두 결과를 분리하는 PCA안녕,
환자 세트에 대한 이진 결과와 측정 된 변수 목록 (예 : 잠재적 예측 변수 / 특성)이 있습니다. 나는 전체 세트에서 PCA를 수행하거나 각 세트에서 개별적으로 PCA를 수행 할 수 있습니다 (즉, 양성 환자와 음성 환자는 별도로). 하지만 제가 정말로 원하는 것은 다음과 같습니다. 긍정과 부정을 가장 잘 구분하는 두 가지 주요 구성 요소는 무엇입니까? 나는 판별 분석을 조금 해보았지만 너무 멀지 않았다면 어떤 도움이나 제안도 환영받을 것입니다.
감사!
우리엘
해석학Re : 두 결과를 분리하는 PCA안녕,
분류와 가장 관련있는 변수를 필터링 / 초점화해야하는 경우 판별 분석 플랫폼 또는 응답 스크리닝 플랫폼을 고려 했습니까?
베스트,
TSRe : 두 결과를 분리하는 PCA안녕 헉헉 ,
PCA는 귀하에게 적합한 도구가 아닐 수 있습니다. 바이너리 결과 (on / off, 1/0, dead / alive)가 있기 때문에 JMP의 샘플 데이터에있는 Titanic 생존자 예제와 매우 유사하게 로지스틱 회귀 문제처럼 들립니다. PCA의 목적은 반드시 결과 예측, 즉 0/1 결과 분리를위한 것은 아닙니다. 의사 결정 트리, 신경망 또는 XGBoost와 같은 기타 트리 기반 방법을 사용하는 것이 더 나을 수 있습니다. 서포트 벡터 머신을 사용해 볼 수도 있습니다. 이러한 옵션의 대부분은 사용중인 JMP 버전 (예 : Pro 또는 표준)에 따라 다릅니다.
PCA는 실제로 다음을 최대화하는 선형 독립 벡터 세트 (예측 자 데이터 세트의-응답 데이터를 제공하지 않음)를 찾도록 설계되었습니다. 가변성 일련의 직교 원리 구성 요소와 함께 데이터에 설명되어 있습니다. JMP의 도움말에서 읽을 수 있습니다. 여기 . 주요 구성 요소가 반드시 긍정 / 부정을 구분하는 좋은 예측 변수는 아닙니다. 이것은 SVM 플랫폼에 훨씬 더 적합 할 수 있습니다. Pro가없는 경우 분할 결정 트리 방법이나 신경망을 시도해 볼 수 있습니다.
또 다른 한 가지 : 보유한 행 수에 따라 결과 열에 계층화 된 유효성 검사 열을 생성하고이를 모델 유효성 검사에 사용할 수 있습니다. 또한 가능한 예측 변수 집합이 실제로 완전히 무작위 및 직교 null 요인보다 모델에서 더 자주 나타나는지 확인하기 위해 null 요인 열을 추가하는 것을 고려할 수 있습니다 (JMP 용 자동 유효성 검사 추가 기능 참조).
도움이 되었기를 바랍니다.
행운을 빕니다!,
DS
Re : 두 결과를 분리하는 PCA안녕하세요 TS와 DS,
나는 PCA와 함께 예측자를 찾고 있지 않습니다. 특성화하고 설명하고 싶습니다. 판별 분석은 주성분을 보여주기 때문에 넓은 선형 방법으로 수행해야한다고 생각하지만 그것이 실제로 사실인지 평가하기 위해 생성하는 주성분의 세부 사항을 찾을 수 없습니다.
우리엘.
Re : 두 결과를 분리하는 PCAPCA 대신 PLS-DA를 고려할 수 있습니다. PLS는 첫 번째 성분이 목표의 가장 큰 변동과 관련되도록 보장합니다. 즉, 단일 Y의 경우 성분 1과 2의 점수 도표에서 항상 최상의 분리를 확인해야합니다. 그런 다음 로딩, VIP v 계수 또는 PCA에서 익숙한 방법을 사용하여 변수 중요도를 평가합니다.
PLS Personality를 사용하여 PLS-DA를 시작할 수 있습니다. 적합 모델 또는 카테고리에 따라 1 또는 0 인 변수를 생성 한 다음이를 'Y'섹션에 포함하여 PLS 플랫폼.
Re : 두 결과를 분리하는 PCA안녕 뿡뿡 ,
동의합니다 @ih , PLS 플랫폼은 원하는 작업이나 SVM 플랫폼에도 더 적합 할 수 있습니다.
판별 분석이 작동하지 않는 한 가지 이유는 데이터 세트가 DA의 예상 형식에 완전히 맞지 않는 것처럼 들리기 때문입니다. DA에는 범주 형 X 및 연속 응답 Y가 필요하며, 이는 일종의 역입니다. 연속 Y를 사용하여 궁극적으로 X를 예측합니다. 즉, 알려진 연속 Y 변수를 기반으로 분류 변수를 예측합니다.
X를 사용하여 결과 Y를 특성화 / 설명하고 싶다면 PLS, 파티셔닝 또는 SVM이 더 나은 플랫폼이 될 수 있다고 생각합니다. 그리고 @ih 언급했듯이 VIP 플롯을 사용하면 VIP 임계 값과 함께이를 사용하여 모델의 모든 단일 X 열을 사용하지 않는 단순화 된 모델을 생성 할 수 있습니다. 클러스터링도 옵션 일 수 있지만 결과를 해석하려고 할 때 PLS만큼 의미가 없을 수 있습니다.
이러한 플랫폼 중 하나를 사용하여 작업에 도움이되기를 바랍니다.
행운을 빕니다!,
DS
