Estatísticas e Big Data pca

1

Usando curtose para avaliar a significância dos componentes da análise independente dos componentes

Nos autovalores do PCA, determine a ordem dos componentes. Na ACI, estou usando a curtose para obter o pedido. Quais são alguns métodos aceitos para avaliar o número (dado que tenho a ordem) de componentes que são singulares além do conhecimento prévio sobre o sinal?

10 statistical-significance pca kurtosis ica

2

Na análise fatorial (ou no PCA), o que significa um carregamento de fator maior que 1?

Acabei de executar uma FA usando uma rotação oblíqua (promax) e um item produziu uma carga fatorial de 1,041 em um fator (e cargas fatoriais de -.131, -.119 e .065 nos outros fatores usando matriz de padrão ) . E não tenho certeza do que isso significa, pensei que poderia …

10 pca factor-analysis factor-rotation

1

Um artigo menciona uma "simulação de Monte Carlo para determinar o número de componentes principais"; como funciona?

Estou fazendo uma análise do Matlab sobre dados de ressonância magnética, onde realizei o PCA em uma matriz de 10304x236, em que 10304 é o número de voxels (pense neles como pixels) e 236 é o número de pontos no tempo. O PCA fornece 236 autovalores e seus coeficientes relacionados. …

10 pca eigenvalues neuroimaging

2

Diferença entre PCA e cluster espectral para um pequeno conjunto de amostras de recursos booleanos

Eu tenho um conjunto de dados de 50 amostras. Cada amostra é composta por 11 recursos booleanos (possivelmente correlacionados). Gostaria de visualizar como essas amostras são plotadas em 2D e examinar se existem agrupamentos / agrupamentos entre as 50 amostras. Eu tentei as duas abordagens a seguir: (a) Execute o …

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

2

Por que o PCA maximiza a variação total da projeção?

Christopher Bishop escreve em seu livro Pattern Recognition and Machine Learning uma prova de que cada componente principal consecutivo maximiza a variação da projeção para uma dimensão, depois que os dados foram projetados no espaço ortogonal aos componentes selecionados anteriormente. Outros mostram provas semelhantes. No entanto, isso prova apenas que …

10 machine-learning variance pca dimensionality-reduction eigenvalues

4

Modelo de Histórico de Eventos em Tempo Discreto (Sobrevivência) em R

Estou tentando ajustar um modelo de tempo discreto no R, mas não sei como fazê-lo. Eu li que você pode organizar a variável dependente em linhas diferentes, uma para cada observação no tempo, e usar a glmfunção com um link logit ou cloglog. Neste sentido, tem três colunas: ID, Event(1 …

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

Distância de Mahalanobis via PCA quando

Eu tenho uma matriz , onde é o número de genes é o número de pacientes. Qualquer pessoa que trabalhou com esses dados sabe que é sempre maior que . Utilizando a seleção de características, obtive até um número mais razoável, no entanto, ainda é maior que .p n p …

10 correlation pca genetics covariance distance-functions

1

Qual é o subespaço principal no PCA probabilístico?

se é observado matriz de dados e é variável latente, entãoYXXXYYY X=WY+μ+ϵX=WY+μ+ϵX=WY+\mu+\epsilon Onde é a média dos dados observados, e é o erro / ruído gaussiano nos dados, e é chamado subespaço principal.ϵ Wμμ\muϵϵ\epsilonWWW Minha pergunta é: quando o PCA normal é usado, obteríamos um conjunto de autovetores ortonormais para …

10 machine-learning pca latent-variable eigenvalues

2

Bons exemplos de PCA para o ensino

Estou ensinando álgebra linear a uma classe de engenheiros, cientistas sociais e programadores de computador. Acabamos de decompor o valor singular e temos um dia extra, então pensei em falar sobre a relação entre a decomposição do valor singular e a análise de componentes principais. Tenho a parte teórica da …

10 pca dataset teaching

2

Como encontrar a matriz de covariância de um polígono?

Imagine que você tem um polígono definido por um conjunto de coordenadas e seu centro de massa é . Você pode tratar o polígono como uma distribuição uniforme com um limite poligonal. (x1,y1)...(xn,yn)(x1,y1)...(xn,yn)(x_1,y_1)...(x_n,y_n)(0,0)(0,0)(0,0) Estou atrás de um método que encontrará a matriz de covariância de um polígono . Suspeito que …

9 pca covariance-matrix polygon

1

Como as crianças conseguem reunir seus pais em uma projeção PCA de um conjunto de dados do GWAS?

Pegue 20 pontos aleatórios em um espaço de 10.000 dimensões com cada ID de coordenada de . Divida-os em 10 pares ("casais") e adicione a média de cada par ("um filho") ao conjunto de dados. Em seguida, faça o PCA nos 30 pontos resultantes e plote PC1 vs PC2.N( 0 …

9 pca python high-dimensional genetics gwas

3

PCA muito lento quando ambos n, p são grandes: alternativas?

Configuração do problema Eu tenho pontos de dados (imagens) de alta dimensão (4096), que estou tentando visualizar em 2D. Para esse fim, estou usando t-sne de maneira semelhante ao código de exemplo a seguir de Karpathy . A documentação do scikit-learn recomenda o uso do PCA para diminuir primeiro a …

9 pca dimensionality-reduction high-dimensional java tsne

2

Entendendo esse gráfico de PCA de vendas de sorvete versus temperatura

Estou usando dados fictícios de temperatura versus vendas de sorvetes e categorizado usando K Keans (n clusters = 2) para distinguir duas categorias (totalmente fictícias). Agora estou fazendo uma análise de componentes principais nesses dados e meu objetivo é entender o que vejo. Eu sei que o objetivo do PCA …

9 pca interpretation k-means dimensionality-reduction

2

Redução de dimensão escalável

Considerando o número de recursos constante, o Barnes-Hut t-SNE possui uma complexidade de , projeções aleatórias e PCA têm uma complexidade de tornando-os "acessíveis" para conjuntos de dados muito grandes.O(nlogn)O(nlog⁡n)O(n\log n)O(n)O(n)O(n) Por outro lado, os métodos baseados no dimensionamento multidimensional têm uma complexidade .O(n2)O(n2)O(n^2) Existem outras técnicas de redução de …

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

1

O que indica uma forma em forma de cunha do gráfico PCA?

No seu papel em autoencoders para classificação texto Hinton e Salakhutdinov demonstrado o lote produzido por 2-dimensional LSA (que está intimamente relacionado com a PCA): . Aplicando o PCA a dados de dimensão ligeiramente alta absolutamente diferentes, obtive um gráfico de aparência semelhante: (exceto neste caso, eu realmente queria saber …

9 data-visualization pca

Perguntas com a marcação «pca»