主成分分析(PCA)：修订间差异

来自决策链云智库
（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…”）
 
无编辑摘要
 
（未显示同一用户的6个中间版本）
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
|icon=Principal Component Analysis.svg
|simpleicon=Principal Component Analysis_Pure.svg
|developer=Dev.Team-DPS
|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
|nodeenglishname=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。</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=ContriRatio;CovMatrix
|nodeconfiguration=VariableList
|nodeinputports=WorkFlow-Control ➤;Transfer-Variable ◆;Transfer-Table ■
|nodeoutputports=WorkFlow-Control ➤;Transfer-Table ■
|statsapewikiurl=https://wiki.statsape.com/主成分分析(PCA)
|previousnode=[[IDI和NRI]]
|nextnode=[[聚类分析]]
}}
 
 
 
{{Navplate AlgorithmNodeList}}
 
[[Category:多元分析]]

2024年1月19日 (五) 19:20的最新版本

Principal Component Analysis.png
节点状态
Windows / Windows 10 Win10及以上可用
在V1.0部署
主成分分析(PCA)Principal Component Analysis.svg
节点开发者决策链算法研发部 (Dev.Team-DPS)
节点英文名Principal Component Analysis
功能主类别数据分析
英文缩写PCA
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

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。

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。

参数：选择连续型数值变量，和绘图需要的分组变量

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
可生成图片类型（推荐）
可生成数据表类型（推荐）
相关节点
上一节点IDI和NRI
下一节点聚类分析
WikimediaUI-Globe.svg相关网站





查找其他类别的节点，请参考以下列表

取自“https://wiki.statsape.com/index.php?title=主成分分析(PCA)&oldid=6120”
最近修改
此页面最后编辑于2024年1月19日 (星期五) 19:20。
版权
DecisionLinnc Wiki (决策链云智库) © 2024 by Statsape is licensed under Attribution-NonCommercial-ShareAlike 4.0 International. To view a copy of this license, visit [http://creativecommons.org/licenses/by-nc-sa/4.0/| CreativeCommons-Licenses-4.0].