Mitmemtmelised meetodid multivariate methods Peakomponentanals principal component analysis
- Slides: 13
Mitmemõõtmelised meetodid (multivariate methods) Peakomponentanalüüs (principal component analysis). Idee asendame hulk omavahel korreleeruvaid muutujaid vähema arvu muutujatega, teeb elu lihtsamaks. Mispidi andmepilv välja venitatud, sinna telg. Component score – koordinaat sellel uuel teljel. Z 1 = a 1 X 1 + a 2 X 2 + a 3 X 3+. . Uus muutuja vanade lineaarkombinatsioon. Ei testi midagi, eeltöö muudeks testideks.
Olukord, kus arvutame ühe peakomponendi. Loodusest püütud liblika vanus - ei saa otse mõõta. Sellega korreleerub usutavasti, kuid üksi ei iseloomusta: - kulunud olemine; - katki olemine; - kuupäev.
Kõik korreleeruvad ka omavahel. Võtame kokku üheks peakomponendiks. Sellel uuel teljel koordinaat, see ongi hinnatud vanus ja seda kasutame,
PCA annab sellised tulemused: Ehk siis vanus = 0, 56*kulumus+0, 58*katkisus+0, 59*kuupäev+0, 02*suurus. ja iga vaatluse kohta: 1 2 3 4 5 -2. 48 -2. 74 -0. 64 -0. 28 0. 30 , ära muretse et miinus
Kasutame, kui muutuja väärtus pole mõõdetav - tehnilistel põhjustel; - põhimõtteliselt, nt tuju.
Peakomponent andmepilve telg, aga noid telgi võib olla mitu, üksteisega risti! Kaks peakomponenti, iseloomuomadused näitena. Objektid: inimesed mõõdetud algmuutujad: 1) hommikuse ärkamise kellaaeg, 2) telefonikõnede arv (päevas), 3) tehtud sammude arv, 4) kirjutatud e-mailide arv, 5) naeratuste arv, 6) sõnaliste konfliktide arv, 7) valitsuse kirumiste arv, 8) kasutatud positiivsete emotikonide arv
Laseme arvutada kaks peakomponenti: aktiivsus positiivsus 1) hommikuse ärkamise kellaaeg, 2) telefonikõnede arv (päevas), 3) tehtud sammude arv, 4) kirjutatud e-mailide arv, 5) naeratuste arv, 6) sõnaliste konfliktide arv, 7) valitsuse kirumiste arv, 8) kasutatud positiivsete emotikonide arv
Ordination plot:
Biplot: naeratused sammud
Diskriminantanalüüs - objekti kuulumine klassidesse juba ette teada; - milline uus muutuja - mõõdetud muutujate lineaarkombinatsioon - võimaldab kõige paremini vahet teha. Z 1 = a 1, 1 X 1 + a 1, 2 X 2 + a 1, 3 X 3+. . - selle uue muutuja suhtes koordinaadid igal vaatlusel - ja kriitiline väärtus, mille põhjal otsustatakse uue objekti kuulumine.
- Multivariate methods in machine learning
- Advanced and multivariate statistical methods
- Principal component analysis in spss
- Principal component analysis
- Jmp machine learning
- Generalized principal component analysis
- Principal component analysis
- Generalized principal component analysis
- What is multivariate
- Multiple analysis of variance
- Nature of multivariate analysis
- Multivariate analysis of variance and covariance
- Multivariate analysis
- Multivariate statistical analysis