问题标签 [principal-components]

我有包含连续变量和分类变量的数据。我想找到使用prcomp函数（在 R 中）作为连续变量可以找到的主成分。我已经看到了MFA包中FactoMineR的功能。我将所有分类变量归为一组，将连续变量归为另一组MFA()。运行该函数并尝试打印结果res = MFA(...)后，我得到：

而且我不知道主要成分在哪里，我只能看到使用的特征值res$eig，我正在尝试减少数据的维度，但我很不走运，因为我不知道在哪里检查特征向量 (PC) 或沿 PC 的原始数据的分量。做一个ls(res$ind)给我"coord"，，，，我无法弄清楚这些是什么，或者即使我需要这些"cos2"......"contrib"

我在 Python 中对音频频谱图进行了 PCA，并面临以下问题：我有一个矩阵，其中每一行都包含扁平化的歌曲特征。应用 PCA 后，我很清楚，尺寸减小了。但是我在常规数据集中找不到那些维度数据。

如果我现在将 PCA 应用于 song_matrix...

...最后 2 个组件如下： 最终组件 - 来自 15 个 wav 文件 的两个维度问题是，我无法在原始数据集中找到所有维度的这两个向量我做错了什么还是我误解了整个东西？

我对机器学习很陌生，刚刚被介绍到主成分分析作为一种降维方法。我不明白的是，在哪种情况下，PCA 比简单地从模型中删除一些特征更好？如果目标是获得低维数据，为什么我们不将那些相关的特征分组并保留每组中的一个特征呢？

我正在尝试使用 FactoMineR 在数据表上运行 MCA。它仅包含 0/1 数字列，其大小为 200.000 * 20。

我收到以下错误：

错误其中（unlist（lapply（listModa，is.numeric）））：'which'的参数不合逻辑

我真的不知道如何处理这个错误。然后我试着把每一列都变成 character，一切都奏效了。我认为它可能对其他人有用，也许有人可以向我解释错误；）

干杯

我正在使用 superpc 包对我的数据进行有监督的主成分分析。我使用以下链接作为参考

http://statweb.stanford.edu/~tibs/superpc/tutorial

我正在对我的数据使用回归分析。

当我绘制 CVPlot 时，我得到以下图

根据我的理解，第三次分析的似然统计比率应该是最高的，阈值也应该是最高的。但是我得到了一个不规则的情节。有人可以指导我是否正确解释它。由于什么原因，图形会不规则？

我正在对我的数据集进行因子分析（我有 85 个属性和可供 20 个参与者使用的数据），我决定使用 19 个属性来覆盖 98% 的变异，但是我的 19 个因子的结果让我有点困惑。我已经使用函数绘制了因子图fa.diagram，我注意到我的因子之间存在一些关系，我不明白。

这是我的因素的图片：

这是我正在使用的代码：

你能解释一下这些负载的含义吗（例如：在 PA14 和 PA10 之间它的负载等于 0.3 ）？

我正在使用 R/python 开发模式识别程序。比较两个或多个图形并基于模式识别识别/识别相似或重复图形的最佳方法是什么？

我有一个包含 3 个不同变量的数据集，每个变量有 37 个数据点，如下所示：

我将所有三个变量放在一个矩阵中，其中列是变量，行是 37 个数据点。

我在 MATLAB 中使用 PCA 函数，它给了我以下矩阵：

第一个问题：PCA 矩阵中的每一行和每一列代表什么。

第二个问题：如何使用此矩阵在 3 维中沿其主成分绘制每个变量。

谢谢，我非常感谢任何帮助

在使用实值数据和对称相关矩阵运行 PCA 后，我在主成分中得到复数。当我对基础数据进行随机抽样时，我发现有时主成分是实值的，有时是复杂的。是否可以肯定地说复数的虚部是由于舍入误差造成的，如果是这样，我可以忽略这些并使用实值分量吗？

Here's a sample of the output from the PCA (numpy ndarray):

为什么pca在 Matlab 中使用，我无法得到正交主成分矩阵

例如：

在这里，每一列都是一个主成分。所以，

但是主成分矩阵没有相互正交的成分。

我检查了一些材料，它说它们不仅不相关，而且严格正交。但我无法得到想要的结果。有人能告诉我哪里出错了吗？

谢谢！