Questions marquées «pca»

L'analyse en composantes principales (ACP) est une technique de réduction de dimensionnalité linéaire. Il réduit un ensemble de données multivarié à un plus petit ensemble de variables construites en préservant autant d'informations (autant de variance) que possible. Ces variables, appelées composantes principales, sont des combinaisons linéaires des variables d'entrée.

1
Quelle est la mesure d'association appropriée d'une variable avec une composante PCA (sur un tracé biplot / chargement)?
J'utilise FactoMineRpour réduire mon ensemble de données de mesures aux variables latentes. La carte des variables ci-dessus est claire pour moi à interpréter, mais je suis confus en ce qui concerne les associations entre les variables et le composant 1. En regardant la carte des variables, ddpet covtrès proche du …
2
Pourquoi transformer les données en journaux avant d'effectuer l'analyse des composants principaux?
Im suivant un tutoriel ici: http://www.r-bloggers.com/computing-and-visualizing-pca-in-r/ pour acquérir une meilleure compréhension de PCA. Le didacticiel utilise l'ensemble de données Iris et applique une transformation de journal avant PCA: Notez que dans le code suivant, nous appliquons une transformation de journal aux variables continues comme suggéré par [1] et défini centeret …
2
Quand combinons-nous la réduction de dimensionnalité avec le clustering?
J'essaie d'effectuer un clustering au niveau du document. J'ai construit la matrice de fréquence terme-document et j'essaie de regrouper ces vecteurs de haute dimension en utilisant k-means. Au lieu de regrouper directement, ce que j'ai fait, j'ai d'abord appliqué la décomposition vectorielle singulière de LSA (Latent Semantic Analysis) pour obtenir …
2
Évaluer la fiabilité d'un questionnaire: dimensionnalité, éléments problématiques et utiliser l'alpha, le lambda6 ou un autre indice?
J'analyse les scores donnés par les participants à une expérience. Je souhaite estimer la fiabilité de mon questionnaire qui est composé de 6 items visant à estimer l'attitude des participants envers un produit. J'ai calculé l'alpha de Cronbach en traitant tous les éléments comme une seule échelle (l'alpha était d'environ …
3
Interprétation des scores PCA
Quelqu'un peut-il m'aider à interpréter les scores PCA? Mes données proviennent d'un questionnaire sur les attitudes envers les ours. Selon les chargements, j'ai interprété l'une de mes principales composantes comme "la peur des ours". Les scores de cette composante principale seraient-ils liés à la façon dont chaque répondant se mesure …
16 pca 
1
Quel est le lien entre les moindres carrés partiels, la régression à rang réduit et la régression à composantes principales?
La régression à rang réduit et la régression à composantes principales ne sont-elles que des cas particuliers de moindres carrés partiels? Ce tutoriel (Page 6, "Comparaison des objectifs") indique que lorsque nous faisons des moindres carrés partiels sans projeter X ou Y (c'est-à-dire "non partiel"), cela devient une régression de …
2
PCA et validation croisée en k dans le package caret en R
Je viens de revoir une conférence du cours Machine Learning sur Coursera. Dans la section où le professeur discute de l'ACP pour le prétraitement des données dans les applications d'apprentissage supervisé, il dit que l'ACP ne devrait être effectuée que sur les données de formation, puis la cartographie est utilisée …
En utilisant notre site, vous reconnaissez avoir lu et compris notre politique liée aux cookies et notre politique de confidentialité.
Licensed under cc by-sa 3.0 with attribution required.