Estadísticas y Big Data pca

1

Uso de curtosis para evaluar la importancia de los componentes del análisis de componentes independiente

En PCA, los valores propios determinan el orden de los componentes. En ICA estoy usando curtosis para obtener el pedido. ¿Cuáles son algunos métodos aceptados para evaluar el número, (dado que tengo el orden) de componentes que son singulares aparte del conocimiento previo sobre la señal?

10 statistical-significance pca kurtosis ica

2

En el análisis factorial (o en PCA), ¿qué significa un factor de carga mayor que 1?

Acabo de ejecutar un FA usando una rotación oblicua (promax) y un elemento arrojó una carga de factor de 1.041 en un factor, (y cargas de factor de -.131, -.119 y .065 en los otros factores usando matriz de patrones ) . Y no estoy seguro de lo que significa, …

10 pca factor-analysis factor-rotation

1

Un documento menciona una "simulación de Monte Carlo para determinar el número de componentes principales"; ¿como funciona?

Estoy haciendo un análisis de Matlab en datos de MRI donde realicé PCA en una matriz de tamaño 10304x236 donde 10304 es el número de vóxeles (piense en ellos como píxeles) y 236 es el número de puntos de tiempo. El PCA me da 236 valores propios y sus coeficientes …

10 pca eigenvalues neuroimaging

2

Diferencia entre PCA y agrupación espectral para un pequeño conjunto de muestras de características booleanas

Tengo un conjunto de datos de 50 muestras. Cada muestra se compone de 11 características booleanas (posiblemente correlacionadas). Me gustaría ver de alguna manera cómo visualizar estas muestras en una gráfica 2D y examinar si hay grupos / agrupaciones entre las 50 muestras. He intentado los siguientes dos enfoques: (a) …

10 clustering data-visualization pca k-means spectral-analysis

2

¿Por qué PCA maximiza la varianza total de la proyección?

Christopher Bishop escribe en su libro Pattern Recognition and Machine Learning una prueba de que cada componente principal consecutivo maximiza la varianza de la proyección a una dimensión, después de que los datos se hayan proyectado en el espacio ortogonal a los componentes previamente seleccionados. Otros muestran pruebas similares. Sin …

10 machine-learning variance pca dimensionality-reduction eigenvalues

4

Modelo de historial de eventos en tiempo discreto (supervivencia) en R

Estoy tratando de ajustar un modelo de tiempo discreto en R, pero no estoy seguro de cómo hacerlo. He leído que puede organizar la variable dependiente en diferentes filas, una para cada observación de tiempo, y usar la glmfunción con un enlace logit o cloglog. En este sentido, tengo tres …

10 r survival pca sas matlab neural-networks r logistic spatial spatial-interaction-model r time-series econometrics var statistical-significance t-test cross-validation sample-size r regression optimization least-squares constrained-regression nonparametric ordinal-data wilcoxon-signed-rank references neural-networks jags bugs hierarchical-bayesian gaussian-mixture r regression svm predictive-models libsvm scikit-learn probability self-study stata sample-size spss wilcoxon-mann-whitney survey ordinal-data likert group-differences r regression anova mathematical-statistics normal-distribution random-generation truncation repeated-measures variance variability distributions random-generation uniform regression r generalized-linear-model goodness-of-fit data-visualization r time-series arima autoregressive confidence-interval r time-series arima autocorrelation seasonality hypothesis-testing bayesian frequentist uninformative-prior correlation matlab cross-correlation

3

Distancia de Mahalanobis vía PCA cuando

Tengo una matriz , donde p es el número de genes yn es el número de pacientes. Cualquiera que haya trabajado con estos datos sabe que p siempre es mayor que n . Usando la selección de características, pude obtener p a un número más razonable, sin embargo, p es …

10 correlation pca genetics covariance distance-functions

1

¿Qué es el subespacio principal en PCA probabilístico?

si se observa matriz de datos e es variable latenteXXXYYY X= WY+ μ + ϵX=WY+μ+ϵX=WY+\mu+\epsilon Donde es la media de los datos observados, y es el error / ruido gaussiano en los datos, y se llama subespacio principal.μμ\muϵϵ\epsilonWWW Mi pregunta es cuando se usa PCA normal, obtendríamos un conjunto de …

10 machine-learning pca latent-variable eigenvalues

2

Buenos ejemplos de PCA para enseñar

Estoy enseñando álgebra lineal a una clase de ingenieros, científicos sociales y programadores de computadoras. Acabamos de hacer una descomposición de valores singulares y tenemos un día extra, así que pensé en hablar sobre la relación entre la descomposición de valores singulares y el análisis de componentes principales. Tengo la …

10 pca dataset teaching

2

¿Cómo encontrar la matriz de covarianza de un polígono?

Imagine que tiene un polígono definido por un conjunto de coordenadas y su centro de masa está en . Puede tratar el polígono como una distribución uniforme con un límite poligonal. (x1,y1)...(xn,yn)(x1,y1)...(xn,yn)(x_1,y_1)...(x_n,y_n)(0,0)(0,0)(0,0) Busco un método que encuentre la matriz de covarianza de un polígono . Sospecho que la matriz de …

9 pca covariance-matrix polygon

1

¿Cómo logran los niños reunir a sus padres en una proyección PCA de un conjunto de datos GWAS?

Tome 20 puntos aleatorios en un espacio de 10.000 dimensiones con cada coordenada iid de . Divídalos en 10 pares ("parejas") y agregue el promedio de cada par ("un niño") al conjunto de datos. Luego haga PCA en los 30 puntos resultantes y trace PC1 vs PC2.norte( 0 , 1 …

9 pca python high-dimensional genetics gwas

3

PCA demasiado lento cuando ambos n, p son grandes: ¿alternativas?

Configuración del problema Tengo puntos de datos (imágenes) de alta dimensión (4096), que estoy tratando de visualizar en 2D. Para este fin, estoy usando t-sne de manera similar al siguiente código de ejemplo de Karpathy . La documentación de scikit-learn recomienda usar PCA para reducir primero la dimensión de los …

9 pca dimensionality-reduction high-dimensional java tsne

2

Comprender esta trama de PCA de ventas de helados versus temperatura

Estoy tomando datos ficticios de temperatura vs Ventas de helados y los categoricé usando K Means (n clusters = 2) para distinguir 2 categorías (totalmente ficticias). Ahora estoy haciendo un Análisis de componentes principales en estos datos y mi objetivo es comprender lo que veo. Sé que el objetivo de …

9 pca interpretation k-means dimensionality-reduction

2

Reducción de dimensión escalable

Teniendo en cuenta la cantidad constante de características, Barnes-Hut t-SNE tiene una complejidad de , las proyecciones aleatorias y PCA tienen una complejidad de hace "asequibles" para conjuntos de datos muy grandes.O(nlogn)O(nlog⁡n)O(n\log n)O(n)O(n)O(n) Por otro lado, los métodos que se basan en el escalamiento multidimensional tienen una complejidad .O(n2)O(n2)O(n^2) ¿Existen …

9 pca dimensionality-reduction large-data multidimensional-scaling tsne

1

¿Qué indica una forma de cuña de la trama de PCA?

En su papel en autoencoders para la clasificación de texto Hinton y Salakhutdinov demostrado la trama producida por 2-dimensional LSA (que está estrechamente relacionado con PCA): . Aplicando PCA a datos dimensionales ligeramente altos, absolutamente diferentes, obtuve una gráfica similar: (excepto en este caso, realmente quería saber si hay alguna …

9 data-visualization pca

Preguntas etiquetadas con pca