¿Estoy malinterpretando algo? Este es mi codigo usando sklearn import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D from sklearn import decomposition from sklearn import datasets from sklearn.preprocessing import StandardScaler pca =
En este artículo , el autor vincula el análisis discriminante lineal (LDA) con el análisis de componentes principales (PCA). Con mi conocimiento limitado, no puedo seguir cómo LDA puede ser algo similar a PCA. Siempre he pensado que LDA era una forma de algoritmo de clasificación, similar a la...
La precisión se define como: p = true positives / (true positives + false positives) ¿Es cierto que, como true positivesy false positivesenfoque 0, la precisión se aproxima a 1? La misma pregunta para recordar: r = true positives / (true positives + false negatives) Actualmente estoy...
En estudios de asociación de genoma completo (GWAS): ¿Cuáles son los componentes principales? ¿Por qué se usan? ¿Cómo se calculan? ¿Se puede realizar un estudio de asociación de todo el genoma sin usar
Según tengo entendido, en PCA basado en correlaciones obtenemos cargas de factores (= componente principal en este caso) que no son más que correlaciones entre variables y factores. Ahora, cuando necesito generar puntajes de factores en SPSS, puedo obtener directamente puntajes de factores de cada...
Existen muchas técnicas en estadísticas ecológicas para el análisis exploratorio de datos de datos multidimensionales. Estas se llaman técnicas de 'ordenación'. Muchos son iguales o están estrechamente relacionados con técnicas comunes en otras partes de las estadísticas. Quizás el ejemplo...
Tengo un par de preguntas rápidas sobre PCA: ¿El PCA supone que el conjunto de datos es gaussiano? ¿Qué sucede cuando aplico un PCA a datos inherentemente no lineales? Dado un conjunto de datos, el proceso consiste primero en normalizar la media, establecer la varianza en 1, tomar un SVD,...
Tengo 10 años de datos de devoluciones diarias para 28 monedas diferentes. Deseo extraer el primer componente principal, pero en lugar de operar PCA en los 10 años completos, quiero implementar una ventana de 2 años, porque los comportamientos de las monedas evolucionan y, por lo tanto, deseo...
Sé cómo calcular matemáticamente PCA y SVD, y sé que ambos se pueden aplicar a la regresión de mínimos cuadrados lineales. La principal ventaja de SVD matemáticamente parece ser que se puede aplicar a matrices no cuadradas. Ambos se centran en la descomposición de la matrizAdemás de la ventaja de...
Normalicé mi conjunto de datos y luego ejecuté PCA de 3 componentes para obtener pequeñas razones de varianza explicadas ([0.50, 0.1, 0.05]). Cuando no me normalicé pero blanqueé mi conjunto de datos y luego ejecuté PCA de 3 componentes, obtuve altas razones de varianza explicadas ([0.86,...
Estoy tratando de entender el uso de PCA en un artículo reciente de la revista titulado "Mapeo de la actividad cerebral a escala con la computación en clúster" Freeman et al., 2014 (pdf gratuito disponible en el sitio web del laboratorio ). Utilizan PCA en datos de series temporales y utilizan los...
Me gustaría saber si tiene sentido lógico realizar el análisis de componentes principales (PCA) y el análisis factorial exploratorio (EFA) en el mismo conjunto de datos. He escuchado a profesionales recomendar expresamente: Comprenda cuál es el objetivo del análisis y elija PCA o EFA para el...
Estoy tratando de obtener una comprensión intuitiva de cómo funciona el análisis de componentes principales (PCA) en el espacio sujeto (dual) . Considere el conjunto de datos 2D con dos variables, y , puntos de datos (matriz de datos es y se supone que está centrado). La presentación habitual de...
Recuerdo haber leído en algún lugar de la web una conexión entre la regresión de cresta (con regularización) y la regresión de PCA: mientras usaba regresión con hiperparámetro , si , entonces la regresión es equivalente a eliminar el Variable de PC con el valor propio más pequeño.ℓ 2 λ λ →...
Estoy tratando de decidir si un componente de un PCA se mantendrá o no. Hay una gran cantidad de criterios basados en la magnitud del valor propio, descritos y comparados, por ejemplo, aquí o aquí . Sin embargo, en mi solicitud sé que el valor propio pequeño (est) será pequeño en comparación con...
Supongamos que tengo nnn fuentes independientes, X1,X2,...,XnX1,X2,...,XnX_1, X_2, ..., X_n y observo mmm mezclas convexas: Y1...Ym=a11X1+a12X2+⋯+a1nXn=am1X1+am2X2+⋯+amnXnY1=a11X1+a12X2+⋯+a1nXn...Ym=am1X1+am2X2+⋯+amnXn\begin{align} Y_1 &= a_{11}X_1 + a_{12}X_2 + \cdots + a_{1n}X_n\\ ...&\\ Y_m &=...
Supongamos que es el vector que maximiza la varianza de la proyección de los datos con matriz de diseño .tutuuXXX Ahora, he visto materiales que se refieren a como el (primer) componente principal de los datos, que también es el vector propio con mayor valor propio.tutuu Sin embargo, también he...
Cuando construye un biplot para un análisis de PCA, tiene puntajes de PC1 del componente principal en el eje xy puntajes de PC2 en el eje y. ¿Pero cuáles son los otros dos ejes a la derecha y la parte superior de la
Estoy buscando implementar un biplot para el análisis de componentes principales (PCA) en JavaScript. Mi pregunta es, ¿cómo determino las coordenadas de las flechas a partir de la salida U,V,DU,V,DU,V,D de la descomposición vectorial singular (SVD) de la matriz de datos? Aquí hay un ejemplo de...
Quiero transformar mis datos modo que las variaciones sean una y las covarianzas sean cero (es decir, quiero blanquear los datos). Además, los medios deben ser cero.XX\mathbf X Sé que llegaré allí haciendo la estandarización Z y la transformación PCA, pero ¿en qué orden debo hacerlo? Debo agregar...