প্রশ্ন ট্যাগ «pca»

ইন বায়ুমণ্ডলীয় বিজ্ঞান মধ্যে পরিসংখ্যানগত পদ্ধতি , ড্যানিয়েল Wilks নোট একাধিক রৈখিক রিগ্রেশনের সমস্যা হতে পারে যে, যদি ভবিষ্যতবক্তা মধ্যে খুব শক্তিশালী intercorrelations (3 য় সংস্করণ, পৃষ্ঠা 559-560) আছেন: একটি প্যাথলজি যা একাধিক লিনিয়ার রিগ্রেশনে সংঘটিত হতে পারে তা হ'ল দৃ corre় পারস্পরিক সম্পর্কযুক্ত প্রেডিক্টর ভেরিয়েবলগুলির একটি সেট অস্থির রিগ্রেশন …

13 regression  pca  bias 

আমার কাছে 15 কে লেবেলযুক্ত নমুনা (10 টি গোষ্ঠী) নিয়ে একটি ডেটা সেট রয়েছে। আমি মাত্রিকতা হ্রাস 2 টি মাত্রায় প্রয়োগ করতে চাই, এটি লেবেলের জ্ঞানের বিবেচনায় নেবে। আমি যখন পিসিএর মতো "স্ট্যান্ডার্ড" অব্যবহৃত ত্রিমাত্রিকতা হ্রাস কৌশলগুলি ব্যবহার করি, তখন স্ক্যাটার প্লটটির পরিচিত লেবেলের সাথে কোনও সম্পর্ক নেই বলে মনে …

13 machine-learning  pca  dimensionality-reduction  supervised-learning  discriminant-analysis 

যতদূর আমি বুঝতে পেরেছি, সর্বাধিক বৈকল্পিকের দিকগুলির সাথে সারিবদ্ধ করার জন্য স্থানাঙ্ক অক্ষগুলি ঘোরানোর মাধ্যমে প্রধান উপাদানগুলি প্রাপ্ত করা হয়। তবুও, আমি "অরোটেটেড অধ্যক্ষ উপাদানগুলি" সম্পর্কে পড়তে থাকি এবং আমার পরিসংখ্যান সফ্টওয়্যার (এসএএস) আমাকে ভ্যারিম্যাক্স-ঘোরানো মূল উপাদানগুলির পাশাপাশি অনারোটেড উপাদানগুলি দেয়। এখানে আমি বিভ্রান্ত: যখন আমরা প্রধান উপাদানগুলি গণনা করি, …

13 pca  terminology  factor-rotation 

আমি জানি যে বৈশিষ্ট্যগুলির মূল সেটটিতে বৈশিষ্ট্য সংখ্যা হ্রাস করার লক্ষ্যে বৈশিষ্ট্য নির্বাচন এবং মাত্রিক হ্রাস উভয়ই লক্ষ্য। আমরা যদি উভয়েই একই জিনিসটি করি তবে দুজনের মধ্যে সঠিক পার্থক্য কী?

13 machine-learning  pca  feature-selection  dimensionality-reduction 

পিসিএ সম্পর্কে পড়ার সময়, আমি নিম্নলিখিত ব্যাখ্যাটি পেলাম: মনে করুন আমাদের কাছে এমন একটি ডেটা সেট রয়েছে যেখানে প্রতিটি ডেটা পয়েন্ট গণিত পরীক্ষা, পদার্থবিজ্ঞান পরীক্ষা, একটি পাঠ্য বোঝার পরীক্ষা এবং ভোকাবুলারি পরীক্ষায় একক শিক্ষার্থীর স্কোরকে উপস্থাপন করে। আমরা প্রথম দুটি মূল উপাদান খুঁজে পাই, যা ডেটাতে 90% পরিবর্তনশীলতা ক্যাপচার করে …

13 pca 

আমি লিন্ডসে আই স্মিথের একটি দুর্দান্ত পিসিএ টিউটোরিয়াল দিয়ে আরে কাজ করছি এবং শেষ পর্যায়ে আটকে যাচ্ছি। নীচের আর স্ক্রিপ্টটি আমাদের মঞ্চে নিয়ে যায় (p.19-এ) যেখানে মূল তথ্যগুলি পুনরায় তৈরি করা হচ্ছে (এক্ষেত্রে একক) প্রধান উপাদান, যা পিসিএ 1 অক্ষ বরাবর একটি সরলরেখার প্লট তৈরি করবে (প্রদত্ত তথ্য হিসাবে কেবলমাত্র …

13 r  pca 

আমি প্রায়শই পিসিএ (কয়েক হাজার ভেরিয়েবল এবং কয়েক ডজন বা শত শত নমুনা সহ অলমিক্স ডেটা) ব্যবহার করে আমার মাল্টিভিয়ারেট ডেটা নির্ণয় করতাম। ডেটা প্রায়শই কয়েকটি গোষ্ঠী সংজ্ঞায়িত বিভিন্ন শ্রেণিবদ্ধ স্বতন্ত্র ভেরিয়েবলগুলির সাথে পরীক্ষাগুলি থেকে আসে এবং আগ্রহী গোষ্ঠীর মধ্যে একটি বিভাজন দেখায় এমনগুলি খুঁজে পাওয়ার আগে আমাকে প্রায়শই কয়েকটি …

13 pca  linear-model  r-squared  discriminant-analysis 

আমি 25 ভেরিয়েবলের উপর পিসিএ চালিয়েছি এবং ব্যবহার করে শীর্ষ 7 পিসি নির্বাচন করেছি prcomp। prc <- prcomp(pollutions, center=T, scale=T, retx=T) আমি তখন সেই উপাদানগুলিতে ভেরিম্যাক্স ঘূর্ণন করেছি। varimax7 <- varimax(prc$rotation[,1:7]) এবং এখন আমি পিসিএ-ঘোরানো ডেটা ভ্যারাম্যাক্স ঘোরানোর ইচ্ছা করি (কারণ এটি ভ্যারিম্যাক্স অবজেক্টের অংশ নয় - কেবলমাত্র লোডিংস ম্যাট্রিক্স …

13 r  pca  factor-rotation 

যদি আমি সম্পূর্ণরূপে এলোমেলো ডেটা সমন্বিত একটি 2-ডি ম্যাট্রিক্স নির্মাণ করি তবে আমি আশা করব যে পিসিএ এবং এসভিডি উপাদানগুলি প্রয়োজনীয়ভাবে কিছুই ব্যাখ্যা করবে না। পরিবর্তে, মনে হচ্ছে এটি প্রথম এসভিডি কলামে 75% ডেটা ব্যাখ্যা করে। এটি কীভাবে সম্ভব? আমি কি ভুল করছি? প্লটটি এখানে: এখানে আর কোড রয়েছে: set.seed(1) …

13 r  pca  svd 

ও'রিলির "মেশিন লার্নিং ফর হ্যাকারস" বলেছে যে প্রতিটি মূল উপাদান বৈচিত্রের শতাংশকে উপস্থাপন করে। আমি নীচের পৃষ্ঠার প্রাসঙ্গিক অংশটি উদ্ধৃত করেছি (অধ্যায় 8, পি .207)। অন্য বিশেষজ্ঞের সাথে কথা বললে, তারা সম্মত হয় যে এটি শতাংশ। তবে 24 টি উপাদান 133.2095% এর সমষ্টি। যথোপযুক্ত সৃষ্টিকর্তা? নিজেদের পিসিএ ব্যবহার করতে পারি …

13 r  pca 

2 টি প্রসঙ্গে প্রতিটি 87 টি প্রাণীর উপর আমার 3 টি ট্রায়াল রয়েছে (কিছু অনুপস্থিত ডেটা; অনুপস্থিত ডেটা নেই = 64 প্রাণী)। একটি প্রেক্ষাপটে মধ্যে, আমি অনেক নির্দিষ্ট পরিমাপ করে (সময় প্রবেশ করতে, আশ্রয় ফিরে যতবার, ইত্যাদি) তাই আমি (তাদের কল 2 থেকে 3 যৌগিক আচরণ স্কোর যে প্রেক্ষাপটে আচরণ …

13 repeated-measures  pca  dimensionality-reduction 

আমি মাত্রিকতা হ্রাস কৌশল হিসাবে একক মান মান পচন ব্যবহার করছি। Nমাত্রার ভেক্টর দেওয়া D, ধারণাটি হ'ল অসম্পৃক্ত মাত্রাগুলির রূপান্তরিত স্থানের বৈশিষ্ট্যগুলিকে প্রতিনিধিত্ব করা, যা এই স্থানের ইগেনভেেক্টরগুলির ডেটাগুলির বেশিরভাগ তথ্যকে ক্রমবর্ধমান গুরুত্বের সাথে সংশ্লেষ করে। এখন আমি টাইম সিরিজের ডেটাতে এই পদ্ধতিটি প্রয়োগ করার চেষ্টা করছি। সমস্যাটি হ'ল সমস্ত …

13 time-series  machine-learning  pca  data-transformation  multivariate-analysis 

আমি ব্যবহার করে মডেল টিউন করছি caret, তবে gbmপ্যাকেজটি ব্যবহার করে আবার মডেল চালাচ্ছি । caretপ্যাকেজটি ব্যবহার করে gbmএবং আউটপুট একই হওয়া উচিত এটি আমার বোধগম্য । যাইহোক, কেবলমাত্র একটি দ্রুত পরীক্ষা চালানো data(iris)মূল্যায়ন মেট্রিক হিসাবে আরএমএসই এবং আর ^ 2 ব্যবহার করে প্রায় 5% এর মডেলের মধ্যে একটি তাত্পর্য …

13 r  caret  gbm  matrix  linear-algebra  logistic  modeling  logit  ordered-logit  r  confidence-interval  survival  population  weibull  classification  separation  hypothesis-testing  correlation  statistical-significance  p-value  python  r  data-visualization  r  regression  multiple-regression  chi-squared  multivariate-analysis  distributions  random-variable  experiment-design  distributions  poisson-regression  residuals  excel  time-series  garch  var  survival  modeling  cox-model  interaction  r  pca  normality-assumption 

আমি একটি ডেটাসেটে একটি পিসিএ প্রয়োগ করতে চাই, এতে মিশ্র প্রকারের ভেরিয়েবল (অবিচ্ছিন্ন এবং বাইনারি) থাকে। পদ্ধতিটি চিত্রিত করার জন্য, আমি নীচে আর-তে একটি ন্যূনতম পুনরুত্পাদনযোগ্য উদাহরণ পেস্ট করেছি। # Generate synthetic dataset set.seed(12345) n <- 100 x1 <- rnorm(n) x2 <- runif(n, -2, 2) x3 <- x1 + x2 …

13 r  pca 

কার্নেল পিসিএ (মূল উপাদান বিশ্লেষণ) দ্বারা চূড়ান্ত ডেটা আউটপুটে ভাল ডেটা বিচ্ছিন্নতার ফলাফল কী তা চয়ন করার উপায়গুলি কী কী এবং কার্নেলের প্যারামিটারগুলি অনুকূল করার উপায়গুলি কী কী? সম্ভব হলে লেম্যানের শর্তাদি ব্যাপকভাবে প্রশংসিত হবে এবং এই জাতীয় পদ্ধতিগুলির ব্যাখ্যা করে এমন কাগজের লিঙ্কগুলিও দুর্দান্ত হবে।

13 pca  cross-validation  dimensionality-reduction  kernel-trick  manifold-learning