PCA para separar dos resultadosHola,
Tengo un resultado binario para un conjunto de pacientes y una larga lista de variables medidas (es decir, posibles predictores / características). Puedo hacer un PCA en todo el conjunto, o PCA en cada conjunto por separado (es decir, pacientes positivos y pacientes negativos por separado). Pero lo que realmente quiero es lo siguiente: ¿Cuáles son los dos componentes principales que mejor separan lo positivo de lo negativo? He jugado un poco con el análisis discriminante pero no he llegado demasiado lejos, cualquier ayuda o sugerencia sería bienvenida.
¡Gracias!
uriel
AnalíticaRe: PCA para separar dos resultadosHola,
¿Ha considerado la plataforma de análisis discriminante o la plataforma de detección de respuestas si necesita filtrar / enfocar qué variables son las más relevantes para su clasificación?
Mejor,
TSRe: PCA para separar dos resultadosHola @utkcito ,
Es posible que PCA no sea la herramienta adecuada para usted. Dado que tiene un resultado binario (encendido / apagado, 1/0, muerto / vivo), suena más como un problema de regresión logística, muy parecido al ejemplo de supervivientes del Titanic en los datos de muestra en JMP. El propósito de PCA no es necesariamente la predicción de un resultado, es decir, separar los resultados 0/1. Es posible que esté mejor con un árbol de decisiones, una red neuronal u otros métodos basados en árboles como XGBoost. Incluso podrías probar con máquinas de vectores de soporte. Muchas de esas opciones dependen de la versión de JMP que tenga (por ejemplo, Pro o estándar).
PCA está realmente diseñado para encontrar un conjunto de vectores linealmente independientes (del conjunto de datos del predictor; no lo alimentarías con los datos de respuesta) que maximiza el variabilidad explicado en los datos a lo largo de un conjunto de componentes principales ortogonales. Puede leerlo en la ayuda de JMP aquí . Los componentes principales no serán necesariamente buenos predictores para separar lo positivo / lo negativo. Esto podría adaptarse mucho mejor a la plataforma SVM. Si no tiene Pro, probablemente querrá probar el método del árbol de decisión de partición o la red neuronal.
Otra cosa: dependiendo de cuántas filas tenga, es posible que desee generar una columna de validación estratificada en la columna de resultados y usarla para una validación de su modelo. También puede considerar agregar una columna de factor nulo (consulte el complemento de validación automática para JMP) para ver si el conjunto de posibles predictores realmente aparece con más frecuencia en el modelo que un factor nulo completamente aleatorio y ortogonal.
Espero que esto ayude.
¡Buena suerte!,
DS
Re: PCA para separar dos resultadosHola TS y DS:
No busco predictores con el PCA. Quiero caracterizar, describir. Creo que el análisis discriminante debería hacerlo bajo el método lineal amplio, ya que muestra los componentes principales, pero no puede encontrar los detalles de los componentes principales que genera para evaluar si ese es realmente el caso.
Uriel.
Re: PCA para separar dos resultadosPodría considerar PLS-DA en lugar de PCA. PLS asegura que los primeros componentes se relacionen con la mayor variación en su objetivo, en otras palabras, para un solo Y, siempre debería ver la mejor separación en los gráficos de puntuación de los componentes 1 y 2. Luego, podría mirar las cargas, VIP v Coeficientes, o utilice métodos a los que está acostumbrado en PCA para evaluar la importancia de las variables.
Puede iniciar PLS-DA utilizando la personalidad PLS del Modelo de ajuste plataforma, o creando creando una variable que sea 1 o 0 según la categoría, y luego incluyéndola en la sección 'Y' de la PLS plataforma.
Re: PCA para separar dos resultadosHola @utkcito ,
estoy de acuerdo con @ih , la plataforma PLS podría adaptarse mejor a lo que desea hacer, o la plataforma SVM también.
Una razón por la que el análisis discriminante podría no estar funcionando es que parece que su conjunto de datos podría no ajustarse por completo al formato esperado para el DA. El DA requiere X categóricas y respuestas continuas Y, y es una especie de inverso, utilizando las Y continuas para predecir en última instancia las X, es decir, predice una variable de clasificación basada en una variable Y continua conocida.
Si desea usar las X para caracterizar / describir las Y del resultado, entonces PLS, particiones o SVM podrían ser mejores plataformas, creo. Y como @ih mencionado, al usar los gráficos VIP, puede usar eso junto con el umbral VIP para generar un modelo simplificado donde no está usando cada columna X en el modelo. La agrupación en clústeres también podría ser una opción, pero es posible que no tenga tanto sentido como el PLS al intentar interpretar los resultados.
Espero que puedas usar una de esas plataformas para ayudarte en tu trabajo.
¡Buena suerte!,
DS
