Estadísticas y Big Data pca

3

¿Cuándo usaría PCA en lugar de LDA en la clasificación?

Estoy leyendo este artículo sobre la diferencia entre el Análisis de componentes principales y el Análisis discriminante múltiple (Análisis discriminante lineal), y estoy tratando de entender por qué alguna vez usaría PCA en lugar de MDA / LDA. La explicación se resume de la siguiente manera: en términos generales, en …

10 classification pca dimensionality-reduction discriminant-analysis

1

¿Cómo obtener "valores propios" (porcentajes de la varianza explicada) de vectores que no son vectores propios de PCA?

Me gustaría entender cómo puedo obtener el porcentaje de varianza de un conjunto de datos, no en el espacio de coordenadas proporcionado por PCA, sino en un conjunto ligeramente diferente de vectores (rotados). set.seed(1234) xx <- rnorm(1000) yy <- xx * 0.5 + rnorm(1000, sd = 0.6) vecs <- cbind(xx, …

10 r variance pca linear-algebra

2

Matriz de covarianza inversa vs matriz de covarianza en PCA

En PCA, ¿hace alguna diferencia si elegimos componentes principales de la matriz de covarianza inversa O si eliminamos los vectores propios de la matriz de covarianza correspondientes a valores propios grandes? Esto está relacionado con la discusión en esta publicación .

10 machine-learning pca computational-statistics

2

¿Se puede utilizar el Análisis de componentes principales en precios de acciones / datos no estacionarios?

Estoy leyendo un ejemplo dado en el libro Machine Learning for Hackers . Primero elaboraré el ejemplo y luego hablaré sobre mi pregunta. Ejemplo : Toma un conjunto de datos durante 10 años de 25 precios de las acciones. Ejecuta PCA en los 25 precios de las acciones. Compara el …

10 time-series pca references covariance stationarity

1

¿Qué se entiende por PCA preservando solo grandes distancias por pares?

Actualmente estoy leyendo sobre la técnica de visualización t-SNE y se mencionó que uno de los inconvenientes de usar el análisis de componentes principales (PCA) para visualizar datos de alta dimensión es que solo conserva grandes distancias por pares entre los puntos. Los puntos de significado que están muy separados …

10 machine-learning data-visualization pca tsne

1

¿Es posible la PCA a gran escala?

La forma clásica del análisis de componentes principales (PCA) es hacerlo en una matriz de datos de entrada cuyas columnas tienen media cero (entonces PCA puede "maximizar la varianza"). Esto se puede lograr fácilmente centrando las columnas. Sin embargo, cuando la matriz de entrada es escasa, la matriz centrada ahora …

10 pca algorithms dimensionality-reduction large-data sparse

1

¿Por qué todos los componentes PLS juntos explican solo una parte de la varianza de los datos originales?

Tengo un conjunto de datos que consta de 10 variables. Ejecuté mínimos cuadrados parciales (PLS) para predecir una variable de respuesta única por estas 10 variables, extraje 10 componentes PLS y luego calculé la varianza de cada componente. En los datos originales tomé la suma de las varianzas de todas …

10 regression pca covariance-matrix partial-least-squares

1

¿La PCA todavía se realiza mediante la descomposición propia de la matriz de covarianza cuando la dimensionalidad es mayor que el número de observaciones?

Tengo una matriz , que contiene mis muestras en el espacio -dimensional. Ahora deseo codificar mi propio análisis de componentes principales (PCA) en Matlab. Debo decir a primero.X N = 20 D = 100 X X 020 × 10020×10020\times100XXXnorte= 20N=20N=20D = 100D=100D=100XXXX0 0X0X_0 Leí en el código de alguien que …

10 pca

2

Aplicación de PCA para probar datos con fines de clasificación

Recientemente he aprendido sobre el maravilloso PCA y he hecho el ejemplo descrito en la documentación de scikit-learn . Estoy interesado en saber cómo puedo aplicar PCA a nuevos puntos de datos para fines de clasificación. Después de visualizar PCA en un plano bidimensional (eje x, y), veo que probablemente …

10 classification pca scikit-learn

1

Confundido acerca de la explicación visual de los vectores propios: ¿cómo pueden los conjuntos de datos visualmente diferentes tener los mismos vectores propios?

Muchos libros de texto de estadísticas proporcionan una ilustración intuitiva de cuáles son los vectores propios de una matriz de covarianza: Los vectores u y z forman los vectores propios (bueno, los propios). Esto tiene sentido. Pero lo único que me confunde es que extraemos vectores propios de la matriz …

10 correlation pca covariance-matrix eigenvalues

2

¿Cuáles son buenas métricas para evaluar la calidad de un ajuste de PCA para seleccionar el número de componentes?

¿Cuál es una buena métrica para evaluar la calidad del análisis de componentes principales (PCA)? Realicé este algoritmo en un conjunto de datos. Mi objetivo era reducir la cantidad de funciones (la información era muy redundante). Sé que el porcentaje de variación mantenido es un buen indicador de la cantidad …

10 machine-learning pca data-mining information-theory

3

¿La reducción de dimensiones siempre pierde información?

Como dice el título, ¿la reducción de dimensiones siempre pierde algo de información? Considere, por ejemplo, PCA. Si los datos que tengo son muy escasos, supongo que se podría encontrar una "mejor codificación" (¿está relacionado de alguna manera con el rango de los datos?), Y no se perdería nada.

10 pca information-theory information

1

¿Cómo interpretar este biplot de PCA proveniente de una encuesta de qué áreas están interesadas las personas?

Antecedentes: le pregunté a cientos de participantes en mi encuesta cuánto están interesados en áreas seleccionadas (en escalas Likert de cinco puntos con 1 que indica "no interesado" y 5 que indica "interesado"). Entonces probé PCA. La siguiente imagen es una proyección de los dos primeros componentes principales. Los colores …

10 pca interpretation survey likert biplot

3

Elegir el número de componentes principales para retener

Un método que me sugirieron es mirar un diagrama de pantalla y verificar el "codo" para determinar la cantidad correcta de PC a usar. Pero si el gráfico no está claro, ¿tiene R un cálculo para determinar el número? fit <- princomp(mydata, cor=TRUE)

10 r pca

1

¿Por qué Anova () y drop1 () proporcionaron diferentes respuestas para GLMM?

Tengo un GLMM de la forma: lmer(present? ~ factor1 + factor2 + continuous + factor1*continuous + (1 | factor3), family=binomial) Cuando lo uso drop1(model, test="Chi"), obtengo resultados diferentes a los que uso Anova(model, type="III")del paquete del automóvil o summary(model). Estos dos últimos dan las mismas respuestas. Usando un montón de …

10 r anova glmm r mixed-model bootstrap sample-size cross-validation roc auc sampling stratification random-allocation logistic stata interpretation proportion r regression multiple-regression linear-model lm r cross-validation cart rpart logistic generalized-linear-model econometrics experiment-design causality instrumental-variables random-allocation predictive-models data-mining estimation contingency-tables epidemiology standard-deviation mean ancova psychology statistical-significance cross-validation synthetic-data poisson-distribution negative-binomial bioinformatics sequence-analysis distributions binomial classification k-means distance unsupervised-learning euclidean correlation chi-squared spearman-rho forecasting excel exponential-smoothing binomial sample-size r change-point wilcoxon-signed-rank ranks clustering matlab covariance covariance-matrix normal-distribution simulation random-generation bivariate standardization confounding z-statistic forecasting arima minitab poisson-distribution negative-binomial poisson-regression overdispersion probability self-study markov-process estimation maximum-likelihood classification pca group-differences chi-squared survival missing-data contingency-tables anova proportion

Preguntas etiquetadas con pca