Estatísticas e Big Data pca

3

O Kernel PCA com kernel linear é equivalente ao PCA padrão?

Se no PCA do kernel eu escolher um kernel linear K(x,y)=x⊤yK(x,y)=x⊤yK(\mathbf{x},\mathbf{y}) = \mathbf x^\top \mathbf y , o resultado será diferente do PCA linear comum ? As soluções são fundamentalmente diferentes ou existe alguma relação bem definida?

17 pca kernel-trick

1

O que são algoritmos eficientes para calcular a decomposição de valor singular (SVD)?

O artigo da Wikipedia sobre análise de componentes principais afirma que Existem algoritmos eficientes para calcular o SVD de sem precisar formar a matriz , portanto, calcular o SVD agora é a maneira padrão de calcular uma análise de componentes principais a partir de uma matriz de dados, a menos …

17 pca algorithms svd numerics

1

Métodos robustos são realmente melhores?

Eu tenho dois grupos de sujeitos, A e B, cada um com um tamanho de aproximadamente 400 e cerca de 300 preditores. Meu objetivo é construir um modelo de previsão para uma variável de resposta binária. Meu cliente deseja ver o resultado da aplicação do modelo criado de A em …

17 pca logistic predictive-models robust

4

Variáveis de "normalização" para SVD / PCA

Suponha que tenhamos NNN variáveis mensuráveis, ( a1, um2, ... , UmN)(uma1,uma2,...,umaN)(a_1, a_2, \ldots, a_N) , fazemos um número M> NM>NM > N de medições e, em seguida, desejamos realizar uma decomposição de valor singular nos resultados para encontrar os eixos de maior variância para a MMM pontos no espaço …

17 pca data-transformation normalization dimensionality-reduction svd

3

Análise de componentes principais “invertida”: quanta variação dos dados é explicada por uma dada combinação linear das variáveis?

I ter realizado uma análise de componentes principais de seis variáveis , , , , e . Se entendi corretamente, o PC1 não rotacionado me diz qual combinação linear dessas variáveis descreve / explica a maior variação nos dados e o PC2 me diz qual combinação linear dessas variáveis descreve …

17 variance pca r-squared covariance-matrix

1

PCA robusto vs. distância de Mahalanobis robusta para detecção de valores extremos

O PCA robusto (desenvolvido por Candes et al 2009 ou melhor ainda por Netrepalli et al 2014 ) é um método popular para detecção multivariada de outlier , mas a distância de Mahalanobis também pode ser usada para detecção de outlier, dada uma estimativa robusta e regularizada da matriz de …

17 pca outliers covariance-matrix robust anomaly-detection

1

Qual é a medida de associação adequada de uma variável com um componente PCA (em um gráfico de biplot / carregamento)?

Estou usando FactoMineRpara reduzir meu conjunto de dados de medidas para as variáveis latentes. O mapa variável acima é claro para mim interpretar, mas estou confuso quando se trata das associações entre as variáveis e componente 1. Olhando o mapa variável, ddpe covestá muito perto do componente no mapa, e …

17 correlation pca factor-analysis association-measure biplot

2

Por que transformar os dados em log antes de executar a análise de componentes principais?

Estou seguindo um tutorial aqui: http://www.r-bloggers.com/computing-and-visualizing-pca-in-r/ para obter uma melhor compreensão do PCA. O tutorial usa o conjunto de dados Iris e aplica uma transformação de log antes do PCA: Observe que no código a seguir aplicamos uma transformação log para as variáveis contínuas, como sugerido por [1] e conjunto …

16 r pca data-transformation logarithm

1

Os componentes PCA dos dados gaussianos multivariados são estatisticamente independentes?

Os componentes do PCA (na análise de componentes principais) são estatisticamente independentes se nossos dados são multivariados normalmente distribuídos? Se sim, como isso pode ser demonstrado / comprovado? Pergunto porque vi este post , onde a resposta principal diz: O PCA não faz uma suposição explícita de Gaussianity. Ele encontra …

16 pca independence svd

2

Mostrando correlação espacial e temporal nos mapas

Eu tenho dados para uma rede de estações meteorológicas nos Estados Unidos. Isso me fornece um quadro de dados que contém data, latitude, longitude e algum valor medido. Suponha que os dados sejam coletados uma vez por dia e conduzidos pelo clima em escala regional (não, não entraremos nessa discussão). …

16 r regression data-visualization pca spatial

2

Quando combinamos redução de dimensionalidade com clustering?

Estou tentando executar o cluster no nível do documento. Eu construí a matriz de frequência termo-documento e estou tentando agrupar esses vetores de alta dimensão usando k-means. Em vez de agrupar diretamente, o que eu fiz foi aplicar primeiro a decomposição de vetor singular do LSA (Latent Semantic Analysis) para …

16 clustering pca dimensionality-reduction text-mining svd

2

Avaliando a confiabilidade de um questionário: dimensionalidade, itens problemáticos e se deve usar alfa, lambda6 ou algum outro índice?

Estou analisando as pontuações dadas pelos participantes de um experimento. Quero estimar a confiabilidade do meu questionário, composto por 6 itens, com o objetivo de estimar a atitude dos participantes em relação a um produto. Eu calculei o alfa de Cronbach tratando todos os itens como uma escala única (o …

16 pca reliability scales psychometrics cronbachs-alpha

3

Interpretando pontuações do PCA

Alguém pode me ajudar na interpretação das pontuações do PCA? Meus dados vêm de um questionário sobre atitudes em relação aos ursos. De acordo com os carregamentos, interpretei um dos meus principais componentes como "medo de ursos". As pontuações desse componente principal estariam relacionadas à forma como cada respondente mede …

16 pca

1

Qual é a conexão entre mínimos quadrados parciais, regressão de classificação reduzida e regressão de componentes principais?

A regressão de classificação reduzida e a regressão de componentes principais são apenas casos especiais de mínimos quadrados parciais? Este tutorial (Página 6, "Comparação de objetivos") afirma que, quando fazemos mínimos quadrados parciais sem projetar X ou Y (ou seja, "não parcial"), ele se torna uma regressão de classificação reduzida …

16 regression pca dimensionality-reduction partial-least-squares reduced-rank-regression

2

Validação cruzada de PCA e k-fold no pacote de intercalação em R

Acabei de assistir novamente a uma palestra do curso Machine Learning no Coursera. Na seção em que o professor discute o PCA para pré-processamento de dados em aplicativos de aprendizado supervisionado, ele diz que o PCA deve ser executado apenas nos dados de treinamento e, em seguida, o mapeamento é …

16 r pca cross-validation caret

Perguntas com a marcação «pca»