Je sais que l'APC régulière ne suit pas le modèle probabiliste pour les données observées. Quelle est donc la différence fondamentale entre PCA et PPCA ? En PPCA, le modèle de variable latente contient par exemple les variables observées , latentes (variables non observées ) et une matrice qui n'a...
J'essaie de voir s'il faut opter pour la régression de crête , LASSO , la régression en composantes principales (PCR) ou les moindres carrés partiels (PLS) dans une situation où il y a un grand nombre de variables / caractéristiques ( ) et un plus petit nombre d'échantillons ( n < p ), et mon...
J'utilise l'analyse en composantes principales (ACP) pour créer un index requis pour mes recherches. Ma question est de savoir comment créer un index unique en utilisant les principaux composants retenus calculés via PCA. Par exemple, j'ai décidé de conserver 3 composantes principales après avoir...
J'ai un ensemble de données avec 11 variables et PCA (orthogonal) a été fait pour réduire les données. Décider du nombre de composants à conserver était évident pour moi d'après mes connaissances sur le sujet et le tracé d'éboulis (voir ci-dessous) que deux composants principaux (PC) étaient...
J'analyse un ensemble de données à l'aide d'un modèle à effets mixtes avec un effet fixe (condition) et deux effets aléatoires (participant en raison de la conception et de la paire du sujet). Le modèle a été généré avec le lme4package:
Considérez le biplot PCA suivant: library(mvtnorm) set.seed(1) x <- rmvnorm(2000, rep(0, 6), diag(c(5, rep(1,5)))) x <- scale(x, center=T, scale=F) pc <- princomp(x) biplot(pc) Il y a un tas de flèches rouges tracées, que signifient-elles? Je savais que la première flèche étiquetée "Var1"...
Je passe actuellement par un jeu de diapositives que j'ai pour "l'analyse factorielle" (PCA pour autant que je sache). On y dérive le "théorème fondamental de l'analyse factorielle" qui prétend que la matrice de corrélation des données entrant dans l'analyse ( ) peut être récupérée en utilisant la...
En regardant les vecteurs propres de la matrice de covariance, nous obtenons les directions de variance maximale (le premier vecteur propre est la direction dans laquelle les données varient le plus, etc.); c'est ce qu'on appelle l'analyse en composantes principales (ACP). Je me demandais ce que...
Dans le cadre d'une mission universitaire, je dois effectuer un prétraitement des données sur un ensemble de données brutes assez vaste et multivarié (> 10). Je ne suis pas un statisticien dans aucun sens du mot, donc je suis un peu confus quant à ce qui se passe. Je m'excuse d'avance pour ce...
En utilisant ces données: head(USArrests) nrow(USArrests) Je peux faire un PCA ainsi: plot(USArrests) otherPCA <- princomp(USArrests) Je peux intégrer les nouveaux composants otherPCA$scores et la proportion de variance expliquée par les composantes avec summary(otherPCA) Mais que faire si je...
Je comprends que le test de Bartlett vise à déterminer si vos échantillons proviennent de populations présentant des variances égales. Si les échantillons proviennent de populations à variances égales, nous ne rejetons pas l'hypothèse nulle du test, et donc une analyse en composantes principales...
J'utilise la décomposition en valeurs singulières comme technique de réduction de dimensionnalité. Étant donné des Nvecteurs de dimension D, l'idée est de représenter les entités dans un espace transformé de dimensions non corrélées, qui condense la plupart des informations des données dans les...
J'ai ajusté le modèle à l'aide caret, mais j'ai ensuite réexécuté le modèle à l'aide du gbmpackage. Je crois comprendre que le caretpackage utilise gbmet que la sortie doit être la même. Cependant, un simple test rapide utilisant data(iris)montre une différence dans le modèle d'environ 5% en...
J'ai 3 essais chacun sur 87 animaux dans chacun des 2 contextes (certaines données manquantes; aucune donnée manquante = 64 animaux). Dans un contexte, j'ai de nombreuses mesures spécifiques ( le temps d'entrer, le nombre de fois de retour à l' abri, etc.), donc je veux développer 2 à 3 scores de...
Dans Statistical Methods in the Atmospheric Sciences , Daniel Wilks note que la régression linéaire multiple peut entraîner des problèmes s'il existe de très fortes intercorrélations entre les prédicteurs (3e édition, pages 559-560): Une pathologie qui peut se produire dans une régression linéaire...
Est-il judicieux de faire de l'ACP avant d'effectuer une classification aléatoire des forêts? J'ai affaire à des données de texte de grande dimension, et je veux faire une réduction de fonctionnalités pour éviter la malédiction de la dimensionnalité, mais Random Forests ne fait-il pas déjà une...
Si je construis une matrice 2-D entièrement composée de données aléatoires, je m'attendrais à ce que les composants PCA et SVD n'expliquent essentiellement rien. Au lieu de cela, il semble que la première colonne SVD semble expliquer 75% des données. Comment cela peut-il être? Qu'est-ce que je fais...
J'ai exécuté PCA sur 25 variables et sélectionné les 7 meilleurs PC utilisant prcomp. prc <- prcomp(pollutions, center=T, scale=T, retx=T) J'ai ensuite fait une rotation varimax sur ces composants. varimax7 <- varimax(prc$rotation[,1:7]) Et maintenant, je souhaite faire pivoter varimax les...
J'ai fréquemment utilisé pour diagnostiquer mes données multivariées à l'aide de l'ACP (données omiques avec des centaines de milliers de variables et des dizaines ou des centaines d'échantillons). Les données proviennent souvent d'expériences avec plusieurs variables indépendantes catégorielles...
J'ai un ensemble de données composé d'échantillons étiquetés 15K (de 10 groupes). Je souhaite appliquer une réduction de dimensionnalité en 2 dimensions, qui tiendrait compte de la connaissance des labels. Lorsque j'utilise des techniques de réduction de dimensionnalité "standard" non supervisées...