la …

17 variance pca r-squared covariance-matrix

1

Robusta PCA vs. robusta distanza Mahalanobis per un rilevamento anomalo

La solida PCA (sviluppata da Candes et al 2009 o meglio Netrepalli et al 2014 ) è un metodo popolare per il rilevamento di valori anomali multivariati , ma la distanza di Mahalanobis può anche essere utilizzata per il rilevamento di valori anomali, data una stima solida e regolarizzata della …

17 pca outliers covariance-matrix robust anomaly-detection

1

Qual è la misura di associazione corretta di una variabile con un componente PCA (su un biplot / grafico di caricamento)?

Sto usando FactoMineRper ridurre il mio set di dati di misurazioni alle variabili latenti. La mappa variabili di cui sopra è chiaro per me da interpretare, ma io sono confuso quando si tratta di associazioni tra le variabili e componenti 1. guardando la mappa variabile, ddped covè molto vicino alla …

17 correlation pca factor-analysis association-measure biplot

2

Perché trasformare i dati prima di eseguire l'analisi dei componenti principali?

Sto seguendo un tutorial qui: http://www.r-bloggers.com/computing-and-visualizing-pca-in-r/ per ottenere una migliore comprensione del PCA. Il tutorial utilizza il set di dati di Iris e applica una trasformazione del registro prima di PCA: Si noti che nel codice seguente applichiamo una trasformazione del registro alle variabili continue come suggerito da [1] e …

16 r pca data-transformation logarithm

1

I componenti PCA dei dati gaussiani multivariati sono statisticamente indipendenti?

I componenti PCA (nell'analisi dei componenti principali) sono statisticamente indipendenti se i nostri dati sono multivariati normalmente distribuiti? In tal caso, come può essere dimostrato / provato? Lo chiedo perché ho visto questo post , in cui la risposta principale afferma: PCA non fa un'ipotesi esplicita di gaussianità. Trova gli …

16 pca independence svd

2

Mostra correlazione spaziale e temporale sulle mappe

Ho dei dati per una rete di stazioni meteorologiche negli Stati Uniti. Questo mi dà un frame di dati che contiene data, latitudine, longitudine e un certo valore misurato. Supponiamo che i dati vengano raccolti una volta al giorno e guidati da condizioni meteorologiche su scala regionale (no, non entreremo …

16 r regression data-visualization pca spatial

2

Quando uniamo la riduzione della dimensionalità al clustering?

Sto cercando di eseguire il clustering a livello di documento. Ho costruito la matrice di frequenza dei termini-documento e sto cercando di raggruppare questi vettori ad alta dimensione usando k-medie. Invece di raggruppare direttamente, quello che ho fatto è stato prima applicare la decomposizione vettoriale singolare di LSA (Latent Semantic …

16 clustering pca dimensionality-reduction text-mining svd

2

Valutare l'affidabilità di un questionario: dimensionalità, elementi problematici e se utilizzare alpha, lambda6 o qualche altro indice?

Sto analizzando i punteggi forniti dai partecipanti a un esperimento. Voglio stimare l'affidabilità del mio questionario che è composto da 6 articoli volti a stimare l'atteggiamento dei partecipanti verso un prodotto. Ho calcolato l'alfa di Cronbach trattando tutti gli oggetti come una singola scala (l'alfa era di circa 0,6) ed …

16 pca reliability scales psychometrics cronbachs-alpha

3

Interpretazione dei punteggi PCA

Qualcuno può aiutarmi a interpretare i punteggi PCA? I miei dati provengono da un questionario sugli atteggiamenti verso gli orsi. Secondo i caricamenti, ho interpretato uno dei miei componenti principali come "paura degli orsi". I punteggi di quella componente principale sarebbero correlati al modo in cui ciascun rispondente misura fino …

16 pca

1

Qual è la connessione tra minimi quadrati parziali, regressione di rango ridotto e regressione della componente principale?

La regressione di rango ridotto e la regressione della componente principale sono solo casi speciali di minimi quadrati parziali? Questo tutorial (Pagina 6, "Confronto di obiettivi") afferma che quando eseguiamo i minimi quadrati parziali senza proiettare X o Y (cioè "non parziale"), diventa di conseguenza una regressione di rango ridotta …

16 regression pca dimensionality-reduction partial-least-squares reduced-rank-regression

2

Convalida incrociata PCA e k-fold nel pacchetto di inserimento in R

Ho appena rivisto una lezione del corso di Machine Learning su Coursera. Nella sezione in cui il professore discute di PCA per i dati di pre-elaborazione in applicazioni di apprendimento supervisionato, afferma che il PCA deve essere eseguito solo sui dati di addestramento e quindi la mappatura viene utilizzata per …

16 r pca cross-validation caret

Domande taggate «pca»