419172_fr-FR

liliconcom

Echelle commune PCA

Bonjour la communauté JMP

Existe-t-il un moyen d'effectuer une PCA à l'aide d'une échelle commune comme il est possible de le faire avec le cluster K-means ?

Je demande parce que le cluster K-means à l'échelle commune est bien meilleur pour mes données, mais je souhaite supprimer les données de clustering et afficher simplement le biplot PCA avec des axes

Meilleur,

AnalytiqueGraphiqueRe: Echelle commune PCA

Je ne comprends peut-être pas la question, mais l'ACP centrera et mettra automatiquement à l'échelle toutes les variables lorsque vous effectuerez l'ACP sur les corrélations. Ainsi, toutes les variables sont sur la même échelle.

Re: Echelle commune PCA

Salut, la mise à l'échelle sur le PCA est la même que la K-moyenne lorsque l'option "colonnes mises à l'échelle individuellement" est sélectionnée

Mais je ne trouve pas de moyen d'effectuer une mise à l'échelle commune avec PCA comme Kmeans peut le faire lorsque l'option "colonnes mises à l'échelle individuellement" n'est pas sélectionnée

La raison pour laquelle je dois le faire est que le biplot K-means n'inclut pas la variance expliquée par les axes. Si quelqu'un sait comment obtenir le tracé K-means pour afficher cette valeur, je l'apprécierais !

Re: Echelle commune PCA

Depuis l'aide JMP sur K-Means :

Colonnes mises à l'échelle individuellement

Met à l'échelle chaque colonne indépendamment des autres colonnes. À utiliser lorsque les variables ne partagent pas une échelle de mesure commune et que vous ne souhaitez pas qu'une variable domine le processus de regroupement. Par exemple, une variable peut avoir des valeurs comprises entre 0 et 1 000, et une autre variable peut avoir des valeurs comprises entre 0 et 10. Dans cette situation, vous pouvez utiliser l'option pour que le processus de clustering ne soit pas dominé par la première variable.

 

Si vous ne les redimensionnez PAS individuellement, vous ne redimensionnez pas les variables.

 

Si vous souhaitez reproduire cela dans Principaux composants, choisissez les principaux composants sur non mis à l'échelle (disponibles dans le menu contextuel rouge de Principaux composants). Cependant, gardez à l'esprit que toutes vos variables doivent être sur une échelle similaire pour que ces résultats aient un sens.

Objet : barème commun PCA

Ajouter à @Dan_Obermiller commentaire, je crois que K Means centre les colonnes mais ne les met pas à l'échelle lors de l'utilisation de cette option, donc pour reproduire l'analyse avec PCA, vous voudriez d'abord centrer les colonnes, puis faire une PCA non mise à l'échelle.Si vous exécutez le script ci-dessous, les tracés des scores bivariés doivent correspondre.

 

Names default to here(1);

dt = Open( "$Sample_data/Lipid Data.jmp" );

//Center columns
dt << New Column("Age Centered", Numeric, "Continuous", Format("Best", 10), Formula(:Age - Col Mean(:Age)));
dt << New Column("Weight Centered", Numeric, "Continuous", Format("Best", 10), Formula(:Weight - Col Mean(:Weight)));
dt << New Column("Cholesterol Centered", Numeric, "Continuous", Format("Best", 10), Formula(:Cholesterol - Col Mean(:Cholesterol)));
dt << New Column("Triglycerides Centered", Numeric, "Continuous", Format("Best", 10), Formula(:Triglycerides - Col Mean(:Triglycerides)));

//Window with both analyses:
New Window( "Compare",
 H List Box(
  //K Means common scale:
  dt << K Means Cluster(
   Y( :Age, :Weight, :Cholesterol, :Triglycerides ),
   Columns Scaled Individually( 0 ),
   {Single Step( 0 ), Number of Clusters( 3 ), K Means Cluster,
   Go( Show Biplot Rays( [0, 0, 1] ), Biplot( 1 ) )}
  ),
  //PCA unscaled using centered columns
  dt << Principal Components(
   Y( :Age Centered, :Weight Centered, :Cholesterol Centered, :Triglycerides Centered ),
   Estimation Method( "Default" ),
   "on Unscaled"
  )
 )
);