Estadísticas y Big Data pca

1

Análisis de PCA y correspondencia en su relación con Biplot

Biplot se usa a menudo para mostrar resultados del análisis de componentes principales (y de técnicas relacionadas). Es un diagrama de dispersión dual o superpuesto que muestra cargas de componentes y puntajes de componentes simultáneamente. @Amoeba me informó hoy que ha dado una respuesta que parte de mi comentario a …

38 pca multivariate-analysis svd correspondence-analysis biplot

2

¿Cómo explica el análisis factorial la covarianza mientras que PCA explica la varianza?

Aquí hay una cita del libro de Bishop "Reconocimiento de patrones y aprendizaje automático", sección 12.2.4 "Análisis factorial": De acuerdo con la parte resaltada, el análisis factorial captura la covarianza entre las variables en la matrizWWW . Me pregunto ¿CÓMO ? Así es como lo entiendo. Digamos que es la …

37 pca factor-analysis geometry

3

¿Tiene sentido el signo de puntajes o de cargas en PCA o FA? ¿Puedo revertir el signo?

Realicé el análisis de componentes principales (PCA) con R usando dos funciones diferentes ( prcompy princomp) y observé que las puntuaciones de PCA diferían en el signo. ¿Cómo puede ser? Considera esto: set.seed(999) prcomp(data.frame(1:10,rnorm(10)))$x PC1 PC2 [1,] -4.508620 -0.2567655 [2,] -3.373772 -1.1369417 [3,] -2.679669 1.0903445 [4,] -1.615837 0.7108631 [5,] -0.548879 …

37 r pca factor-analysis

3

Linealidad de PCA

PCA se considera un procedimiento lineal, sin embargo: P C A (X) ≠ P C A ( X1) + P C A ( X2) + … + P C A ( Xnorte) ,PAGSdoUNA(X)≠PAGSdoUNA(X1)+PAGSdoUNA(X2)+...+PAGSdoUNA(Xnorte),\mathrm{PCA}(X)\neq \mathrm{PCA}(X_1)+\mathrm{PCA}(X_2)+\ldots+\mathrm{PCA}(X_n), donde . Esto quiere decir que los vectores propios obtenidos por los PCA en las matrices …

35 pca linear

3

PCA y la división tren / prueba

Tengo un conjunto de datos para el que tengo múltiples conjuntos de etiquetas binarias. Para cada conjunto de etiquetas, entreno a un clasificador, evaluándolo por validación cruzada. Quiero reducir la dimensionalidad utilizando el análisis de componentes principales (PCA). Mi pregunta es: ¿Es posible hacer el PCA una vez para todo …

35 machine-learning classification pca cross-validation

3

¿Por qué no se utiliza t-SNE como técnica de reducción de dimensionalidad para la agrupación o clasificación?

En una asignación reciente, nos dijeron que usáramos PCA en los dígitos MNIST para reducir las dimensiones de 64 (imágenes de 8 x 8) a 2. Luego tuvimos que agrupar los dígitos usando un Modelo de Mezcla Gaussiana. La PCA que usa solo 2 componentes principales no produce grupos distintos …

34 classification clustering pca dimensionality-reduction tsne

1

¿Cuál es la razón intuitiva detrás de hacer rotaciones en Factor Analysis / PCA y cómo seleccionar la rotación adecuada?

Mis preguntas ¿Cuál es la razón intuitiva detrás de hacer rotaciones de factores en el análisis factorial (o componentes en PCA)? Según tengo entendido, si las variables se cargan casi por igual en los componentes (o factores) superiores, entonces obviamente es difícil diferenciar los componentes. Entonces, en este caso, se …

33 pca interpretation factor-analysis dimensionality-reduction factor-rotation

1

¿Cómo ayudaría PCA con un análisis de agrupamiento de k-means?

Antecedentes : quiero clasificar las áreas residenciales de una ciudad en grupos en función de sus características socioeconómicas, incluida la densidad de unidades de vivienda, la densidad de población, el área de espacios verdes, el precio de la vivienda, el número de escuelas / centros de salud / guarderías, etc. …

32 clustering pca k-means dimensionality-reduction

3

PCA en correlación o covarianza: ¿tiene sentido PCA en correlación? [cerrado]

En el análisis de componentes principales (PCA), uno puede elegir la matriz de covarianza o la matriz de correlación para encontrar los componentes (de sus respectivos vectores propios). Estos dan resultados diferentes (cargas de PC y puntajes), porque los vectores propios entre ambas matrices no son iguales. Tengo entendido que …

32 pca factor-analysis

1

Función objetivo de PCA: ¿cuál es la conexión entre maximizar la varianza y minimizar el error?

El algoritmo PCA se puede formular en términos de la matriz de correlación (suponga que los datos XXX ya se han normalizado y solo estamos considerando la proyección en la primera PC). La función objetivo se puede escribir como: maxw(Xw)T(Xw)s.t.wTw=1.maxw(Xw)T(Xw)s.t.wTw=1. \max_w (Xw)^T(Xw)\; \: \text{s.t.} \: \:w^Tw = 1. Esto está …

32 pca optimization

3

Construyendo un autoencoder en Tensorflow para superar PCA

Hinton y Salakhutdinov en la reducción de la dimensionalidad de los datos con redes neuronales, Science 2006 propusieron un PCA no lineal mediante el uso de un autoencoder profundo. He intentado construir y entrenar un codificador automático de PCA con Tensorflow varias veces, pero nunca he podido obtener un mejor …

31 pca python deep-learning tensorflow autoencoders

5

Detectando predictores significativos de muchas variables independientes

En un conjunto de datos de dos poblaciones no superpuestas (pacientes y sanos, total n = 60n=60n=60 ), me gustaría encontrar (de 300300300 variables independientes) predictores significativos para una variable dependiente continua. La correlación entre predictores está presente. Estoy interesado en averiguar si alguno de los predictores está relacionado con …

31 regression pca feature-selection stepwise-regression underdetermined

1

Reducción de dimensionalidad (SVD o PCA) en una matriz grande y dispersa

/ edit: Seguimiento adicional ahora puedes usar irlba :: prcomp_irlba / edit: siguiendo mi propio post. irlbaahora tiene argumentos de "centro" y "escala", que le permiten usarlo para calcular componentes principales, por ejemplo: pc <- M %*% irlba(M, nv=5, nu=0, center=colMeans(M), right_only=TRUE)$v Tengo una gran variedad Matrixde características que me …

31 r pca dimensionality-reduction svd matrix-decomposition

3

Visualizando un millón, edición PCA

¿Es posible visualizar el resultado del análisis de componentes principales de manera que proporcione más información que solo tablas de resumen? ¿Es posible hacerlo cuando el número de observaciones es grande, digamos ~ 1e4? ¿Y es posible hacerlo en R [otros entornos bienvenidos]?

31 r data-visualization pca biplot

4

Cómo realizar una reducción de dimensionalidad con PCA en R

Tengo un gran conjunto de datos y quiero realizar una reducción de dimensionalidad. Ahora, en todas partes, leo que puedo usar PCA para esto. Sin embargo, todavía parece que no sé qué hacer después de calcular / realizar el PCA. En R esto se hace fácilmente con el comando princomp. …

30 r pca

Preguntas etiquetadas con pca