主成分分析(PCA) - 版本历史

2024年1月19日 (五) 11:20 Zeroclanzhang

2024-01-19T11:20:43Z

←上一版本		2024年1月19日 (五) 19:20的版本
第7行：		第7行：
	\|productionstate={{图标文件\|Win}} / {{图标文件\|W10}} Win10及以上可用		\|productionstate={{图标文件\|Win}} / {{图标文件\|W10}} Win10及以上可用
	\|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8\|V1.0]]部署		\|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8\|V1.0]]部署
	\|nodeenglishname=~~[[Has english name::~~Principal Component Analysis]]		\|nodeenglishname=Principal Component Analysis
	\|abbreviation=~~[[Has abbreviation::~~PCA]]		\|abbreviation=PCA
	\|funcmaincategory=数据分析		\|funcmaincategory=数据分析
	\|funcsubcategory=[[DataAGM Lv1 Cat::多元分析]]		\|funcsubcategory=[[DataAGM Lv1 Cat::多元分析]]

2024年1月18日 (四) 09:42 Zeroclanzhang

2024-01-18T09:42:41Z

←上一版本		2024年1月18日 (四) 17:42的版本
第5行：		第5行：
	\|simpleicon=Principal Component Analysis_Pure.svg		\|simpleicon=Principal Component Analysis_Pure.svg
	\|developer=Dev.Team-DPS		\|developer=Dev.Team-DPS
	\|productionstate=~~PC可用~~		\|productionstate={{图标文件\|Win}} / {{图标文件\|W10}} Win10及以上可用
	\|productionstatedesc=在[[DecisionLinnc \| V1.0]]部署		\|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8\|V1.0]]部署
	\|nodeenglishname=[[Has english name::Principal Component Analysis]]		\|nodeenglishname=[[Has english name::Principal Component Analysis]]
	\|abbreviation=[[Has abbreviation::PCA]]		\|abbreviation=[[Has abbreviation::PCA]]
第19行：		第19行：
	\|nodeifswitchsupport=否		\|nodeifswitchsupport=否
	\|nodeavailableplotlist=ScatterWithConfidenceInterval;PointSizePlot;LinePlot		\|nodeavailableplotlist=ScatterWithConfidenceInterval;PointSizePlot;LinePlot
	\|nodeavailabletablelist=~~Table_For_Downstream~~		\|nodeavailabletablelist=ContriRatio;CovMatrix
	\|nodeconfiguration=VariableList		\|nodeconfiguration=VariableList
	\|nodeinputports=WorkFlow-Control ➤;Transfer-Variable ◆;Transfer-Table ■		\|nodeinputports=WorkFlow-Control ➤;Transfer-Variable ◆;Transfer-Table ■
	\|nodeoutputports=WorkFlow-Control ➤;Transfer-Table ■		\|nodeoutputports=WorkFlow-Control ➤;Transfer-Table ■
	\|statsapewikiurl=https://wiki.statsape.com/主成分分析(PCA)		\|statsapewikiurl=https://wiki.statsape.com/主成分分析(PCA)
	\|previousnode=[[~~限制性平均生存时间~~]]		\|previousnode=[[IDI和NRI]]
	\|nextnode=[[聚类分析]]		\|nextnode=[[聚类分析]]
	}}		}}

2023年12月8日 (五) 06:10 Zeroclanzhang

2023-12-08T06:10:47Z

←上一版本		2023年12月8日 (五) 14:10的版本
第21行：		第21行：
	\|nodeavailabletablelist=Table_For_Downstream		\|nodeavailabletablelist=Table_For_Downstream
	\|nodeconfiguration=VariableList		\|nodeconfiguration=VariableList
	\|nodeinputports=WorkFlow-Control 🠊;Transfer-Variable ◆;Transfer-Table ■		\|nodeinputports=WorkFlow-Control ➤;Transfer-Variable ◆;Transfer-Table ■
	\|nodeoutputports=WorkFlow-Control 🠊;Transfer-Table ■		\|nodeoutputports=WorkFlow-Control ➤;Transfer-Table ■
	\|statsapewikiurl=https://wiki.statsape.com/主成分分析(PCA)		\|statsapewikiurl=https://wiki.statsape.com/主成分分析(PCA)
	\|previousnode=[[限制性平均生存时间]]		\|previousnode=[[限制性平均生存时间]]

2023年12月8日 (五) 04:18 Zeroclanzhang

2023-12-08T04:18:48Z

←上一版本		2023年12月8日 (五) 12:18的版本
第21行：		第21行：
	\|nodeavailabletablelist=Table_For_Downstream		\|nodeavailabletablelist=Table_For_Downstream
	\|nodeconfiguration=VariableList		\|nodeconfiguration=VariableList
	\|nodeinputports=WorkFlow-Control 🠶;Transfer-Variable ◆;Transfer-Table ■		\|nodeinputports=WorkFlow-Control 🠊;Transfer-Variable ◆;Transfer-Table ■
	\|nodeoutputports=WorkFlow-Control 🠶;Transfer-Table ■		\|nodeoutputports=WorkFlow-Control 🠊;Transfer-Table ■
	\|statsapewikiurl=https://wiki.statsape.com/主成分分析(PCA)		\|statsapewikiurl=https://wiki.statsape.com/主成分分析(PCA)
	\|previousnode=[[限制性平均生存时间]]		\|previousnode=[[限制性平均生存时间]]

2023年12月8日 (五) 02:54 Zeroclanzhang

2023-12-08T02:54:19Z

←上一版本		2023年12月8日 (五) 10:54的版本
第2行：		第2行：
	\|nodename=主成分分析(PCA)		\|nodename=主成分分析(PCA)
	\|nodeimage=Principal Component Analysis.png		\|nodeimage=Principal Component Analysis.png
			\|icon=Principal Component Analysis.svg
			\|simpleicon=Principal Component Analysis_Pure.svg
	\|developer=Dev.Team-DPS		\|developer=Dev.Team-DPS
	\|productionstate=PC可用		\|productionstate=PC可用
第19行：		第21行：
	\|nodeavailabletablelist=Table_For_Downstream		\|nodeavailabletablelist=Table_For_Downstream
	\|nodeconfiguration=VariableList		\|nodeconfiguration=VariableList
	\|nodeinputports=WorkFlow-Control ▶;Transfer-Table ■		\|nodeinputports=WorkFlow-Control 🠶;Transfer-Variable ◆;Transfer-Table ■
	\|nodeoutputports=WorkFlow-Control ▶;Transfer-Table ■		\|nodeoutputports=WorkFlow-Control 🠶;Transfer-Table ■
	\|statsapewikiurl=https://wiki.statsape.com/主成分分析(PCA)		\|statsapewikiurl=https://wiki.statsape.com/主成分分析(PCA)
	\|previousnode=[[限制性平均生存时间]]		\|previousnode=[[限制性平均生存时间]]
	\|nextnode=[[聚类分析]]		\|nextnode=[[聚类分析]]
	}}		}}

2023年12月4日 (一) 14:48 Zeroclanzhang

2023-12-04T14:48:55Z

←上一版本		2023年12月4日 (一) 22:48的版本
第23行：		第23行：
	\|statsapewikiurl=https://wiki.statsape.com/主成分分析(PCA)		\|statsapewikiurl=https://wiki.statsape.com/主成分分析(PCA)
	\|previousnode=[[限制性平均生存时间]]		\|previousnode=[[限制性平均生存时间]]
	\|nextnode=[[~~主成分分析(PCA)~~]]		\|nextnode=[[聚类分析]]
	}}		}}

2023年12月4日 (一) 14:09 Zeroclanzhang

2023-12-04T14:09:55Z

←上一版本		2023年12月4日 (一) 22:09的版本
第1行：		第1行：
	{{Infobox nodebasic\|nodename=主成分分析(PCA)\|nodeimage=Principal Component Analysis.png\|developer=Dev.Team-DPS\|productionstate=PC可用\|productionstatedesc=在[[~~DecisionTree~~ \| V1.0]]部署\|nodeenglishname=[[Has english name::Principal Component Analysis]]\|abbreviation=PCA\|funcmaincategory=数据分析\|funcsubcategory=[[DataAGM Lv1 Cat::多元分析]]\|nodecategory=数据挖掘\|nodeinterpretor=R\|nodeshortdescription=<p>主成分分析（Principal Component Analysis，PCA），是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。在很多情形，变量之间是有一定的相关关系的，当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠。主成分分析是对于原先提出的所有变量，将重复的变量（关系紧密的变量）删去多余，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映课题的信息方面尽可能保持原有的信息。散点图表示新构建的两个占比最高的主成分变量中样本的分布情况。\n用途：用于降维的统计技术，它可以将一组可能相关的变量转化为一组线性无关的变量，这些新的变量被称为主成分。可以使用PCA来减少变量的数量。\n参数：选择连续型数值变量，和绘图需要的分组变量</p>\|nodeinputnumber=4\|nodeoutputnumber=2\|nodeloopsupport=是\|nodeifswitchsupport=否\|nodeavailableplotlist=ScatterWithConfidenceInterval;PointSizePlot;LinePlot\|nodeavailabletablelist=Table_For_Downstream\|nodeconfiguration=VariableList\|nodeinputports=WorkFlow-Control ▶;Transfer-Table ■\|nodeoutputports=WorkFlow-Control ▶;Transfer-Table ■\|statsapewikiurl=https://wiki.statsape.com/主成分分析(PCA)~~_Plus~~\|previousnode=[[限制性平均生存时间]]\|nextnode=[[~~聚类分析~~]]}}{{Navplate AlgorithmNodeList}}[[Category:多元分析]]		{{Infobox nodebasic
			\|nodename=主成分分析(PCA)
			\|nodeimage=Principal Component Analysis.png
			\|developer=Dev.Team-DPS
			\|productionstate=PC可用
			\|productionstatedesc=在[[DecisionLinnc \| V1.0]]部署
			\|nodeenglishname=[[Has english name::Principal Component Analysis]]
			\|abbreviation=[[Has abbreviation::PCA]]
			\|funcmaincategory=数据分析
			\|funcsubcategory=[[DataAGM Lv1 Cat::多元分析]]
			\|nodecategory=数据挖掘
			\|nodeinterpretor=R
			\|nodeshortdescription=<p>主成分分析（Principal Component Analysis，PCA），是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。在很多情形，变量之间是有一定的相关关系的，当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠。</p><p>主成分分析是对于原先提出的所有变量，将重复的变量（关系紧密的变量）删去多余，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映课题的信息方面尽可能保持原有的信息。散点图表示新构建的两个占比最高的主成分变量中样本的分布情况。</p><p>用途：用于降维的统计技术，它可以将一组可能相关的变量转化为一组线性无关的变量，这些新的变量被称为主成分。可以使用PCA来减少变量的数量。</p><p>参数：选择连续型数值变量，和绘图需要的分组变量</p>
			\|nodeinputnumber=4
			\|nodeoutputnumber=2
			\|nodeloopsupport=是
			\|nodeifswitchsupport=否
			\|nodeavailableplotlist=ScatterWithConfidenceInterval;PointSizePlot;LinePlot
			\|nodeavailabletablelist=Table_For_Downstream
			\|nodeconfiguration=VariableList
			\|nodeinputports=WorkFlow-Control ▶;Transfer-Table ■
			\|nodeoutputports=WorkFlow-Control ▶;Transfer-Table ■
			\|statsapewikiurl=https://wiki.statsape.com/主成分分析(PCA)
			\|previousnode=[[限制性平均生存时间]]
			\|nextnode=[[主成分分析(PCA)]]
			}}


			{{Navplate AlgorithmNodeList}}

			[[Category:多元分析]]

Zeroclanzhang：创建页面，内容为“{{Infobox nodebasic|nodename=主成分分析(PCA)|nodeimage=Principal Component Analysis.png|developer=Dev.Team-DPS|productionstate=PC可用|productionstatedesc=在 V1.0部署|nodeenglishname=Has english name::Principal Component Analysis|abbreviation=PCA|funcmaincategory=数据分析|funcsubcategory=DataAGM Lv1 Cat::多元分析|nodecategory=数据挖掘|nodeinterpretor=R|nodeshortdescription=
主成分分析（Principal Component A…”

2023-12-02T14:33:11Z

创建页面，内容为“{{Infobox nodebasic|nodename=主成分分析(PCA)|nodeimage=Principal Component Analysis.png|developer=Dev.Team-DPS|productionstate=PC可用|productionstatedesc=在 V1.0部署|nodeenglishname=Has english name::Principal Component Analysis|abbreviation=PCA|funcmaincategory=数据分析|funcsubcategory=DataAGM Lv1 Cat::多元分析|nodecategory=数据挖掘|nodeinterpretor=R|nodeshortdescription=<p>主成分分析（Principal Component A…”

新页面

{{Infobox nodebasic|nodename=主成分分析(PCA)|nodeimage=Principal Component Analysis.png|developer=Dev.Team-DPS|productionstate=PC可用|productionstatedesc=在[[DecisionTree | V1.0]]部署|nodeenglishname=[[Has english name::Principal Component Analysis]]|abbreviation=PCA|funcmaincategory=数据分析|funcsubcategory=[[DataAGM Lv1 Cat::多元分析]]|nodecategory=数据挖掘|nodeinterpretor=R|nodeshortdescription=<p>主成分分析（Principal Component Analysis，PCA），是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。在很多情形，变量之间是有一定的相关关系的，当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠。主成分分析是对于原先提出的所有变量，将重复的变量（关系紧密的变量）删去多余，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映课题的信息方面尽可能保持原有的信息。散点图表示新构建的两个占比最高的主成分变量中样本的分布情况。\n用途：用于降维的统计技术，它可以将一组可能相关的变量转化为一组线性无关的变量，这些新的变量被称为主成分。可以使用PCA来减少变量的数量。\n参数：选择连续型数值变量，和绘图需要的分组变量</p>|nodeinputnumber=4|nodeoutputnumber=2|nodeloopsupport=是|nodeifswitchsupport=否|nodeavailableplotlist=ScatterWithConfidenceInterval;PointSizePlot;LinePlot|nodeavailabletablelist=Table_For_Downstream|nodeconfiguration=VariableList|nodeinputports=WorkFlow-Control ▶;Transfer-Table ■|nodeoutputports=WorkFlow-Control ▶;Transfer-Table ■|statsapewikiurl=https://wiki.statsape.com/主成分分析(PCA)_Plus|previousnode=[[限制性平均生存时间]]|nextnode=[[聚类分析]]}}{{Navplate AlgorithmNodeList}}[[Category:多元分析]]