변수 클러스터링 플랫폼에서 고유벡터 해석혈장에서 다양한 대사산물이 사라지는 속도, 즉 혈액 순환에서 제거되는 속도를 나타내는 변수가 있습니다. 저는 이러한 변수가 200개가 넘으므로 변수 클러스터링 플랫폼을 사용하여 이러한 변수를 클러스터링하고 있습니다. 그런 다음 PLS-DA 모델의 클러스터 구성 요소를 사용하여 어떤 클러스터 구성 요소(및 해당 변수 그룹)가 결국 연구 중인 두 임상 그룹을 구별하는지 확인합니다. 이 작업을 수행할 때 음의 고유 벡터를 어떻게 해석합니까(또는 고유값이지만 고유벡터를 암시 함)? 양의 고유벡터가 해당 변수 클러스터가 혈장에서 사라지는 속도가 더 높다는 것을 나타내는 경우, 음의 고유벡터는 양의 표기법이 있는 변수에 비해 더 느린 소멸을 나타냅니까? 필요한 경우 자세한 내용을 제공해 드리겠습니다.
고급 통계 모델링윈도우Re: 변수 클러스터링 플랫폼에서 고유벡터 해석귀하의 정확한 연구는 나에게 불분명합니다. 하지만 여기에 질문이 있습니다. PLS-DA 모델을 실행하기 전에 x를 클러스터링한 다음 고유 벡터를 x로 사용하고 있습니까? 물론 그런 것 같군요. 이제 질문은 PLS-DA 플랫폼이 모델과 응답에 대한 x의 최적 수의 잠재 변수를 형성하고 식별하는 최선의 작업을 수행하도록 놔두는 것이 어떻겠습니까? 그러면 x를 클러스터링하고 어디서 잘라야 할지 알아내려고 노력하고 고유벡터를 x로 해석하는 것에 대해 걱정할 필요가 없습니다. 플랫폼의 보고서는 귀하를 위해 해석에 필요한 모든 힘든 작업을 수행합니다.
Re: 변수 클러스터링 플랫폼에서 고유벡터 해석감사합니다, P_Bartell님.
당신이 언급한 것처럼 데이터에 대한 좀 더 통찰력이 도움이 될 것입니다. 내 데이터세트는 상당히 넓습니다. n = 44개 케이스, 각각 3개의 반복 측정값이 있는 236개의 변수가 하나의 특정 기준 점수를 기준으로 3개의 고도로 불균형한 그룹(n = 6, 7 및 31)으로 분류됩니다. X(모든 236개 변수)를 기반으로 Y(3개의 불균형 그룹, 3회 측정)를 예측하여 PLSDA가 최선을 다하도록 하면 모델이 수렴되지 않습니다. 그러나 변수를 클러스터링하여 X를 줄이면 2개의 요인이 있는 하나의 모델이 생성되고 그 의미를 해석할 수 있습니다.
이것이 도움이 됩니까?
Re: 변수 클러스터링 플랫폼에서 고유벡터 해석흠. 연구에 대해 계속해서 질문드려서 죄송합니다...각 개인이 실행한 '챌린지 테스트'...분류의 기초가 되는 수치 출력이 있었나요? 가상의 예를 들어, 각 사람에게 100야드를 달리도록 요청했는데, 15초 미만을 달리면 '빠르게', 15~20초 사이를 달리면 '느리게', 20초 이상 달리면 '더 느리게'로 분류했습니다. ? 제가 바라는 것은 모델링을 위해 숫자 출력을 사용한 다음 백엔드, 모델링 후 분류를 수행할 수 있다는 것입니다. 지속적인 응답을 통해 훨씬 더 광범위한 모델링 방법 세트를 사용할 수 있습니다.
또 다른 생각으로는...저는 더 이상 JMP 또는 JMP Pro 사용자(은퇴한 JMP 수석 시스템 엔지니어)가 아니지만 귀하의 설명에 따르면 클러스터링 플랫폼의 배경에서 일부 PCA가 진행되고 있는 것 같습니다. x's의 기본 JMP Pro PCA 플랫폼에서 PCA를 사용해 해당 플랫폼 보고서의 유용한 시각화를 살펴보셨나요? 이는 고유벡터뿐만 아니라 주성분을 해석하는 데 도움이 될 수 있습니다.
Re: 변수 클러스터링 플랫폼에서 고유벡터 해석흠...PLS-DA가 소규모 불균형 그룹에 문제가 있다는 것은 놀랍지 않습니다. 그리고 어떤 교차 검증 기법을 선택하셨는지 궁금합니다. K-Fold나 Leave One Out을 시도해 보셨나요? 그리고 반복 측정에 대해서는 '반복 측정' 접근 방식을 통해 어떻게 분류하고 있는지 공유해 주실 수 있나요? 일반적으로 반복 측정은 분류 응답이 아닌 연속 응답에 의해 호출됩니다.
Re: 변수 클러스터링 플랫폼에서 고유벡터 해석CV: 하나는 빼세요. n이 너무 작으니까요.
K-Fold도 괜찮을 것 같은데, 일단 LOO만 했어요.
"반복 측정 접근 방식을 통한 분류"라는 말이 무슨 뜻인지 잘 모르겠습니다. 하지만 내 생각에는 데이터 세트를 설명하는 방식이 명확하지 않은 것 같습니다. 그래서 이번에는 좀 더 자세히 설명하도록 노력하겠습니다. 우리는 질병 스펙트럼에 44명의 개인을 등록했습니다. 우리는 그들에게 "도전" 테스트를 3번(내 반복 측정) 실시하고 "도전" 테스트를 얼마나 일관되게 수행했는지에 따라 그들을 3개의(높음, 낮음, 가변) 응답 그룹으로 분류했습니다. 우리는 주제 전문 지식을 바탕으로 이러한 분류를 만들었으며 이는 통계적인 결정이 아닙니다. 그게 도움이 되나요?
Re: 변수 클러스터링 플랫폼에서 고유벡터 해석걱정하지 마세요. 저를 도와주셔서 감사합니다.
연속 데이터와 범주형 데이터 사용에 대한 WRT - 실제로 PLSR과 PLSDA를 모두 실행했으며 어느 쪽이든 236개 변수를 모두 사용할 때 모델이 수렴되지 않습니다. 실제로 변수 클러스터링 플랫폼을 사용하고 해당 고유 벡터(클러스터 구성 요소)를 X로 사용하여 차원을 축소한 후에도 연속 데이터를 예측하는 PLSR을 수행할 때 모델이 수렴되지 않고 모델이 수렴되는 시간은 예측되는 범주형 Y를 사용할 때만 가능합니다. 클러스터 구성 요소 X에 의해.
Re: 변수 클러스터링 플랫폼에서 고유벡터 해석아, X의 PCA는 좋은 생각인데 아직 시도하지 않았습니다. 나는 그렇게 하고 내가 배울 수 있는 것을 볼 것이다...
