JMP Pro > 차원 축소 > PCA > 가장 의미 있는 구성요소 검색?안녕,
저는 ~1,500개의 변수(즉, 바이오마커)를 포함하는 상대적으로 큰 데이터 세트를 작업하고 있습니다. 이러한 변수의 하위 집합은 서로 상관되는 경향이 있으므로 데이터 세트의 차원을 줄이고 싶습니다. 저는 현재 이 목표를 달성하기 위해 PCA를 탐색하고 있습니다. 그럼에도 불구하고 특정 주요 구성 요소를 원래 데이터와 다시 연결하는 방법(즉, 어떤 바이오마커/변수가 특정 주요 구성 요소에 "가장" 기여하는지)을 잘 모르겠습니다. Formatted Loading Matrix를 검색하는 방법을 알고 있지만 주성분 중 가장 영향력 있는 구성 요소를 선택하기 위한 의미 있는 구분을 어떻게 설정할 수 있습니까?
주목할 만한 특정 주요 구성 요소는 각 PC와 임상 변수의 연관성을 테스트하는 간단한 선형 모델에서 파생됩니다.
윈도우 프로
JMP 프로 16.1
도움을 주셔서 감사합니다.
최상의,
TS
고급 통계 모델링기본 데이터 분석 및 모델링답변: JMP Pro > 차원 축소 > PCA > 가장 의미 있는 구성요소 검색?안녕하세요 @Thierry_S 님 ,
귀하의 사용 사례에 대해 고려해야 할 몇 가지 흥미로운 옵션이 있을 수 있습니다.
이 첫 번째 옵션이 도움이 되기를 바랍니다.
최상의,
답변: JMP Pro > 차원 축소 > PCA > 가장 의미 있는 구성요소 검색?귀하의 질문은 실무자들에게 매우 일반적입니다. 지나치게 단순화한 점을 사과드립니다.
고유벡터의 해석은 실무자(과학자 또는 엔지니어를 의미함)가 쉽게 이해하지 못합니다. 고유벡터는 연구에 포함된 바이오마커의 일부 조합(및 하위 집합)일 가능성이 높습니다 . 고유벡터는 다른 "차원"을 통해 데이터를 보기 때문에 해당 차원은 무의미할 수 있으며 실제적인 관점에서는 본질적인 의미가 없습니다. 고유벡터에는 익숙한 "이름"이 없습니다. PCA가 할 일은 필요성을 파악하고 추가 조사를 위한 동기를 제공하는 것이기를 바랍니다.
데이터를 어떻게 얻었나요? 바이오마커의 변이가 편향되어 있습니까(예: 일부는 다른 것보다 더 다양합니까)? 일부 바이오마커가 동일선상에 있다는 것을 이미 알고 있는 경우(또는 상관관계가 있거나 중복되어 있음) PCA를 수행하기 전에 이 지식을 사용하여 바이오마커 수를 줄일 수 있습니까?
이제 일부 사람들은 (이러한 고유 벡터가 무엇이며 내 원시 데이터의 변수와 어떻게 관련되는지) 이해하는 데 관심이 없으며 단지 "작동하는" 모델( 아마도 신경망과 같은)을 원합니다.
