Statistiques et Big Data pca

4

Qu'est-ce qui rend le noyau gaussien si magique pour la PCA et aussi en général?

Je lisais des informations sur la PCA dans le noyau ( 1 , 2 , 3 ) avec les noyaux gaussiens et polynomiaux. Comment le noyau gaussien sépare-t-il apparemment toute sorte de données non linéaires exceptionnellement bien? S'il vous plaît donner une analyse intuitive, ainsi que mathématiquement impliqué si possible. …

67 machine-learning pca svm kernel-trick

8

PCA suivi d’une rotation (telle que varimax) est-il toujours PCA?

J'ai essayé de reproduire certaines recherches (à l'aide de PCA) à partir de SPSS en R. Dans mon expérience, la principal() fonction de package psychétait la seule fonction qui se rapprochait (ou si ma mémoire est parfaite) pour correspondre à la sortie. Pour obtenir les mêmes résultats que dans SPSS, …

63 r spss pca factor-analysis factor-rotation

5

Quelle est la relation entre le clustering k-means et PCA?

Il est courant d'appliquer PCA (analyse en composantes principales) avant un algorithme de classification (tel que k-means). On pense que cela améliore les résultats de regroupement dans la pratique (réduction du bruit). Cependant, je suis intéressé par une étude comparative et approfondie de la relation entre PCA et k-means. Par …

61 clustering pca k-means

2

Quelle est la différence entre le blanchiment ZCA et le blanchiment PCA?

Je suis confus quant au blanchiment ZCA et au blanchiment normal (obtenu en divisant les composants principaux par les racines carrées des valeurs propres de la PCA). Pour autant que je sache, xZCAwhite=UxPCAwhite,xZCAwhite=UxPCAwhite,\mathbf x_\mathrm{ZCAwhite} = \mathbf U \mathbf x_\mathrm{PCAwhite}, où sont les vecteurs propres de la PCA.UU\mathbf U Quelles sont …

60 pca dimensionality-reduction image-processing

4

Quelles sont les différences entre PCA et autoencoder?

La PCA et l’auto-encodeur peuvent tous deux réduire la démence. Quelle est la différence entre eux? Dans quelle situation devrais-je utiliser l'un plutôt que l'autre?

56 machine-learning pca neural-networks autoencoders

9

Recommandation de livres de statistiques avancées

Il existe plusieurs discussions sur ce site pour des recommandations de livres sur les statistiques d’introduction et l’apprentissage automatique, mais je cherche un texte sur les statistiques avancées, comprenant, par ordre de priorité: maximum de vraisemblance, modèles linéaires généralisés, analyse en composantes principales, modèles non linéaires . J'ai essayé les …

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

3

Utilisation de l’analyse en composantes principales (PCA) pour la sélection des fonctionnalités

Je suis nouveau dans la sélection de fonctionnalités et je me demandais comment vous utiliseriez PCA pour sélectionner des fonctionnalités. La PCA calcule-t-elle un score relatif pour chaque variable d'entrée que vous pouvez utiliser pour filtrer les variables d'entrée non informatives? En gros, je veux pouvoir classer les caractéristiques d'origine …

54 r pca feature-selection

7

Meilleur algorithme PCA pour un grand nombre de fonctionnalités (> 10K)?

J'ai déjà posé cette question à StackOverflow, mais il semble que cela conviendrait mieux ici, étant donné que cela n'a pas donné de réponse à SO. C'est un peu à la croisée des statistiques et de la programmation. J'ai besoin d'écrire du code pour faire PCA (analyse en composantes principales). …

54 pca algorithms model-evaluation high-dimensional

5

Quelle est l'explication intuitive de la façon dont l'ACP passe d'un problème géométrique (avec des distances) à un problème d'algèbre linéaire (avec des vecteurs propres)?

J'ai beaucoup lu sur la PCA, y compris divers tutoriels et questions (comme celle-ci , celle-ci , celle-ci et celle-ci ). Le problème géométrique que PCA essaie d’optimiser m’est clair: PCA essaie de trouver le premier composant principal en minimisant l’erreur de reconstruction (projection), ce qui maximise simultanément la variance …

54 pca optimization linear-algebra intuition

3

Interprétation du prédicteur et / ou de la réponse transformé par log

Je me demande si cela fait une différence d'interprétation si seules les variables dépendantes, indépendantes et dépendantes, ou uniquement les variables indépendantes sont transformées par un journal. Considérons le cas de log(DV) = Intercept + B1*IV + Error Je peux interpréter l'IV comme l'augmentation en pourcentage, mais comment cela change-t-il …

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

Quelle est la fonction objectif de la PCA?

L'analyse en composantes principales peut utiliser la décomposition matricielle, mais il ne s'agit que d'un outil pour y parvenir. Comment trouverais-tu les composantes principales sans utiliser l'algèbre matricielle? Quelle est la fonction objectif (but) et quelles sont les contraintes?

42 pca

1

Comment le centrage des données supprime-t-il l'interception dans la régression et la PCA?

Je continue à lire sur les cas où nous centrons les données (par exemple, avec régularisation ou PCA) afin de supprimer l'interception (comme mentionné dans cette question ). Je sais que c'est simple, mais j'ai du mal à comprendre cela intuitivement. Quelqu'un pourrait-il fournir l'intuition ou une référence que je …

41 regression pca centering

1

Comment déterminer les composants principaux significatifs en utilisant l’amorçage ou l’approche de Monte Carlo?

Je suis intéressé par la détermination du nombre de régularités significatives issues d'une analyse en composantes principales (ACP) ou d'une fonction empirique orthogonale (EOF). Je suis particulièrement intéressé par l'application de cette méthode aux données climatiques. Le champ de données est une matrice MxN, M étant la dimension temporelle (par …

40 r pca bootstrap monte-carlo

3

Existe-t-il des cas où PCA est plus approprié que t-SNE?

Je veux voir comment 7 mesures du comportement de correction de texte (temps passé à corriger le texte, nombre de frappes au clavier, etc.) sont liées les unes aux autres. Les mesures sont corrélées. J'ai exécuté une ACP pour voir comment les mesures étaient projetées sur PC1 et PC2, ce …

39 pca tsne

3

PCA fonctionnerait-il pour les types de données booléens (binaires)?

Je souhaite réduire la dimensionnalité des systèmes d'ordre supérieur et capturer l'essentiel de la covariance sur un champ de préférence à 2 dimensions ou à 1 dimension. Je comprends que cela peut être fait via l’analyse en composantes principales et j’ai utilisé PCA dans de nombreux scénarios. Cependant, je ne …

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

Questions marquées «pca»