আর ফাংশন প্রম্পম্প এবং প্রিনম্পম্পের মধ্যে পার্থক্য কী?

Question

আমি তুলনা ?prcompএবং ?princompএবং Q-মোড এবং R-মোড প্রধান উপাদান বিশ্লেষণ (পিসিএ) সম্পর্কে কিছু খুঁজে পাওয়া যায়নি। তবে সত্য - আমি তা বুঝতে পারি না। কেউ কি পার্থক্য ব্যাখ্যা করতে পারে এবং কোনটি প্রয়োগ করতে হবে তাও ব্যাখ্যা করতে পারে?

Comments

ওহ, এটি হতাশ, সত্যিই। :)

— রোমান Luštrik

প্রশ্নটি আর-তে ফাংশন প্রম্পম্প এবং প্রিনম্পম্পের মধ্যে পার্থক্য সম্পর্কে বা "কিউ-মোড" এবং "আর-মোড পিসিএ" এর মধ্যে পার্থক্য সম্পর্কে? দুটি সম্পর্কহীন।

— ব্রেট

কিছুক্ষণ হবে. তবে আমি সময় পেলেই চেক করব। আইআইআরসি আমার আসলে কিছু পার্থক্য ছিল ...

— hans0l0

সম্পর্কিত: আর ফাংশনগুলি 'প্রিনম্পম্প' এবং 'প্রম্পম্প' কেন বিভিন্ন ইগন্যালুয়ালি দেয়?

— অ্যামিবা

Answer 1

তাদের মধ্যে পার্থক্যটি তারা যে ধরণের পিসিএ সঞ্চালন করে তার সাথে কিছুই করার নয়, কেবল তারা যে পদ্ধতিটি ব্যবহার করে। হিসাবে সহায়তা পৃষ্ঠা জন্য prcompবলেছেন:

গণনাটি (কেন্দ্রিক এবং সম্ভবত মাপা) ডেটা ম্যাট্রিক্সের একক মান পচন দ্বারা সম্পন্ন হয়, eigenকোভেরিয়েন্স ম্যাট্রিক্স ব্যবহার করে নয় । সংখ্যাগত নির্ভুলতার জন্য এটি সাধারণত পছন্দের পদ্ধতি।

অন্যদিকে, princomp সহায়তা পৃষ্ঠাটি বলে:

গণনাটি eigenনির্ধারিত হিসাবে পারস্পরিক সম্পর্ক বা কোভারিয়েন্স ম্যাট্রিক্স ব্যবহার করে করা হয় cor। এটি এস-প্লাস ফলাফলের সাথে সামঞ্জস্যের জন্য করা হয়। গণনার একটি পছন্দনীয় পদ্ধতি হ'ল যেমন হয় তেমন ব্যবহার svdকরা । "xprcomp

সুতরাং, prcompঅগ্রাধিকার দেওয়া হয় , যদিও অনুশীলনে আপনি খুব বেশি পার্থক্য দেখার সম্ভাবনা নেই (উদাহরণস্বরূপ, আপনি যদি সহায়তা পৃষ্ঠাগুলিতে উদাহরণগুলি চালনা করেন তবে অভিন্ন ফলাফল পাওয়া উচিত)।

Comments

আমার উত্তরে বিভিন্ন অন্তর্নিহিত লিনিয়ার বীজগণিত এবং ল্যাপাকের রুটিনগুলির জন্য কিছু মারাত্মক প্রযুক্তিগত বিবরণ রয়েছে যা পিসিএতে মূল উপাদানগুলি রয়েছে (কোভেরিয়েন্স ম্যাট্রিক্সের ইজেনভেেক্টর) পারস্পরিক অর্থেগোনাল?

— সিলভার ফিশ 5'15

এছাড়াও, দেখুন কেন পিসিএ ডেটাগুলির এসভিডি মাধ্যমে ডেটা? ডেটা ম্যাট্রিক্সের উপর এসভিডি কেন, যেমন প্রয়োগ করা হয় তা আলোচনার prcompজন্য একটি পছন্দনীয় পদ্ধতি।

— অ্যামিবা

Answer 2

সাধারণত একটি মাল্টিভিয়ারেট অ্যানালাইসিস (কম্পিউটিং রিলেশনশিপ, ল্যাটেন্টস বের করা ইত্যাদি) ডেটা কলামগুলিতে সম্পন্ন হয় যা বৈশিষ্ট্য বা প্রশ্ন, - যখন স্যাম্পল ইউনিট, সারিগুলি r এনস্প্যান্ডেন্ট হয়। তাই এই পথটিকে আর ওয়ে বিশ্লেষণ বলা হয় । কখনও কখনও, যদিও আপনি প্রতিক্রিয়াগুলির বহুবিধ বিশ্লেষণ করতে চাইতে পারেন, যখন কিউ uestions নমুনা ইউনিট হিসাবে বিবেচনা করা হয়। এটি কিউ ওয়ে বিশ্লেষণ হবে।

দুজনের মধ্যে কোনও আনুষ্ঠানিক পার্থক্য নেই, সুতরাং আপনি একই ফাংশন দিয়ে উভয়কেই পরিচালনা করতে পারেন, কেবল আপনার ডেটা স্থানান্তর করুন। মানীকরণের এবং ফলাফলের ব্যাখ্যার ক্ষেত্রেও তফাত রয়েছে।

এটি একটি সাধারণ জবাব: আমি বিশেষত আর ফাংশনগুলি স্পর্শ করি না prcompএবং princompকারণ আমি কোনও আর ব্যবহারকারী নই এবং তাদের মধ্যে সম্ভাব্য পার্থক্য সম্পর্কে অবগত নই।

Answer 3

গ্রেগরি বি অ্যান্ডারসনের শিরোনামের একটি দরকারী এবং সুনির্দিষ্ট ডকুমেন্টেশনPRINCIPAL COMPONENT ANALYSIS IN R AN EXAMINATION OF THE DIFFERENT FUNCTIONS AND METHODS TO PERFORM PCA এই বিষয়ে আরও তথ্য দিয়েছে।

নিম্নলিখিত দুটি অনুচ্ছেদটি ভূমিকা থেকে নেওয়া হয়েছিল:

আর-তে কোনও অনুপস্থিত মান ব্যতীত পিসিএ করার জন্য দুটি সাধারণ পদ্ধতি রয়েছে: (১) বর্ণালী পচন (আর-মোড [ইজেনডিকোপজেশন হিসাবেও পরিচিত)) এবং (২) একক মান পচন (কিউ-মোড; আর ডেভলপমেন্ট কোর টিম ২০১১)। এই দুটি পদ্ধতি যথাক্রমে ইগেন (আর-মোড) এবং এসভিডি (কিউ-মোড) ফাংশনগুলি ব্যবহার করে দীর্ঘস্থায়ীভাবে সঞ্চালিত হতে পারে বা স্ট্যাটাস প্যাকেজ এবং অন্যান্য অতিরিক্ত উপলব্ধ প্যাকেজগুলিতে পাওয়া অনেকগুলি পিসিএ ফাংশন ব্যবহার করে সম্পাদন করা যেতে পারে। বিশ্লেষণের বর্ণালী পচনের পদ্ধতিটি ভেরিয়েবলের মধ্যে কোভেরিয়েন্স এবং পারস্পরিক সম্পর্ক পরীক্ষা করে, যেখানে একক মান পচন পদ্ধতি নমুনাগুলির মধ্যে সমবায় এবং সংযোগকে দেখায়। যদিও উভয় পদ্ধতিই আর এর মধ্যে সহজেই সম্পাদন করা যায় তবে একক মান পচন পদ্ধতি (যেমন,

এই ডকুমেন্টটি আরে পিসিএ সম্পাদনের জন্য বিভিন্ন পদ্ধতির তুলনা করার দিকে মনোনিবেশ করে এবং পরিসংখ্যান প্যাকেজের মধ্যে স্বাভাবিকতা পরীক্ষা করার জন্য উপযুক্ত ভিজ্যুয়ালাইজেশন কৌশল সরবরাহ করে। আরও সুনির্দিষ্টভাবে এই দস্তাবেজটি পিসিএর জন্য তৈরি বা ব্যবহার করা যেতে পারে এমন ছয়টি বিভিন্ন ফাংশনটির সাথে তুলনা করে: ইগেন, প্রিনম্পম্প, এসভিডি, প্রম্পম্প, পিসিএ এবং পিসিএ। ডকুমেন্ট জুড়ে এই ফাংশনগুলি সম্পাদন করার জন্য প্রয়োজনীয় আর কোডটি কুরিয়ার নিউ হরফ ব্যবহার করে পাঠ্যের মধ্যে এম্বেড করা হয় এবং টিন-আর ( https://sourceforge.net/projects/tinn-r ) এ সরবরাহিত কৌশলটি ব্যবহার করে রঙ কোডিং করা হয় । অতিরিক্তভাবে, ফাংশনগুলি থেকে প্রাপ্ত ফলাফলগুলি সিমুলেশন পদ্ধতি ব্যবহার করে এটি নির্ধারণ করা হয় যে আউটপুট থেকে প্রাপ্ত ইগেনভ্যালু, ইগেনভেেক্টর এবং স্কোরগুলিতে বিভিন্ন পদ্ধতি পৃথক রয়েছে কিনা তা দেখতে।

Comments

উত্তরগুলি তারা স্বতন্ত্র অবস্থায় থাকলে আরও ভাল হয়, কারণ লিঙ্কগুলি ভাঙার প্রবণতা রয়েছে (যেমন পৃষ্ঠাটি সরানো হয় বা মোছা হয়ে থাকে)। আপনার উত্তরটি প্রসারিত করার চেষ্টা করতে আপনি কি আপত্তি করবেন?

— প্যাট্রিক কৌলম্বে

@ পেট্রিককৌলম্ব, এটি হয়ে গেছে। আপনার পরামর্শের জন্য ধন্যবাদ. ভবিষ্যতে আমি এর নোটিশ নেব।

— ছদ্মবেশে

Answer 4

উভয়ই কোভারিয়েন্স ম্যাট্রিক্স ব্যবহার করার সময় তারা আলাদা are যখন (স্বাভাবিক) স্কেলিং প্রশিক্ষণ ডেটা, prcompব্যবহার হর হিসেবে নয় বরং ব্যবহার তার হর হিসেবে। মূল উপাদান বিশ্লেষণের এই টিউটোরিয়ালে এই দুটি ডিনোমিনেটরের পার্থক্য ব্যাখ্যা করা হয়েছে ।$n-1$princomp$n$

নীচে আমার পরীক্ষার ফলাফল রয়েছে:

> job<-read.table("./job_perf.txt", header=TRUE, sep="")
> pc.cr<-prcomp(job, scale=TRUE, cor=TRUE, scores=TRUE)
> pc.cr1<-princomp(job, scale=TRUE, cor=TRUE, scores=TRUE)
> pc.cr$scale
    commun probl_solv    logical      learn   physical appearance
  5.039841   1.689540   2.000000   4.655398   3.770700   4.526689
> pc.cr1$scale
    commun probl_solv    logical      learn   physical appearance
  4.805300   1.610913   1.906925   4.438747   3.595222   4.316028

পরীক্ষার ডেটা:

commun probl_solv logical learn physical appearance 12 52 20 44 48 16 12 57 25 45 50 16 12 54 21 45 50 16 13 52 21 46 51 17 14 54 24 46 51 17 22 52 25 54 58 26 22 56 26 55 58 27 17 52 21 45 52 17 15 53 24 45 53 18 23 54 23 53 57 24 25 54 23 55 58 25