3D PCA ヘルプPCA に関する愚かな質問かもしれません。念のため、PCA のグラフィック出力を異なるプログラム間で比較したいと考えています。 以前は、各ランドマークの x、y、z 空間点を R にアップロードし、PCA を実行して、プロットやスコアなどを表示していました。しかし、同じデータセットを再実行すると、R で奇妙な結果が得られるようになりました。 （比較したいヘンチ）。 JMP で x、y、z 値をアップロードし、[分析] > [多変量メソッド] > [主成分] を選択すると、ポイントが通常の値として扱われているだけのようです。 これらのランドマークは高度に 3D オブジェクトからのものですが、JMP PCA では、3D グラフィック出力ではすべての標本がほぼ 1 つの平面上にあります。 (これは R で行われた出力とは 100% 異なっています) それで、PC スコアを JMP にアップロードして、そこから分析を実行できますか? (あるいは、何らかの方法で既にスコアから派生した新しいスコアを生成しているのでしょうか?) 何か足りない点や、より良い代替案がある場合は、あらゆるアドバイスや支援をいただければ幸いです。
Re: 3D PCA ヘルプさて、しかし Excel の表で意味がわからないのは、各標本の 36 個の 3D ランドマーク (X1、Y1、Z1、X2、Y2、Z2 など) のそれぞれに主成分スコアがあると思われる理由です。 それは PCA の仕組みではありません。
PCA は主に変数削減手法として使用されます。 したがって、一般的には、多数の変数を少数の PC にまで削減します。 次に、各 PC のスコアを観察 (または標本) のより簡単な説明として使用できます。
あるいは、PCA を使用して変数間の相関関係を理解します。
ここで PCA を使用する目的がわかりません。
ごめん！Re: 3D PCA ヘルプ物事を明確にできれば幸いです。 各標本には 36 個の 3D ランドマーク (X1、Y1、Z1、X2、Y2、Z2 など) があります。 私が最初に空間座標を取得するために使用したプログラム (Landmark と呼ばれるプログラム) では、出力はデータ セット全体を X、Y、Z 列に配置し、行がランドマークを構成することでした。 最初にその形式のデータセットをアップロードしようとしたとき、JMP は各行 (つまり、各ランドマーク) を個別の標本として読み取っていました。 以前の JMP コミュニティの投稿で助けを求めたとき、各標本とそのすべての X、Y、Z ポイントを 1 つの行に変換する (108 行の下位エントリを囲む) ことが推奨されました。 次に、出力された 3D グラフが空間点の散布図を作成しているだけであることがわかりました。たとえば、文字通り、空間次元ではなく、3D 座標 1、2、3 のランドマークと 3、4、5 の別のランドマークをプロットしていました。 PC の値。
そこで、R で取得したデータセットから PC 値を取得し、それらを「JMP 変換」しました (標本とそのすべての PC スコアを構成する行)。 物理的な標本が手元にあるとしても、PCA を介してそれらの空間的関係を比較したいと考えています。 そのため、前のコメントで述べた JMP で 3D PCA を表示する手順を実行するのは問題ないと思いました...しかし、先に進みすぎる前に再確認したかったのです。
Re: 3D PCA ヘルプ申し訳ありませんが、データがわかりません。 このデータセットには 109 個の変数があるようです (スペシミンを含む)。 各標本に 36 の異なる XYZ 値があるのはなぜですか? PCA でこれらの変数をどのように使用して、PCA スコア タブに 109 の変数を作成しているのですか? 実際、基本に立ち返って、分析の目的は何か、PCA を何に使用するのかを考えてみたほうがよいかもしれません。Re: 3D PCA ヘルプありがとうフィル。 3D プロットでは、主成分スコアから x、y、z 座標を視覚化したいと考えています。 わかりやすくするために Excel スプレッドシートを添付しました。 各標本の各ランドマークの空間 X、Y、Z 座標を示す 1 つのタブが表示されます。 2 番目のタブは、各ランドマークの PC スコアです。 PC スコアから導き出された 3D 空間関係を視覚化したいのですが、グラフを作成するために実行している手順が適切な順序であることを確認したいと考えています。
Re: 3D PCA ヘルプやあ、
何か明確にしていただけますか - 3D プロットで、x、y、z 座標または主成分スコアを視覚化しようとしていますか?
私は主成分スコアが平面上にあると予想します。 PCA についての考え方の 1 つは、PCA が次元削減手法であるということです。 これは、JMP の PCA の 3D スコア プロットで見られるものです。 「高度に 3D」のバリエーションは、最初の 2 つの主成分の 2D バリエーションに縮小されました。
それは理にかなっていますか？
共有していただける場合は、データをご覧いただければ幸いです。
乾杯、
フィル
