PCA分離兩個結果你好，
我有一組患者的二元結果，以及一長串測量變數（即潛在預測因子/特徵）。我可以對整個資料集進行主成分分析 (PCA)，也可以對每個資料集分別進行主成分分析（即分別對陽性患者和陰性患者進行主成分分析）。但我真正想要的是：哪兩個主成分最能區分陽性和陰性？我嘗試過一些判別分析，但進展不大，歡迎任何幫助或建議。
謝謝！
尤利爾
進階統計建模回复：PCA將兩個結果分開你好@utkcito ，
PCA可能不是適合您的工具。 由於您具有二進制結果（開/關，1/0，死/活），因此聽起來更像是邏輯回歸問題，就像JMP樣本數據中的“泰坦尼克號倖存者”示例一樣。 PCA的目的不一定是預測結果，即分離出0/1個結果。 使用決策樹，神經網絡或其他基於樹的方法（例如XGBoost）可能會更好。 您甚至可以嘗試使用支持向量機。 這些選項中的許多選項取決於您擁有的JMP版本（例如Pro或Standard）。
PCA的確旨在找到一組線性獨立的矢量（預測變量數據集，您不會向其提供響應數據），從而最大化變化性數據沿一組正交的主成分進行解釋。 您可以在JMP幫助中閱讀這裡。 主成分不一定是區分陽性/陰性的良好預測指標。 這可能更適合SVM平台。 如果沒有Pro，則可能要嘗試使用分區決策樹方法或神經網絡。
另一件事：根據您擁有多少行，您可能需要生成一個在結果列上分層的驗證列，並將其用於模型驗證。 您還可以考慮添加一個空因子列（請參閱JMP的自動驗證加載項），以查看可能的預測變量集在模型中實際出現的頻率是否比完全隨機和正交的空因子高。
希望這可以幫助。
祝你好運！，
DS
回复：PCA將兩個結果分開TS和DS，您好！
我不是在尋找PCA的預測指標。 我想刻畫，描述。 我認為判別分析應該在寬線性方法下進行，因為它顯示了主要成分，但是找不到其生成的主要成分的詳細信息來評估是否確實如此。
烏里爾
回复：PCA將兩個結果分開您可以考慮使用PLS-DA而不是PCA。 PLS確保第一個組件與目標中的變化最大有關，換句話說，對於單個Y，您應該始終在組件1和2的得分圖中看到最佳分離。然後，您可以查看載荷，VIP係數或使用您在PCA中慣用的方法來評估變量的重要性。
您可以使用以下設備的PLS個性啟動PLS-DA：擬合模型平台，或通過創建創建變量（取決於類別）為1或0，然後將其包括在PLS平台。
回复：PCA將兩個結果分開你好@utkcito ，
我同意@ih ，PLS平台可能更適合您想要做的事情，或者SVM平台也更適合。
判別分析可能不起作用的原因之一是，聽起來您的數據集可能不完全適合DA的預期格式。 DA需要分類X和連續響應Y，這是相反的，使用連續Y最終預測X，即它基於已知的連續Y變量預測分類變量。
我想，如果您想使用X來表徵/描述Y的結果，那麼PLS，分區或SVM可能是更好的平台。 並作為@ih提到，使用VIP圖，您可以將其與VIP閾值一起使用，以生成簡化模型，其中不使用模型中的每個X列。 聚類也可以是一種選擇，但是在嘗試解釋結果時，它可能不如PLS有意義。
希望您可以使用這些平台之一來幫助您的工作。
祝你好運！，
DS
回覆：PCA分離兩個結果你好@utkcito ，
雖然我完全同意其他人關於分析資料的潛在選項的觀點，但我想提供另一個 JMP Pro 平台，值得您花時間嘗試。廣義迴歸（GR）非常適合二項式/二元結果。 LASSO 和 Elastic Net 演算法將允許您在正在處理的因子空間中找到變數的最佳整體組合，而不是在主成分或潛在因子 (PLS) 空間中找到。如果沒有付出很多額外的努力，PCA 和 PLS 模型都很難確定什麼是最重要的。您還可以使用多種交叉驗證選項來避免過度擬合。
神經網路（NN）可能對你有用。 TanH，雙曲正切函數非常適合二項式結果，您將自動被引導使用交叉驗證以避免過度擬合。 （JMP 和 JMP Pro）
Bootstrap Forest 作為一種分區方法還可以讓您在因子空間中找到最重要的因子。 （JMP專業版）
最後一個想法，如果您可以存取 JMP 16 EA，您可以嘗試預測模型下的模型篩選，以幫助您找到最適合您資料的整體模型。
模型篩選將成為 JMP Pro 16 的一大新功能
回覆：PCA分離兩個結果感謝所有回覆的人，你們的評論很有幫助——事實上，我最近使用了所有這些選項來分析數據。我特別感興趣的是正交判別是什麼樣子，但如果不能直接實現，我就會繼續。
尤利爾。
