Je lis un exemple donné dans le livre, Machine Learning for Hackers . Je vais d'abord développer l'exemple, puis parler de ma question. Exemple : Prend un ensemble de données pour 10 ans de 25 actions. Exécute PCA sur les 25 cours de bourse. Compare la composante principale avec l'indice Dow Jones....
Je fais une analyse Matlab sur des données d'IRM où j'ai effectué l'ACP sur une matrice de taille 10304x236 où 10304 est le nombre de voxels (pensez-y comme pixels) et 236 est le nombre de points temporels. L'ACP me donne 236 valeurs propres et leurs coefficients associés. Tout va bien. Cependant,...
En PCA, cela fait-il une différence si nous choisissons les principales composantes de la matrice de covariance inverse OU si nous laissons tomber les vecteurs propres de la matrice de covariance correspondant à de grandes valeurs propres? Ceci est lié à la discussion dans ce post...
J'ai des difficultés à sélectionner la bonne façon de visualiser les données. Disons que nous avons des librairies qui vendent des livres , et chaque livre a au moins une catégorie . Pour une librairie, si nous comptons toutes les catégories de livres, nous acquérons un histogramme qui montre le...
Plusieurs packages statistiques, tels que SAS, SPSS et R, vous permettent d'effectuer une sorte de rotation des facteurs après une PCA. Pourquoi une rotation est-elle nécessaire après un PCA? Pourquoi appliquer une rotation oblique après une ACP étant donné que l'objectif de l'ACP est de produire...
Est-il possible d'utiliser l'analyse du composant principal du noyau (kPCA) pour l'indexation sémantique latente (LSI) de la même manière que PCA est utilisé? J'exécute LSI dans R en utilisant la prcompfonction PCA et j'extrais les caractéristiques avec les charges les plus élevées à partir des...
Imaginez que vous ayez un polygone défini par un ensemble de coordonnées et son centre de masse est à . Vous pouvez traiter le polygone comme une distribution uniforme avec une limite polygonale. (x1,y1)...(xn,yn)(x1,y1)...(xn,yn)(x_1,y_1)...(x_n,y_n)(0,0)(0,0)(0,0) Je recherche une méthode qui...
J'ai effectué à la fois une décomposition SVD et une mise à l'échelle multidimensionnelle d'une matrice de données à 6 dimensions, afin de mieux comprendre la structure des données. Malheureusement, toutes les valeurs singulières sont du même ordre, ce qui implique que la dimensionnalité des...
Question: Existe-t-il des directives générales concernant les caractéristiques des données d'entrée, qui peuvent être utilisées pour décider entre l'application de l'ACP par rapport à LSA / LSI? Bref résumé de PCA vs LSA / LSI: L'analyse en composantes principales (PCA) et l'analyse sémantique...
Comment utiliser la sortie d'une analyse en composantes principales (ACP) dans un modèle linéaire généralisé (GLM), en supposant que l'ACP est utilisée pour la sélection des variables pour le GLM? Clarification: je veux utiliser PCA pour éviter d'utiliser des variables corrélées dans le GLM....
En lisant Wikipédia sur l'analyse de corrélation canonique (CCA) pour deux vecteurs aléatoires et Y , je me demandais si l'anslysis du composant principal (PCA) est le même que le CCA lorsque X = Y
J'utilise un classificateur basé sur les réseaux neuronaux pour exécuter une classification de mes données en n dimensions. Ensuite, j'ai pensé que ce pourrait être une bonne idée d'exécuter une réduction de dimension comme PCA pour mes données au début, puis de mettre les résultats PCA dans le...
J'analyse un ensemble de données concernant les communautés intertidales. Les données sont le pourcentage de couverture (d'algues, bernaches, moules, etc.) en quadrats. J'ai l'habitude de penser à l'analyse des correspondances (AC) en termes de dénombrement des espèces et à l'analyse en composantes...
Disons que je peux connaître la SVD d'une matrice :XXXX=USVTX=USVTX = USV^T Si j'ai une matrice orthogonale (c'est-à-dire que est carré et a des colonnes orthonormées), alors la SVD de estAAAAAAXAXAXA XA=USWTXA=USWTXA = USW^T où .W=ATVW=ATVW = A^TV Mais peut-on dire quelque chose sur la SVD de si a...
J'essaie de comprendre la sortie de l'analyse des composants principaux effectuée comme suit: > head(iris) Sepal.Length Sepal.Width Petal.Length Petal.Width Species 1 5.1 3.5 1.4 0.2 setosa 2 4.9 3.0 1.4 0.2 setosa 3 4.7 3.2 1.3 0.2 setosa 4 4.6 3.1 1.5 0.2 setosa 5 5.0 3.6 1.4 0.2 setosa 6 5.4...
Supose est une matrice de données moyenne centrée. La matrice est , a valeurs propres distinctes et vecteurs propres , ... , qui sont orthogonaux.S = cov ( A ) m × m m s 1 s 2 s mUNEA\mathbf AS =cov( A )S=cov(A)\mathbf S=\text{cov}(\mathbf A)m × mm×mm\times mmmms1s1\mathbf s_1s2s2\mathbf...
Je lis sur les bases de l' analyse des composants principaux de tutorial1 , link1 et lien2 . J'ai un ensemble de données de 100 variables (y compris la variable de sortie Y), je veux réduire les variables à 40 par PCA, puis prédire la variable Y en utilisant ces 40 variables. Problème 1: Après...
Je prends une donnée factice de la température par rapport aux ventes de crème glacée et la classe en utilisant K Means (n grappes = 2) pour distinguer 2 catégories (totalement factice). Maintenant, je fais une analyse en composantes principales sur ces données et mon objectif est de comprendre...
J'ai un ensemble de données de 1000+ échantillons de 19 variables. Mon objectif est de prédire une variable binaire basée sur les 18 autres variables (binaires et continues). Je suis assez confiant que 6 des variables de prédiction sont associées à la réponse binaire, cependant, je voudrais...
J'essaie de réduire la dimensionnalité et le bruit d'un ensemble de données en effectuant l'ACP sur l'ensemble de données et en jetant les derniers PC. Après cela, je veux utiliser certains algorithmes d'apprentissage automatique sur les PC restants, et donc je veux normaliser les données en...