Supongamos que tengo un conjunto de datos de puntos 2D y quiero detectar las direcciones de todos los máximos locales de varianza en los datos, por ejemplo: PCA no ayuda en esta situación, ya que es una descomposición ortogonal y, por lo tanto, no puede detectar ambas líneas que indiqué en azul,...
Revisé un documento basado en la solicitud que decía que aplicar PCA antes de aplicar ICA (usando el paquete fastICA). Mi pregunta es, ¿ICA (fastICA) requiere que PCA se ejecute primero? Este artículo menciona que ... también se argumenta que la aplicación previa de PCA mejora el rendimiento de...
Solo porque un corresponsal planteó una pregunta interesante sobre los métodos de cálculo de la autocorrelación, comencé a jugar con ella, casi sin ningún conocimiento sobre series de tiempo y autocorrelación. El corresponsal organizó sus datos ( puntos de datos de una serie de tiempo)...
Tengo diferentes variables que interactúan dentro de una población. Básicamente, he estado haciendo un inventario de milpiés y midiendo algunos otros valores del terreno, como: La especie y la cantidad de especímenes recolectados. Los diferentes ambientes donde están los animales. el pH El...
Estoy tratando de comprender el resultado del análisis de componentes principales realizado de la siguiente manera: > head(iris) Sepal.Length Sepal.Width Petal.Length Petal.Width Species 1 5.1 3.5 1.4 0.2 setosa 2 4.9 3.0 1.4 0.2 setosa 3 4.7 3.2 1.3 0.2 setosa 4 4.6 3.1 1.5 0.2 setosa 5 5.0...
La suposición UNAA\mathbf A es una matriz de datos centrados en la media. La matriz S =cov( A )S=cov(A)\mathbf S=\text{cov}(\mathbf A) es m × mm×mm\times m , tiene metromm valores propios distintos y vectores propios s1s1\mathbf s_1 , s2s2\mathbf s_2 ... smetrosm\mathbf s_m , que son...
Leí sobre los conceptos básicos del análisis de componentes principales del tutorial1 , link1 y link2 . Tengo un conjunto de datos de 100 variables (incluida la variable de salida Y), quiero reducir las variables a 40 por PCA, y luego predecir la variable Y utilizando esas 40 variables. Problema...
Imagine que tiene un polígono definido por un conjunto de coordenadas y su centro de masa está en . Puede tratar el polígono como una distribución uniforme con un límite poligonal. (x1,y1)...(xn,yn)(x1,y1)...(xn,yn)(x_1,y_1)...(x_n,y_n)(0,0)(0,0)(0,0) Busco un método que encuentre la matriz de...
Tengo un conjunto de datos de más de 1000 muestras de 19 variables. Mi objetivo es predecir una variable binaria basada en las otras 18 variables (binarias y continuas). Estoy bastante seguro de que 6 de las variables de predicción están asociadas con la respuesta binaria, sin embargo, me gustaría...
Estoy tratando de reducir la dimensionalidad y el ruido de un conjunto de datos al realizar PCA en el conjunto de datos y descartar las últimas PC. Después de eso, quiero usar algunos algoritmos de aprendizaje automático en las PC restantes y, por lo tanto, quiero normalizar los datos igualando la...
En su papel en autoencoders para la clasificación de texto Hinton y Salakhutdinov demostrado la trama producida por 2-dimensional LSA (que está estrechamente relacionado con PCA): . Aplicando PCA a datos dimensionales ligeramente altos, absolutamente diferentes, obtuve una gráfica similar:...
Teniendo en cuenta la cantidad constante de características, Barnes-Hut t-SNE tiene una complejidad de , las proyecciones aleatorias y PCA tienen una complejidad de hace "asequibles" para conjuntos de datos muy grandes.O(nlogn)O(nlogn)O(n\log n)O(n)O(n)O(n) Por otro lado, los métodos que se basan...
Dados dos conjuntos de datos multidimensionales, e , algunas personas realizan análisis multivariables mediante la construcción de una variable dependiente sustituta mediante el análisis de componentes principales (PCA). Es decir, ejecute PCA en el conjunto , tome puntajes a lo largo del primer...
Estoy tomando datos ficticios de temperatura vs Ventas de helados y los categoricé usando K Means (n clusters = 2) para distinguir 2 categorías (totalmente ficticias). Ahora estoy haciendo un Análisis de componentes principales en estos datos y mi objetivo es comprender lo que veo. Sé que el...
Digamos que puedo conocer la SVD de alguna matriz XXX: X=USVTX=USVTX = USV^T Si tengo una matriz ortogonal AAA (es decir, AAA es cuadrado y tiene columnas ortonormales), entonces la SVD de XAXAXA es XA=USWTXA=USWTXA = USW^T dónde W=ATVW=ATVW = A^TV. Pero, ¿se puede decir algo sobre la SVD de...
Tengo un conjunto de datos nominalmente de 16 dimensiones. Tengo alrededor de 100 muestras en un caso y alrededor de 20,000 en otro. Basado en varios análisis exploratorios que realicé utilizando PCA y mapas de calor, estoy convencido de que la verdadera dimensionalidad (es decir, el número de...
Digamos que tengo un montón de puntos de datos en R ^ n, donde n es bastante grande (como 50). Sé que estos datos se dividen en 3 grupos, y sé de qué grupo forma parte cada punto de datos. Todo lo que quiero hacer es visualizar estos grupos en 2D de tal manera que maximice la separación visual...
Después de hacer PCA, el primer componente describe la mayor parte de la variabilidad. Esto es importante, por ejemplo, en el estudio de mediciones corporales donde se sabe comúnmente (Jolliffe, 2002) que el eje PC1 captura la variación de tamaño. Mi pregunta es si las puntuaciones de PCA después...
Tengo algunas preguntas básicas sobre PCA (análisis de componentes principales) y LDA (análisis discriminante lineal): En PCA hay una manera de calcular la proporción de varianza explicada. ¿También es posible para LDA? ¿Si es así, cómo? ¿Es la salida "Proporción de traza" de la ldafunción (en...
Estoy leyendo este interesante artículo sobre la aplicación de ICA a los datos de expresión génica. Los autores escriben: [T] aquí no hay ningún requisito para que los componentes de PCA sean estadísticamente independientes. Eso es cierto, pero las PC son ortogonales, ¿no es así? Estoy un...