人體成分分析報告可信度有多少 如何評價我的體測表 ?在做主成分分析(pca)時,選取的主特征是原來數據的哪些特征呢

公司簡介
健明迪檢測提供的人體成分分析報告可信度有多少 如何評價我的體測表 ?在做主成分分析(pca)時,選取的主特征是原來數據的哪些特征呢 ,貓喜歡吉良吉影:那啥,我是賣秤的……先說體脂率。體脂率實質上是計算值,良知一點的產品會給你測量生物電阻,脂肪秤的任務原理是檢測生物電阻,應用人體成分剖析報告可信度有多少?如何評價我的體測表??在做主成
貓喜歡吉良吉影:那啥,我是賣秤的……先說體脂率。體脂率實質上是計算值,良知一點的產品會給你測量生物電阻,脂肪秤的任務原理是檢測生物電阻,應用...

人體成分剖析報告可信度有多少?如何評價我的體測表??在做主成分剖析(pca)時,選取的主特征是原來數據的哪些特征呢??健明迪檢測

R言語進階之主成分剖析

明天我們將要學習R言語進階中*重要的統計內容---主成分剖析,它在我們的研討中簡直是無處不在,運用*廣的就是將主成分放入回歸模型停止擬合,用于矯正相關的混雜要素。

主成分剖析的基本思想是將多個變量停止線性組合,在保管原數據主要特征的同時增加變量個數,從而到達降維的目的。R言語的內置函數princomp提供了未經旋轉的主成分剖析。

1. 慣例主成分剖析

在這里,我還將以鳶尾花數據集(iris)為例引見如何在R中停止主成分剖析:

# 主成分剖析
# 輸入原始數據并提取相關主成分
mydata <- iris # 將iris命名成mydata以便后續操作
mydata$type[which(mydata$Species== "setosa")]<- 0 # 設置setosa為0
mydata$type[which(mydata$Species== "versicolor")]<- 1 # 設置versicolor為1
mydata$type[which(mydata$Species== "virginica")]<- 2 # 設置virginica為2
attach(mydata) # 固定數據框
fit <- princomp(~ Sepal.Length+Sepal.Width+Petal.Length+Petal.Width, cor=TRUE) # 對花萼和花瓣的相關數據停止主成分剖析,cor=TRUE表示從相關系數矩陣提取主成分(實踐上是對數據的一種規范化)
summary(fit) # 輸入各個主成分的解釋方差
loadings(fit) # 輸入載荷
plot(fit,type="lines") # 碎石圖
biplot(fit) # 對前兩個主成分繪圖

從下面的*幅圖來看,前兩個主成分的累計方差貢獻率到達95.8%,并且碎石圖的結果也顯示前兩個主成分所占方差較大,因此我們其實只需用這兩個主成分就能很好描畫鳶尾花的特征了。

各個主成分的載荷實踐上反響的是各原始變量和主成分的關系,從圖中結果我們不美觀出,主成分1主要反映花萼長度、花瓣的長度和花瓣的寬度這三個原始變量,而主成分2主要反映花萼寬度這個原始變量,因此前兩個主成分基本就能完全反映一切的變量特征了。

*后一幅圖實踐上是依照前兩個主成分繪制的散點圖,從圖中不美觀出:應用主成分1可以將“setosa”與其他兩類分開,然后應用主成分2將“versicolor“和”virginica“分開。

這里我想和大家引見一下“psych“包(一個十分弱小的統計R包)的主成分函數principal( ),這個函數可以協助我們提取和旋轉主成分:

# 極小氣差旋轉法
# 保管前兩個主成分
library(psych)
fit2 <- principal(mydata[,1:4], nfactors=2,rotate="varimax") #nfactors指定主成分個數,rotate指定旋轉方法
fit2 # 輸入結果

關于rotate參數,我們主要有如下選項 "none", "varimax", "quatimax","promax", "oblimin", "simplimax"和"cluster",有興味的冤家可以自行了解,我在這兒就不贅述了。

從上圖的結果來看,前兩個主成分的累計方差貢獻率為96%,并且*主成分主要表征花萼長度、花瓣的長度和花瓣的寬度這三個原始變量,而第二主成分主要反映花萼寬度這個原始變量,這和之前的剖析分歧。

2. 主成分回歸

接上去,我將以fit2的結果為例引見本期內容*重要的局部---主成分回歸:

# 提取主成分
detach(mydata) # 解固定原數據
PC <- as.data.frame(fit2$scores) # 提取各觀測點的主成分
PC <- cbind(PC,mydata$type) # 按列兼并
colnames(PC) <- c("PC1", "PC2","type") # 重命名變量
fit3 <- lm(type ~ PC1 + PC2,data=PC) # 應用前兩個主成分對type停止線性回歸
summary(fit3)

輸入結果顯示PC1和PC2都是十分清楚的,而PC1的效應量為正值,PC2則是負值,這和主成分結果分歧。

關于主成分剖析的內容就講到這里,希望大家能掌握主成分剖析的方法以及如何用主成分停止回歸剖析,我們下期再見!

編輯于 2020-09-24 11:03
「真誠贊賞,手留余香」
還沒有人贊賞,快來當*個贊賞的人吧!
jkyu:剛好在cross validation看到相關的效果下有個很幽默的答案,應該可以解答題主的效果。原文看這里Making sense of principal component analysis, eigenv...

人體成分剖析報告可信度有多少?如何評價我的體測表??在做主成分剖析(pca)時,選取的主特征是原來數據的哪些特征呢??健明迪檢測

石川:2007 年,任天堂的游戲機 Wii 上推出了一款超級紙片馬里奧(super paper Mario)的游戲。在大少數操作中,它十分接近傳統的超級馬里奧,是一個 2D 的游戲,玩家控制馬里奧從左至右移動闖關,如下圖...
人體成分分析報告可信度有多少 如何評價我的體測表 ?在做主成分分析(pca)時,選取的主特征是原來數據的哪些特征呢
我們的服務
行業解決方案
官方公眾號
客服微信

為您推薦
淺談主成分分析與因子分析?有機農藥成分分析,第三方農藥分析檢測機構

成分分析檢測

成分分析需要注意哪些問題 ?成分分析檢測的流程及注意事項

成分分析檢測

化學檢測是如何把測驗品的成分分析出來的 ?成分分析檢測常規檢測項目周期辦理

成分分析檢測

成分分析檢測常規檢測項目詳細介紹?主成分分析得分圖如何理解,有什么意義

成分分析檢測

精品9E精品视频在线观看| 国产精品 码ls字幕影视| 国产三级精品三级在线专区1| 91精品成人福利在线播放| 久久乐国产精品亚洲综合| 人妻少妇精品无码专区| 国产精品对白交换视频| 精品一区二区AV天堂| 精品国产一二三区在线影院| 国产无套精品一区二区| 国产精品视频公开费视频| 97精品在线观看| 曰韩精品无码一区二区三区| 国产精品无码aⅴ嫩草| 国产91精品一区二区麻豆网站 | 久久只这里是精品66| 国产suv精品一区二区33| 亚洲午夜成人精品电影在线观看| 97视频热人人精品免费| 99久久精品国产一区二区成人| 久久精品综合一区二区三区| 精品久久免费视频| 亚洲va精品中文字幕| 久久99精品福利久久久| 国产午夜亚洲精品午夜鲁丝片| 色婷婷精品免费视频| 国产精品国产三级国产AV麻豆| 国产精品毛片久久久久久久| 久久久免费精品re6| 亚洲av永久无码精品漫画| 久久精品亚洲男人的天堂| 午夜精品久久久久久久99热| 精品久久久久久亚洲中文字幕| 国产福利91精品一区二区三区| 亚洲嫩草影院久久精品| 麻豆精品成人免费国产片| 在线涩涩免费观看国产精品| 精品亚洲视频在线观看| 国产精品美女网站| 国产成人精品一区在线| 亚洲精品一级无码中文字幕|