38319_fr-FR

liliconcom

PCA

Salut,

J'ai exécuté PCA sur le jeu de données attaché.

 

La sortie est:

 

J'essaie d'augmenter la valeur R-square. Ce faisant, je veux seulement considérer une variable importante.

 

Jusqu'à présent, j'ai nettoyé les données en excluant les valeurs aberrantes et en supprimant les variables: Garage yrblt, 1stflsf, totrmsabvgrd & Garagecars car elles ont une corrélation très élevée.

Recalculé la façade de lot en tant que mise à jour de la façade de lot car il y avait beaucoup de variables manquantes dans la façade de lot.

 

Maintenant, mon analyse PCA montre que 12 composants (sur 26) peuvent expliquer environ 79,5% de la variabilité. Ainsi, suis-je correct si je sauvegarde la formule de ces 13 composants, puis exclut les variables utilisées pour obtenir ces composants tels que LotFrontage vers UpdateLotFrontage.

 

Donc, fondamentalement, au lieu d’utiliser 26 variables, je vais maintenant utiliser 13 variables. Après cette réduction variable, je prévois d’exécuter une régression pas à pas, etc., un réseau de neurones, etc. et de tenter de voir quelle méthode donne la meilleure valeur de R-carré.

 

Cette approche est-elle correcte?

 

Merci

Re: PCA

En règle générale, PCA est une méthode de réduction de dimensionnalité et de visualisation pour les structures de corrélation entre variables et n’est pas vraiment destinée à une méthode d’identification / élimination de variable, précurseur de la construction de modèles prédictifs. Il existe de nombreuses techniques natives de JMP et JMP Pro qui peuvent être utilisées pour créer directement des modèles, même en présence de variables de prédicteur corrélées suspectées. Des techniques telles que les moindres carrés partiels, ou dans JMP Pro, de nombreuses sous-plateformes dans la personnalité du modèle d'ajustement de régression généralisée sont conçues sur mesure pour une identification de variable face à des variables de prédiction corrélées.

Re: PCA

Qu'en est-il des valeurs aberrantes? Supprimons-nous les valeurs aberrantes avant d'exécuter une PCA ou PCA prend en charge les valeurs aberrantes et les variables manquantes

Re: PCA

Ma variable Y est Salesprices. C'est un modèle prédictif.

J'essaie d'obtenir le modèle le mieux ajusté avec une valeur plus élevée de R-Square.

Donc, si je ne supprime pas les variables hautement corrélées, puis lance la PCA. 

Comment choisir les composants à prendre en compte (en effectuant une régression: pas à pas?) Et que dois-je faire avec le jeu initial de variables. Est-ce que je considère l'ensemble de variables initial ou juste les nouveaux composants lors de la construction d'un modèle?

 

Cordialement,

Re: PCA

Pouvez-vous en dire un peu plus sur vos objectifs? Étant donné que vous mentionnez R-Squared, je suppose que vous souhaitez construire un modèle (éventuellement prédictif, éventuellement explicatif ou descriptif) associant au moins une réponse ('Y') à certaines variables indépendantes (Xs). Si c'est le cas, quelle est la variable "Y" dans votre tableau, s'il vous plaît? De plus, si vous souhaitez utiliser PCA, je ne vois pas trop pourquoi vous supprimeriez les variables "car elles ont une corrélation très forte" - PCA s'appuie sur ces corrélations pour réduire la dimensionnalité du problème.