Estadísticas y Big Data pca

4

¿Qué hace que el núcleo gaussiano sea tan mágico para PCA, y también en general?

Estaba leyendo sobre kernel PCA ( 1 , 2 , 3 ) con núcleos gaussianos y polinomiales. ¿Cómo separa el núcleo gaussiano aparentemente cualquier tipo de datos no lineales excepcionalmente bien? Realice un análisis intuitivo, así como uno matemáticamente involucrado si es posible. ¿Cuál es una propiedad del núcleo gaussiano …

67 machine-learning pca svm kernel-trick

8

¿La PCA seguida de una rotación (como varimax) sigue siendo PCA?

Traté de reproducir algunas investigaciones (usando PCA) de SPSS en R. En mi experiencia, la principal() función del paquete psychfue la única función que se acercó (o si mi memoria me funciona correctamente) para que coincida con la salida. Para coincidir con los mismos resultados que en SPSS, tuve que …

63 r spss pca factor-analysis factor-rotation

5

¿Cuál es la relación entre la agrupación de k-means y PCA?

Es una práctica común aplicar PCA (análisis de componentes principales) antes de un algoritmo de agrupamiento (como k-means). Se cree que mejora los resultados de agrupamiento en la práctica (reducción de ruido). Sin embargo, estoy interesado en un estudio comparativo y en profundidad de la relación entre PCA y k-means. …

61 clustering pca k-means

2

¿Cuál es la diferencia entre el blanqueamiento ZCA y el blanqueamiento PCA?

Estoy confundido sobre el blanqueamiento de ZCA y el blanqueamiento normal (que se obtiene dividiendo los componentes principales por las raíces cuadradas de los valores propios de PCA). Por lo que sé, xZCAwhite=UxPCAwhite,xZCAwhite=UxPCAwhite,\mathbf x_\mathrm{ZCAwhite} = \mathbf U \mathbf x_\mathrm{PCAwhite}, donde son vectores propios de PCA.UU\mathbf U ¿Cuáles son los usos …

60 pca dimensionality-reduction image-processing

4

¿Cuáles son las diferencias entre PCA y autoencoder?

Tanto PCA como autoencoder pueden reducir la degradación, entonces, ¿cuál es la diferencia entre ellos? ¿En qué situación debo usar uno sobre otro?

56 machine-learning pca neural-networks autoencoders

9

Recomendación de libros de estadísticas avanzadas

Hay varios hilos en este sitio para recomendaciones de libros sobre estadísticas introductorias y aprendizaje automático, pero estoy buscando un texto sobre estadísticas avanzadas que incluya, en orden de prioridad: máxima probabilidad, modelos lineales generalizados, análisis de componentes principales, modelos no lineales . He probado los modelos estadísticos de AC …

55 generalized-linear-model pca maximum-likelihood references saddlepoint-approximation

3

Uso del análisis de componentes principales (PCA) para la selección de características

Soy nuevo en la selección de funciones y me preguntaba cómo usaría PCA para realizar la selección de funciones. ¿PCA calcula una puntuación relativa para cada variable de entrada que puede usar para filtrar variables de entrada no informativas? Básicamente, quiero poder ordenar las características originales en los datos por …

54 r pca feature-selection

7

¿El mejor algoritmo de PCA para una gran cantidad de características (> 10K)?

Anteriormente pregunté esto en StackOverflow, pero parece que podría ser más apropiado aquí, dado que no obtuvo ninguna respuesta en SO. Es una especie de intersección entre estadísticas y programación. Necesito escribir un código para hacer PCA (Análisis de componentes principales). He examinado los algoritmos conocidos e implementado este , …

54 pca algorithms model-evaluation high-dimensional

5

¿Cuál es una explicación intuitiva de cómo PCA pasa de un problema geométrico (con distancias) a un problema de álgebra lineal (con vectores propios)?

He leído mucho sobre PCA, incluidos varios tutoriales y preguntas (como este , este , este y este ). El problema geométrico que PCA está tratando de optimizar es claro para mí: PCA trata de encontrar el primer componente principal minimizando el error de reconstrucción (proyección), que maximiza simultáneamente la …

54 pca optimization linear-algebra intuition

3

Interpretación del logaritmo transformador predictor y / o respuesta

Me pregunto si hace una diferencia en la interpretación si solo el dependiente, tanto el dependiente como el independiente, o solo las variables independientes se transforman logarítmicamente. Considere el caso de log(DV) = Intercept + B1*IV + Error Puedo interpretar el IV como el porcentaje de aumento, pero ¿cómo cambia …

46 regression data-transformation interpretation regression-coefficients logarithm r dataset stata hypothesis-testing contingency-tables hypothesis-testing statistical-significance standard-deviation unbiased-estimator t-distribution r functional-data-analysis maximum-likelihood bootstrap regression change-point regression sas hypothesis-testing bayesian randomness predictive-models nonparametric terminology parametric correlation effect-size loess mean pdf quantile-function bioinformatics regression terminology r-squared pdf maximum multivariate-analysis references data-visualization r pca r mixed-model lme4-nlme distributions probability bayesian prior anova chi-squared binomial generalized-linear-model anova repeated-measures t-test post-hoc clustering variance probability hypothesis-testing references binomial profile-likelihood self-study excel data-transformation skewness distributions statistical-significance econometrics spatial r regression anova spss linear-model

3

¿Cuál es la función objetivo de PCA?

El análisis de componentes principales puede usar la descomposición de la matriz, pero eso es solo una herramienta para llegar allí. ¿Cómo encontrarías los componentes principales sin el uso de álgebra matricial? ¿Cuál es la función objetivo (meta) y cuáles son las restricciones?

42 pca

1

¿Cómo determinar componentes principales significativos usando bootstrapping o el enfoque de Monte Carlo?

Estoy interesado en determinar la cantidad de patrones significativos que surgen de un Análisis de Componentes Principales (PCA) o un Análisis de Función Ortogonal Empírica (EOF). Estoy particularmente interesado en aplicar este método a los datos climáticos. El campo de datos es una matriz MxN con M siendo la dimensión …

40 r pca bootstrap monte-carlo

1

¿Cómo el centrado de los datos elimina la intercepción en regresión y PCA?

Sigo leyendo sobre instancias en las que centramos los datos (por ejemplo, con regularización o PCA) para eliminar la intercepción (como se menciona en esta pregunta ). Sé que es simple, pero me está costando entender esto intuitivamente. ¿Podría alguien proporcionarme la intuición o una referencia que pueda leer?

40 regression pca centering

3

¿Hay casos en los que PCA es más adecuado que t-SNE?

Quiero ver cómo 7 medidas de comportamiento de corrección de texto (tiempo dedicado a corregir el texto, número de pulsaciones de teclas, etc.) se relacionan entre sí. Las medidas están correlacionadas. Ejecuté un PCA para ver cómo se proyectaban las medidas en PC1 y PC2, lo que evitó la superposición …

39 pca tsne

3

¿Funcionaría PCA para los tipos de datos booleanos (binarios)?

Quiero reducir la dimensionalidad de los sistemas de orden superior y capturar la mayor parte de la covarianza en un campo preferiblemente bidimensional o unidimensional. Entiendo que esto se puede hacer a través del análisis de componentes principales, y he usado PCA en muchos escenarios. Sin embargo, nunca lo he …

38 pca data-visualization binary-data dimensionality-reduction correspondence-analysis

Preguntas etiquetadas con pca