可生成图片类型（推荐）
可生成数据表类型（推荐）
Zeroclanzhang（讨论 | 贡献） 无编辑摘要 |
Zeroclanzhang（讨论 | 贡献） 无编辑摘要 |
||
| 第23行： | 第23行： | ||
|statsapewikiurl=https://wiki.statsape.com/最大似然因子分析 | |statsapewikiurl=https://wiki.statsape.com/最大似然因子分析 | ||
|previousnode=[[聚类分析]] | |previousnode=[[聚类分析]] | ||
|nextnode=[[ | |nextnode=[[碎石检验]] | ||
}} | }} | ||
2023年12月4日 (一) 22:49的版本
 | |
| 节点状态 | PC可用
在 V1.0部署
|
|---|---|
| 最大似然因子分析 | |
| 节点开发者 | 决策链算法研发部 (Dev.Team-DPS) |
| 节点英文名 | 最大似然因子分析 |
| 功能主类别 | 数据分析 |
| 英文缩写 | 最大似然因子分析 |
| 功能亚类别 | 多元分析 |
| 节点类型 | 数据挖掘 |
| 开发语言 | R |
| 节点简介 | |
因子分析(Factor Analysis)是主成分分析的推广，它也是从研究相关矩阵内部的依赖关系出发，把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法。因子分析属于降维方法的一种，用于减少分析变量个数，通过对变量间相关关系的探测，将原始变量分组，用共性因子替代该变量。 用途：用于从多个观测变量中提取出少数的潜在变量（或称为因子），可以用来降维，即将这些变量合并为少数几个潜在因子。这可以使数据更易于理解和处理。 参数：选择多个连续型数值变量 | |
| 端口数量与逻辑控制(PC) | |
| Input-入口 | 4个 |
| Output-出口 | 2个 |
| Loop-支持循环 | 是 |
| If/Switch-支持逻辑判断 | 否 |
| 输入输出 | |
| 相关节点 | |
| 上一节点 | 聚类分析 |
| 下一节点 | 碎石检验 |
属性“Nodeicon”（作为页面类型）与输入值“File:”包含无效字符或不完整，并因此在查询或注释过程期间导致意外结果。
查找其他类别的节点，请参考以下列表
列表
数据处理节点
数据输入
变量处理
行列处理
矩阵处理
表格处理
列表
数据分析节点
描述性统计
统计检验
方差分析
相关分析
回归分析
Lasso回归 二项式Lasso回归 泊松Lasso回归 生存状态Lasso回归 高斯PLS回归Ridge回归 二项式Ridge回归 泊松Ridge回归 生存状态Ridge回归 高斯分位回归多分类逻辑回归多项式回归广义估计方程 伽玛广义估计方程 泊松广义估计方程 负二项广义估计方程 逻辑广义估计方程 高斯广义相加模型 伽玛广义相加模型 泊松广义相加模型 负二项广义相加模型 逻辑广义相加模型 高斯广义相加混合模型 伽玛广义相加混合模型 泊松广义相加混合模型 负二项广义相加混合模型 逻辑广义相加混合模型 高斯广义线性回归 伽玛广义线性回归 泊松广义线性回归 负二项广义线性回归 逆概率加权联合标准差稳健线性回归线性回归逐步回归逻辑回归
时序分析
潜变量分析
生存分析
多元分析
综合分析
列表
机器学习节点
列表
AI和神经网络
环境检测
