3D PCA 도움말멍청한 PCA 질문일 수도 있습니다. 안전을 위해 다른 프로그램 간에 내 PCA 그래픽 출력을 비교하고 싶습니다. 이전에는 각 랜드마크에 대한 x,y,z 공간 포인트를 R에 업로드하고 PCA를 실행하고 플롯, 점수 등을 확인했습니다. 하지만 동일한 데이터 세트를 다시 실행하면 R에서 이상한 결과가 나오기 시작했습니다. (비교하고 싶은 헨치). JMP에서 x,y,z 값을 업로드하고 분석 > 다변량 방법 > 주성분을 선택하면 점을 정상 값으로 취급하는 것처럼 보입니다. 이러한 랜드마크는 고도로 3D 개체에서 가져오지만 JMP PCA에서는 3D 그래픽 출력에 거의 모든 표본이 단일 평면에 있습니다. (그리고 이것은 R에서 수행된 출력과 100% 다르게 보입니다.) 그렇다면 PC 점수를 JMP에 업로드하고 거기에서 분석을 실행할 수 있습니까? (또는 어떻게든 이미 점수에서 파생된 새로운 점수를 생성할까요?) 제가 놓친 것이 있거나 더 나은 대안이 있다면 모든 조언/지원에 크게 감사하겠습니다.
Re: 3D PCA 도움말알겠습니다. 하지만 Excel 표에서 이해가 되지 않는 것은 각 표본에 대한 36개의 3D 랜드마크(X1,Y1,Z1,X2,Y2,Z2 등) 각각에 대한 주성분 점수가 분명히 있는 이유입니다. 그것은 PCA가 작동하는 방식이 아닙니다.
PCA는 주로 변수 감소 기법으로 사용됩니다. 따라서 일반적으로 많은 수의 변수를 적은 수의 PC로 줄입니다. 그런 다음 관찰(또는 표본)에 대한 간단한 설명으로 각 PC의 점수를 사용할 수 있습니다.
또는 PCA를 사용하여 변수 간의 상관 관계를 이해합니다.
PCA를 사용하는 목적이 무엇인지 잘 모르겠습니다.
죄송합니다!Re: 3D PCA 도움말바라건대 나는 일을 명확히 할 수 있습니다. 각 표본에는 36개의 3D 랜드마크(X1,Y1,Z1,X2,Y2,Z2 등)가 있습니다. 원래 공간 좌표를 얻기 위해 사용했던 프로그램(Landmark라는 프로그램)에서 출력은 랜드마크를 구성하는 행과 함께 X, Y 및 Z 열로 전체 데이터 세트를 정렬하는 것이었습니다. 처음에 해당 형식의 데이터 세트를 업로드하려고 했을 때 JMP는 각 행(즉, 각 랜드마크)을 별도의 표본으로 읽었습니다. 이전 JMP 커뮤니티 게시물에서 도움을 요청했을 때 각 표본을 변환하고 모든 표본의 X,Y,Z 포인트를 단일 행(108행 하위 항목)으로 변환하라는 조언을 받았습니다. 그런 다음 출력 3D 그래프가 공간 점의 산점도를 생성하고 있음을 알았습니다. PC 값.
그래서 거기에서 R로 얻은 데이터 세트에서 PC 값을 가져와 "JMP로 변환"했습니다(표본을 구성하는 행과 모든 PC 점수). 실제 표본이 있지만 PCA를 통해 공간 관계를 비교하고 싶습니다. 그렇기 때문에 이전 댓글에서 언급한 JMP에서 3D PCA를 보는 단계를 수행하는 것이 괜찮다고 생각했지만...너무 앞서 가기 전에 다시 한 번 확인하고 싶었습니다.
Re: 3D PCA 도움말죄송합니다. 데이터를 이해할 수 없습니다. 이 데이터 세트에는 109개의 변수가 있는 것으로 보입니다(specimin 포함). 각 표본에 대해 36개의 서로 다른 XYZ 값이 있는 이유는 무엇이며 PCA 점수 탭에서 109개의 변수를 생성하기 위해 PCA에서 이러한 변수를 어떻게 사용하고 있습니까? 사실 기본으로 돌아가서 분석의 목적이 무엇인지, PCA를 무엇을 위해 사용하는지 물어보는 것이 더 나을 수도 있습니다.Re: 3D PCA 도움말고마워 필. 3D 플롯의 경우 주성분 점수에서 x,y,z 좌표를 시각화하고 싶습니다. 이해를 돕기 위해 Excel 스프레드시트를 첨부했습니다. 각 표본의 각 랜드마크에 대한 공간 x,y,z 좌표인 하나의 탭이 표시됩니다. 두 번째 탭은 각 랜드마크의 PC 점수입니다. PC 점수에서 파생된 3D 공간 관계를 시각화하고 싶지만 그래프를 생성하기 위해 따르는 단계가 올바른 순서인지 확인하고 싶습니다.
Re: 3D PCA 도움말안녕,
뭔가를 명확히 할 수 있습니까? - 3D 플롯에서 x,y,z, 좌표 또는 주성분 점수를 시각화하려고 합니까?
나는 주성분 점수가 평면에 있을 것으로 기대합니다. PCA에 대해 생각하는 한 가지 방법은 PCA가 차원 축소 기술이라는 것입니다. 이것은 JMP의 PCA에 있는 3D 점수 도표에서 볼 수 있는 것입니다. "매우 3D" 변형은 처음 2개의 주요 구성 요소에서 2D 변형으로 축소되었습니다.
말이 돼?
데이터를 공유할 수 있다면 기꺼이 데이터를 살펴보겠습니다.
건배,
필
