Questions tagged «biplot»

Biplot通常用于显示主成分分析（和相关技术）的结果。它是一个双散点图或叠加散点图，同时显示了组件负荷和组件分数。今天，@ amoeba通知我，他给出的答案与我的评论不符，而是一个问题，询问如何生成/缩放Biplot坐标；他的回答更详细地考虑了几种方式。@amoeba询问我是否愿意与biplot分享我的经验。 我的经验（无论是理论上还是实验上的经验），尽管非常谦虚，但都突出了两点，但这两点很少得到人们的认可：（1）应将Biplot归类为分析技术，而不是辅助散点图；（2）PCA，对应分析（以及其他一些众所周知的技术）实际上是双图的特殊情况。或者至少，他们俩几乎都是双胞胎。如果可以做双图，则可以做另外两个。 我对您的问题是：它们（PCA，CA，Biplot）如何为您连接？请分享您的想法。同时，我正在发布自己的帐户。我想请增加更多答案并发表批评。

38 pca  multivariate-analysis  svd  correspondence-analysis  biplot 

是否有可能以比汇总表更深入的方式可视化主成分分析的输出？当观察的数量很大，例如〜1e4时，可以这样做吗？是否可以在R [欢迎其他环境]中进行？

31 r  data-visualization  pca  biplot 

我遇到了一个很好的教程：《使用R进行统计分析的手册》。第13章。主成分分析：奥林匹克七项全能，其中涉及如何用R语言进行PCA。我不理解图13.3的解释： 因此，我正在绘制第一个特征向量与第二个特征向量。这意味着什么？假设对应于第一特征向量的特征值解释了数据集中60％的变化，第二特征值-特征向量解释了20％的变化。将它们相互绘制意味着什么？

30 r  pca  data-visualization  interpretation  biplot 

我一直在广泛地搜索互联网...我还没有找到关于如何解释2D对应分析图的非常好的概述。有人可以提供一些建议来解释点之间的距离吗？ 也许一个例子会有所帮助，这是我所见过的许多讨论对应分析的网站上的图表。红色三角形代表眼睛的颜色，黑色点代表头发的颜色。 查看上图，您能否对在这些数据中看到的内容做一些陈述。关于三角形和点之间的不同尺寸和关系的兴趣点？ 行点对列点的解释，特别是在示例中使用单词“ profile”将很有帮助。

19 interpretation  correspondence-analysis  biplot 

我正在寻找在JavaScript中实现主成分分析（PCA）的双图。我的问题是，如何从数据矩阵的奇异矢量分解（SVD）的输出确定箭头的坐标？U,V,DU,V,DU,V,D 这是R生成的示例双图： biplot(prcomp(iris[,1:4])) 我尝试在biplot上的Wikipedia文章中查找它，但它不是很有用。或正确。不知道哪个。

18 pca  svd  biplot 

当构建用于PCA分析的双线图时，在x轴上具有主成分PC1分数，在y轴上具有PC2分数。但是，屏幕右上方和顶部的其他两个轴是什么？

18 r  pca  biplot 

我FactoMineR用来将我的测量数据集减少到潜在变量。 变量地图上面很清楚我解释，但是当它涉及到的变量和组件1.纵观可变地图之间的关联我很困惑，ddp并且cov非常接近在地图的组件，ddpAbs是一个远一点远。但是，这不是相关性显示的内容： $Dim.1 $Dim.1$quanti correlation p.value jittAbs 0.9388158 1.166116e-11 rpvi 0.9388158 1.166116e-11 sd 0.9359214 1.912641e-11 ddpAbs 0.9327135 3.224252e-11 rapAbs 0.9327135 3.224252e-11 ppq5 0.9319101 3.660014e-11 ppq5Abs 0.9247266 1.066303e-10 cov 0.9150209 3.865897e-10 npvi 0.8853941 9.005243e-09 ddp 0.8554260 1.002460e-07 rap 0.8554260 1.002460e-07 jitt 0.8181207 1.042053e-06 cov5_x 0.6596751 4.533596e-04 ps13_20 -0.4593369 2.394361e-02 ps5_12 -0.5237125 …

17 correlation  pca  factor-analysis  association-measure  biplot 

考虑以下PCA双线图： library(mvtnorm) set.seed(1) x <- rmvnorm(2000, rep(0, 6), diag(c(5, rep(1,5)))) x <- scale(x, center=T, scale=F) pc <- princomp(x) biplot(pc) 有一堆红色箭头，它们是什么意思？我知道标有“ Var1”的第一个箭头应指向数据集变化最大的方向（如果我们认为它们是2000个数据点，则每个都是大小为6的向量）。我还从某处读取，变化最大的方向应该是第一特征向量的方向。 但是，请阅读R中的biplot代码。有关箭头的线是： if(var.axes) arrows(0, 0, y[,1L] * 0.8, y[,2L] * 0.8, col = col[2L], y实际在哪里是荷载矩阵，它是特征向量矩阵。所以它看起来像第一个箭头实际上是从指向(0, 0)到(y[1, 1], y[1, 2])。我了解我们正在尝试在2D平面上绘制高维箭头。这就是为什么我们要使用y[1, ]向量的第一和第二元素。但是我不明白的是： 第一特征向量方向y[, 1]不是由表示的向量y[1, ]吗？（同样，这y是通过PCA或通过的特征分解获得的特征向量矩阵t(x) %*% x），即特征向量应该是列向量，而不是那些水平向量。 即使我们将它们绘制在2D平面上，我们也应该绘制第一个方向从(0, 0)指向(y[1, 1], y[2, 1])？

14 r  pca  linear-algebra  biplot 

做主成分分析（PCA）时，要做的一件事是相互绘制两个载荷以研究变量之间的关系。在随附的用于进行主成分回归和PLS回归的PLS R软件包的论文中，有一个不同的图，称为相关负荷图（请参见本文中的图7和第15页）。的相关性装载，因为它是解释的，是分数之间和实际观察到的数据的相关性（从PCA或PLS）。 在我看来，加载和相关加载非常相似，只是它们的缩放比例有所不同。使用内置数据集mtcars的R中的可重现示例如下： data(mtcars) pca <- prcomp(mtcars, center=TRUE, scale=TRUE) #loading plot plot(pca$rotation[,1], pca$rotation[,2], xlim=c(-1,1), ylim=c(-1,1), main='Loadings for PC1 vs. PC2') #correlation loading plot correlationloadings <- cor(mtcars, pca$x) plot(correlationloadings[,1], correlationloadings[,2], xlim=c(-1,1), ylim=c(-1,1), main='Correlation Loadings for PC1 vs. PC2') 这些图的解释有什么区别？哪种曲线图（如果有的话）最适合在实践中使用？

11 r  pca  terminology  partial-least-squares  biplot 

冒着使问题成为特定于软件的风险，并以其普遍存在和特质为借口，我想问一下biplot()R中的函数，更具体地说，是有关其默认的叠加红色箭头的计算和绘图的问题。到基础变量。 [为了理解某些评论，最初发布的地块存在稀缺性问题，现在已删除。]

11 r  pca  biplot 

使用通过主成分分析获得的值的双图，可以探索构成每个主成分的解释变量。 使用线性判别分析是否也有可能？ 提供的示例使用。数据为“埃德加·安德森的虹膜数据”（http://en.wikipedia.org/wiki/Iris_flower_data_set）。这是虹膜数据： id SLength SWidth PLength PWidth species 1 5.1 3.5 1.4 .2 setosa 2 4.9 3.0 1.4 .2 setosa 3 4.7 3.2 1.3 .2 setosa 4 4.6 3.1 1.5 .2 setosa 5 5.0 3.6 1.4 .2 setosa 6 5.4 3.9 1.7 .4 setosa 7 4.6 3.4 1.4 .3 …

11 r  pca  multivariate-analysis  discriminant-analysis  biplot 

背景：我询问了数百名受访者对所选区域的兴趣（按李克特五分制，其中1分表示“不感兴趣”，5分表示“感兴趣”）。 然后我尝试了PCA。下图是前两个主要组成部分的投影。颜色用于性别，PCA箭头是原始变量（即兴趣）。 我注意到： 点（受访者）被第二部分很好地分开了。 没有左箭头。 有些箭比其他箭短得多。 变量趋向于形成集群，而不是观察值。 看来，指向男性的向下箭头主要是男性的利益，指向上方的箭头主要是女性的利益。 一些箭头既不指向下方也不指向上方。 问题：如何正确解释点（受访者），颜色（性别）和箭头（变量）之间的关系？从这个情节中可以得出关于受访者及其兴趣的其他结论吗？ 数据可以在这里找到。

10 pca  interpretation  survey  likert  biplot 

假设我们有一个数据矩阵（它是 ×）和标签矢量（它是 ×1）。在这里，矩阵的每一行都是一个观察值，每一列都对应一个维度/变量。（假设）XX\mathbf{X}ññnpppÿÿYññnÑ > pñ>pn>p 那么什么data space，variable space，observation space，model space是什么意思？ 列向量跨越的空间是否是一个（退化的） -D空间，因为它具有坐标，而列为，又称为列可变空间，因为它被变量向量跨越了？还是因为每个维度/坐标都对应一个观测值，所以将其称为观测空间？ññnññnppp 行向量跨越的空间又如何呢？

9 regression  multiple-regression  terminology  geometry  biplot