277716_ko-KR

liliconcom

다변량 방법을 사용하여 데이터 탐색

방법을 확인하세요:

• 다변량 방법(PCA, 클러스터링 및 K-평균) 이해 및 사용
• 다변량 산점도 및 상관 관계 생성 및 해석
• 많은 수의 변수가 있는 레코드를 공통 특성을 기반으로 새로운 변수의 작은 클러스터로 그룹화합니다.
• 여러 변수에서 유사한 값을 공유하는 클러스터 행
• 계층적 군집화를 사용하여 최대 수천 행의 작은 테이블에 대한 동적 응답 트리 그래프인 덴드로그램을 생성합니다.
• 최대 수십만 행의 테이블에 대해 k-평균 클러스터링 사용
• 자가 조직화 맵을 사용하여 클러스터로부터 클러스터 유사성을 나타내는 2차원 클러스터 그리드의 특정 레이아웃으로 클러스터를 형성합니다.
• 연속 요인에 대해 주성분 분석(PCA)을 수행합니다. 여기서 첫 번째 주성분은 가능한 가장 큰 분산을 갖는 표준화된 원래 변수의 선형 조합입니다. 각 후속 주성분은 가능한 가장 큰 분산을 가지며 이전에 정의된 모든 성분과 상관되지 않는 변수의 선형 조합입니다.
• 범주형 데이터에 대한 다중 대응 분석(PCA와 유사하지만 범주형 데이터용)
• 요인 분석을 사용하여 잠재 요인 식별

자원

• 기초 일변량 및 다변량 통계를 위한 JMP®: 연구자 및 사회과학자를 위한 방법, 제2판 작성자: 앤 레먼, 놈 오루크, 래리 해처, 에드워드 J. 스테판스키
• Visual Six Sigma: 데이터 분석 간소화, 제2판 이안 콕스, 마리 고다르, 미아 L. 스티븐스

 

고급 통계 모델링