解釋變數聚類平台中的特徵向量我有一些變數指示血漿中各種代謝物的消失率，即血液循環中的清除率。由於我有超過 200 個變量，因此我使用變量聚類平台對這些變量進行聚類。然後，我使用 PLS-DA 模型中的聚類組件來查看哪些聚類組件（及其相應的變數組）最終區分了我正在研究的兩個臨床組。在這樣做時，我如何解釋負特徵向量（或者它們是特徵值， 但這表明特徵向量）？如果正特徵向量顯示該變數簇從等離子體中消失的速率較高，那麼負特徵向量是否表示相對於具有正符號的變數消失較慢？如有必要，很樂意提供更多詳細資訊。
進階統計建模視窗回覆：解釋變數聚類平台中的特徵向量我不清楚你的確切研究......但這裡有一個問題......你是否在運行 PLS-DA 模型之前對 x 進行聚類，然後使用特徵向量作為 x ？聽起來確實是這樣。那麼現在的問題是：為什麼不讓 PLS-DA 平台做它最擅長的事情，即形成並識別模型和響應的 x 中潛在變數的最佳數量。然後，您不必擔心對 x 進行聚類並嘗試找出在哪裡將它們切斷等，並將特徵向量解釋為 x 。該平台的報告將為您完成所有繁重的解釋工作。
回覆：解釋變數聚類平台中的特徵向量謝謝你，P_巴特爾。
正如您所提到的，也許對數據有更多的了解會有所幫助。我的資料集相當廣泛：236 個變量，n = 44 個案例，每個案例 3 次重複測量，根據一個特定的標準分數分為 3 個高度不平衡的組別（n = 6、7 和 31）。當我讓 PLSDA 根據 X（所有 236 個變數）預測 Y（3 個不平衡組，測量 3 次）來盡最大努力時，沒有模型收斂。但是，當我透過對變數進行聚類來減少 X 時，它確實會產生一個包含 2 個因子的模型，然後我可以繼續解釋這意味著什麼。
這樣有幫助嗎？
回覆：解釋變數聚類平台中的特徵向量嗯嗯。抱歉，關於您的研究的持續問題...每個人執行的“挑戰測試”...是否有一個數字輸出作為分類的基礎？假設一個例子，你要求每個人跑100 碼，那些跑在15 秒以內的人被歸類為“快”，那些跑在15 到20 秒之間的人被歸類為“慢”，超過20 秒的人被歸類為「更慢」 ？我希望您可以使用數位輸出進行建模，然後在建模後的後端進行分類。透過連續響應，可以使用更廣泛的建模方法。
另外還有一個想法...我不再是 JMP 或 JMP Pro 用戶（退休的 JMP 高級系統工程師），但從您的描述來看，集群平台的後台似乎正在進行一些 PCA ？您是否首次在 x 的原生 JMP Pro PCA 平台中嘗試過 PCA，以查看該平台報告中的一些有用的視覺化效果？它可能有助於您解釋主成分和特徵向量。
回覆：解釋變數聚類平台中的特徵向量嗯...我對 PLS-DA 在處理不平衡的小群體方面遇到問題並不感到驚訝。我很好奇你選擇了哪一種交叉驗證技術？你試過 K 折還是留一折？關於重複測量，您能否分享一下您是如何透過「重複測量」方法進行分類的？通常對我來說，重複測量是由連續響應而不是分類響應調用的。
回覆：解釋變數聚類平台中的特徵向量CV：留下一個，因為 n 太小了。
K-fold 也可能有效，我暫時堅持使用 LOO。
我不確定我是否理解您所說的“通過重複測量方法進行分類”的意思。但我的猜測是我解釋資料集的方式不清楚。所以，這次我會盡力詳細說明。我們招募了 44 位不同疾病譜的個體。我們給他們進行了 3 次「挑戰」測試（我的重複測量），並根據他們在「挑戰」測試中表現的一致性將他們分為 3 個（高、低和可變）反應組。我們根據我們的主題專業知識創建了這些分類，這不是統計決定。這樣有幫助嗎？
回覆：解釋變數聚類平台中的特徵向量不用擔心，感謝您嘗試幫助我。
WRT 使用連續資料與分類資料 - 我實際上運行了 PLSR 和 PLSDA，無論哪種方式，當我使用所有 236 個變數時，沒有模型收斂。事實上，即使在使用變數聚類平台進行降維並使用這些特徵向量（聚類分量）作為X 後，當我進行PLSR 預測連續資料時，我也沒有得到模型收斂，只有當我使用分類Y 進行預測時模型才會收斂由簇組件 X 組成。
回覆：解釋變數聚類平台中的特徵向量哦，X 上的 PCA 是個好主意，我還沒有嘗試過。我會這樣做，看看我能學到什麼...
