Saya melakukan analisis Matlab pada data MRI di mana saya telah melakukan PCA pada matriks berukuran 10304x236 di mana 10304 adalah jumlah voxel (menganggapnya sebagai piksel) dan 236 adalah jumlah titik waktu. PCA memberi saya nilai Eigen 236 dan koefisien terkait mereka. Ini semua baik-baik saja...
Dalam PCA, nilai eigen menentukan urutan komponen. Di ICA saya menggunakan kurtosis untuk mendapatkan pemesanan. Apa saja metode yang diterima untuk menilai nomor, (mengingat saya memiliki urutan) komponen yang unik selain dari pengetahuan sebelumnya tentang
Saya memiliki matriks , di mana p adalah jumlah gen dan n adalah jumlah pasien. Siapa pun yang bekerja dengan data tersebut tahu bahwa p selalu lebih besar dari n . Dengan menggunakan pemilihan fitur, saya mendapatkan p ke angka yang lebih masuk akal, namun p masih lebih besar dari n .n×pn×pn\times...
Saya ingin memahami bagaimana saya bisa mendapatkan persentase varians dari kumpulan data, bukan di ruang koordinat yang disediakan oleh PCA, tetapi terhadap serangkaian vektor (rotasi) yang sedikit berbeda. set.seed(1234) xx <- rnorm(1000) yy <- xx * 0.5 + rnorm(1000, sd = 0.6) vecs...
Saya memiliki GLMM formulir: lmer(present? ~ factor1 + factor2 + continuous + factor1*continuous + (1 | factor3), family=binomial) Ketika saya menggunakan drop1(model, test="Chi"), saya mendapatkan hasil yang berbeda daripada jika saya menggunakan Anova(model, type="III")dari paket mobil atau...
Salah satu metode yang disarankan kepada saya adalah dengan melihat plot scree dan memeriksa "siku" untuk menentukan jumlah PC yang tepat untuk digunakan. Tetapi jika plotnya tidak jelas, apakah R memiliki perhitungan untuk menentukan angka? fit <- princomp(mydata,
Saya mencoba menyesuaikan model waktu-diskrit dalam R, tapi saya tidak yakin bagaimana melakukannya. Saya telah membaca bahwa Anda dapat mengatur variabel dependen dalam baris yang berbeda, satu untuk setiap pengamatan waktu, dan menggunakan glmfungsi dengan logit atau tautan cloglog. Dalam hal...
Latar belakang: Saya bertanya kepada ratusan peserta dalam survei saya berapa banyak mereka tertarik pada bidang-bidang tertentu (dengan lima poin skala Likert dengan 1 menunjukkan "tidak tertarik" dan 5 menunjukkan "tertarik"). Lalu saya mencoba PCA. Gambar di bawah ini adalah proyeksi ke dalam...
Seperti judulnya, apakah pengurangan dimensi selalu kehilangan beberapa informasi? Pertimbangkan misalnya PCA. Jika data yang saya miliki sangat jarang, saya akan menganggap "pengkodean yang lebih baik" dapat ditemukan (apakah ini terkait dengan peringkat data?), Dan tidak ada yang akan...
Saya mengajar aljabar linier ke kelas insinyur, ilmuwan sosial, dan pemrogram komputer. Kami baru saja melakukan dekomposisi nilai singular, dan kami memiliki hari ekstra, jadi saya pikir saya akan berbicara tentang hubungan antara dekomposisi nilai singular dan analisis komponen utama. Saya...
Christopher Bishop menulis dalam bukunya Pattern Recognition dan Machine Learning sebagai bukti, bahwa setiap komponen utama berturut-turut memaksimalkan varian proyeksi ke satu dimensi, setelah data diproyeksikan ke ruang ortogonal ke komponen yang sebelumnya dipilih. Lainnya menunjukkan bukti...
Saya membaca contoh yang diberikan dalam buku, Machine Learning for Hackers . Pertama saya akan menguraikan contoh dan kemudian berbicara tentang pertanyaan saya. Contoh : Mengambil dataset selama 10 tahun dari 25 harga saham. Menjalankan PCA dengan harga 25 saham. Membandingkan komponen utama...
Banyak buku teks statistik memberikan ilustrasi intuitif tentang apa vektor eigen dari matriks kovarians: Vektor u dan z membentuk vektor eigen (well, eigenaxes). Ini masuk akal. Tetapi satu hal yang membingungkan saya adalah bahwa kita mengekstrak vektor eigen dari matriks korelasi , bukan data...
Saya membaca artikel ini tentang perbedaan antara Analisis Komponen Utama dan Analisis Diskriminan Berganda (Analisis Diskriminan Linier), dan saya mencoba memahami mengapa Anda akan menggunakan PCA daripada MDA / LDA. Penjelasannya dirangkum sebagai berikut: secara kasar berbicara dalam PCA...
Dalam PCA, apakah ada bedanya jika kita memilih komponen utama dari matriks kovarians terbalik ATAU jika kita menjatuhkan vektor eigen dari matriks kovarians yang sesuai dengan nilai eigen besar? Ini terkait dengan diskusi di dalam posting ini
Saya baru-baru ini belajar tentang PCA yang luar biasa dan saya telah melakukan contoh yang diuraikan dalam dokumentasi scikit-learn . Saya tertarik untuk mengetahui bagaimana saya bisa menerapkan PCA ke titik data baru untuk tujuan klasifikasi. Setelah memvisualisasikan PCA dalam bidang 2...
Saya memiliki matriks X , yang mengandung N saya = 20 sampel dalam ruang D = 100- dimensi. Saya sekarang ingin kode analisis komponen utama saya sendiri (PCA) di Matlab. Saya merendahkan X ke X 0 terlebih dahulu.20×10020×10020\times100XXXN=20N=20N=20D=100D=100D=100XXXX0X0X_0 Saya membaca dari kode...
Saya memiliki dataset 50 sampel. Setiap sampel terdiri dari 11 (mungkin berkorelasi) fitur Boolean. Saya ingin beberapa cara memvisualisasikan sampel ini pada plot 2D dan memeriksa apakah ada cluster / pengelompokan di antara 50 sampel. Saya sudah mencoba dua pendekatan berikut: (a) Jalankan PCA...
Saya baru saja menjalankan FA menggunakan rotasi miring (promax) dan item menghasilkan pemuatan faktor 1,041 pada satu faktor, (dan pemuatan faktor -.131, -.119 dan .065 pada faktor-faktor lain menggunakan matriks pola ) . Dan saya tidak yakin apa artinya, saya pikir itu hanya antara -1 dan...
Saya memiliki dataset yang terdiri dari 10 variabel. Saya menjalankan partial least square (PLS) untuk memprediksi variabel respon tunggal oleh 10 variabel ini, mengekstraksi 10 komponen PLS, dan kemudian menghitung varians dari masing-masing komponen. Pada data asli saya mengambil jumlah varians...