你好， 每個人。 謝謝 為了 加入 我的 跳轉 演講 今天。 今天， I 會 喜歡 到 演講 到 你 關於 如何 我們 看 在 等價 之間 套 的 批次 數據 超過 時間 在 富士膠片。 在 特別的， ID 喜歡 到 說話 關於 a 新的 多變數 拿 在 這 二 一 雙面 特 估計
雖然 這 特別的 位元 是 a 新的 比較 技術， 它 沒有 代替， 相當 它 補充 這 通常 單身的 觀點 技術， 和 在 這 工作流程， 我們 是 仍然 依靠 沉重 在 那些。 這 最後的 位元 這裡 將要 描述 如何 我們 比較 數據 套， 從 這 時間 系列， 我們 得到 從 二 不同的 秤， 但 它 可以 是 任何 邏輯 團體。
患病的 迅速地 去 透過 如何 我們 準備 這 數據， 或者 相當 得到 它 在 這 狀態 在哪裡 我們 能 跑步 這 腳本， 和 我們 將要 看 在 這 視覺化 為了 這 通常 單身的 時間 點 在 跳轉， 和 出色地 也 看 在 一些 腳本 那 I 使用 到 跑步 主成分分析 在 全部 這 變數 和 測試 等價。
T 說話 關於 托斯特 或者 等價 測試。 T 他 二 T檢驗 是 a 二 一 雙面 T- 測試， 和 它 檢查 無論 在 平均的， 你的 二 數據 套 為了 a 給定 多變的 是 相等的。 非常 相似地， a 多變數 測試 檢查 無論 在 平均的 這 結束的 主要的 成分 或者 個人電腦 為了 a 給定 天 的 a 發酵 這裡， 是 相等的 為了 二 不同的 秤。
你 需要 數據 到 是 在 a 具體的 格式， 但 在 特別的 你 需要 二 不同的 群組 這裡。 它是 二 秤， 如果 你 有 更多的 比 二， 你 將要 需要 到 分裂 他們 在 套 的 二。 它是 更多的 合適的 為了 時間 系列， 因為 它是 a 數據 減少 科技 那 你 不會 需要 如果 你 沒有 a 問題 和 擁有 a 很多 的 數據 點。
這 曾是 部分， 起初， 的 a 腳本 那 曾是 全部 完畢 在 R， 但 作為 I 已移動 進入 使用 跳轉 為了 視覺化 更多的 和 更多的， I 想法 那 它 曾是 很多 更輕鬆 到 使用， 尤其 如果 我們 想 到 經過 在 那些 腳本 到 職員。 R 是 不是 總是 那 可訪問。
I 已移動 a 很多 的 這 腳本 進入 跳轉 經過 現在。 這 僅有的 事物 那是 仍然 在 R 是 這 數據 歸責。 這 腳本 和 預 工作 拿 關心 的 異常值， 遺失的 數據， 和 不一致 條目。 這 R 做 這 數據 歸責。 為什麼 有 I 已移動 到 跳轉？ 第一的 的 全部， 它 曾是 因為 I 視覺化 在 跳轉。
為什麼 是 它 好的 到 視覺化 數據 在 跳轉？ 因為 跳轉 是 只是 製成 為了 那。 它是 真的 好的 為了 尋找 在 遺失的 數據 和 異常值 和 任何 圖表。 這 時間 系列 是 不 例外 到 這。 這 遺失的 數據 視覺效果 在 跳轉， 給 你 a 顏色 地圖 的 在哪裡 你的 數據 是 遺失的， 所以 你 能 尋找 列 在哪裡 數據 是 丟失的。
那 方法 a 天 可能 不是 是 這 最好的 到 保持 在 這 數據 放。 你 能 立即地 視覺化 區塊 的 數據 遺失的， 那 它 會 是 天 在 a 排， 和 你 能 製作 a 決定 在 無論 你 想 到 保持 全部 那些 天 或者 做 這 分析 兩次， 為了 例子， 和 它 將要 迅速地 展示 你 如果 你 有 數據 遺失的 從 一 團體 和 不是 這 其他， 在 哪個 案件 你會 有 到 做 離開 和 那 多變的 共。
也, 異常值 需要 加工 事先的 你 插， 否則 他們 將要 有 a 巨大的 影響 在 這 主成分分析 和 這 比較 測試。 那裡 是 一個 異常值 偵測 平台 在 跳轉， 但 這 是 用過的 這裡 在 我們的 工作流程 組合 和 觀看 這 時間 系列 和 這 比較。 但 患病的 展示 全部 那 在 這 演示。
然後 這 圖形 建造者 是 用過的 到 陰謀 全部 這 時間 系列。 那裡 是 許多 方法 到 做 那， 但 I 將要 展示 你 在 這 腳本 這 二 主要的 圖表 那 我們 使用 到 查看 那 我們的 數據 是 好的 到 去。 這裡 他們 是， 這 時間 系列， 和 那些 在 特別的 是 包裹 經過 一批， 所以 那 你 得到 一個 個人 陰謀 為了 每個 時間 系列。
它是 a 小的 陰謀， 但 通常 它是 足夠的 到 點 遺失的 數據 異常值 或者 任何 詭異的 或者 不同的 行為。 這裡， 為了 例子， 讓 我 得到 這 雷射 在。 好了。這裡 我們 有 a 簇 的 點 那 是 值得懷疑。 我們 需要 到 查看 無論 這 是 行為 那 我們 想 到 捕獲 或者 如果 它是 行為 那是 異常， 和 我們 想 到 臭 這 休息 的 這 數據。
或者 我們 可以 有 單身的 異常值 喜歡 這裡。 我們 看 這 相當 經常， 但 這裡 你 能 注意 它是 全部 在 這 相同的 天。 所以 是 它 某物 那 發生 在 天 六 在 那些 發酵？ 其他 方式 到 陰謀 時間 系列， 和 我們 做 那 作為 出色地， 是 到 實際上 覆蓋 他們。 經過 覆蓋 他們， 你 能 看 無論 你的 數據 是 持續的 為了 a 給定 天。
這裡 我們 有 個人 價值 情節， 哪個 是 什麼 我們 看 在。 但 我已經 也 問 跳轉 到 放 a 小的 盒子 陰謀 大約 全部 那些 數據 因為 這 模仿者 什麼 我們 有 什麼時候 我們 是 正在做 我們的 變異數分析 在 這 第二 步 的 我們的 數據 可視化。
這 是 非常 典型的 的 什麼 發生 在 我們的 流程 超過 時間。 在 這 第一的 星期， 這 數據 是 顯示 非常 低的 多變性。 這 盒子 劇情 是 小的 和 他們 是 通常 相當 出色地 對齊。 這 平均的 是 大約 這 相同的 價值。
什麼時候 我們 抵達 這 第二 星期 的 這 發酵， 事物 開始 到 漂移 分開 和 事物 開始 到 得到 很多 更多的 多變的。 如果 你 是 密謀 天 六 經過 本身 在 一 批次 每 天 類型 的 陰謀 這裡， 你會 是 有能力的 到 看 什麼 這 不同之處 是 在 平均的 之間 這 大的 規模 在 紅色的 和 這 小的 規模 在 藍色的。
在 天 六， 你 有 a 小的 不同之處 和 在 天 12， 你 有 a 大的 不同之處。 那些 差異 是 什麼 我們 是 尋找 到 測試 什麼時候 我們 做 單身的 點 T檢驗 和 我們的 方差分析。 前 我們 攜帶 在， I 只是 想 迅速地 有 a 回顧 的 什麼 這 差異 是 之間 T- 測試 和 托斯特。
A T- 測試 是 完全地 統計， 無論 這 托斯特 需要 a 使用者 輸入 為了 a 實際的 可接受 不同之處。 在 a T- 測試， 你 假設 那 那裡 是 不 不同之處 之間 這 意思是 和 如果 你 得到 a 小的 P 價值 或者 重要的 結果， 然後 你 否定 那 和 你 說 那裡 是 a 不同之處 之間 你的 數據 套。
A 托斯特 告訴 你 那 那裡 是 不 不同之處 之間 你的 數據 套， 如果 你 有 a 重要的 結果。 如果 你 失敗 a T- 測試， 這 信心 間隔 為了 這 主要的 不同之處， 在 那些 情節， 就是這樣 黑色的 方塊 這裡。 所以 這 信心 間隔 為了 這 托斯特， 如果 你 失敗， 做 不是 叉 這 零 線。
但 如果 你 失敗 a 托斯特， 這 信心 間隔 為了 這 不同之處 是 不是 包含 經過 這 實際的 可接受 不同之處。 你 有 二 結果 為了 a T- 測試 和 二 結果 為了 a 托斯特， 哪個 方法 你 有 四 組合。
任何一個 你 經過 或者 失敗 兩個都， 或者 你 經過 和 失敗 一 的 他們。 在 跳轉， 通常， 那裡 是 不同的 平台 那 做 托斯特 和 T檢驗， 但 你 將要 有 a 普通的 分配 為了 這 不同之處。 如果 你 經過 a 測試， 然後 你的 意思是 不同之處 是 在 那 小的 鐘 曲線。 如果 不是， 它是 外部。
所以 它 可以 迅速地 視覺化 哪個 一 已通過 或者 不是 在 一個 方差分析。 H 還 他們 是， 這 方差分析。 讓我們 步 兩個 我們的 視覺化 和 乾淨的 過程。 我們 使用 a 腳本 到 陰謀 全部 的 那些 一起 在 a 報告 所以 那 我們 能 看 在 全部 的 他們。 如果 你 思考 關於 這 數據 放 這裡， 它 曾是 關於 15 變數 超過 12 天。 所以 你 有 超過 150 這樣的 情節， 哪個 是 a 很多 的 數據 到 看 在， 尤其 如果 你 改變 事物 和 陰謀 他們 再次。
但 這裡 是 一些 範例 的 什麼 你 可能 看。 你 可能 經過 a T檢驗 或者 失敗 它。 你 可能 經過 a T檢驗， 但 僅有的 因為 你 有 足夠的 層 那是 拉 一 的 這 數據 套 向上 或者 向下， 為了 例子。 那裡 是 許多 可能的 結果 那 你 會 得到 這裡。
不是 一切 是 在 這 螢幕截圖, 但 是 也 尋找 在 這 變異數 在 那 報告。 這 主要的 成分 比較， 我們 不 做 這 這裡 和 這 腳本。 I 使用 這 圖形 建造者 到 實際上 陰謀 那些 因為 他們 是 喜歡 這 劇情 I 有 在 a 夫妻 的 幻燈片 以前的。
但 這 不同之處 那 你 可以 看 這裡 是 在 這 規模。 現在， 因為 是 說 關於 主要的 成分， 這 分數 趨向 到 是 大約 零 在 平均的， 和 他們 各不相同 之間 減 三 和 三 因為 我們 規範化 這 數據 前 攜帶 出去 這 主成分分析。
這 優勢 的 這 是 那， 現在 反而 的 擁有 到 提供 一個 可接受 價值 為了 a 任務， 因為 這 數據 是 標準化， 我們 能 實際上 毯子 計算 那 可接受 不同之處 經過 服用 a 乘數 的 這 標準 偏差 為了 我們的 分數。
這裡 我們 有 這 第一的 主要的 成分 和 它 清楚地 節目 有 a 大的 不同之處 之間 這 大的 和 這 小的 規模。 這裡 和 這 第二 主要的 成分， 那裡 是 a 更小 不同之處。 這 是 典型的 的 什麼 我們 看， 因為 這 第一的 主要的 成分 傾向 到 捕獲 這 更廣泛 形狀 的 這 發酵 輪廓。
所以 如果 那裡 是 a 不同之處 在 那 更廣泛 形狀， 這 托斯特 為了 這 第一的 個人電腦 傾向 到 失敗。 通常， 什麼 我已經 見過 是 那 為了 我們的 數據， 二 主要的 成分 可以 捕獲 關於 60 % 的 這 資訊 在 這 變數。 為了 那些 的 你 世界衛生組織 可能 有 完畢 個人電腦 在 數據 前， 那 可能 似乎 a 低的 數字， 但 那是 大概 因為 全部 這 變數 有 a 不同的 故事 到 告訴。
其他 事物 ID 喜歡 到 花費 a 小的 位元 的 時間 在 是 這 載入中' 的情節。 這 是 部分 的 這 主成分分析 平台 在 跳轉， 和 它 有 這 陰謀 在 這 非常 頂部 的 這 平台， 和 它是 a 好的 一 到 看 在 如果 你是 a 科學家 那是 更多的 有興趣的 在 尋找 在 什麼是 真的 去 在。
但 這 原因 為什麼 I 有 這 在 a 滑動 這裡 是 因為 這 是 a 好的 表示 的 什麼 我們 是 去 到 看 在 如何 很多 每個 多變的 貢獻 到 這 模型 那 是 選擇 前 正在做 這 等價 測試。
這裡， 為了 例子， 全部 這 變數 有關的 到 生存能力 為了 我們的 發酵 是 高度 相關 因為 他們 是 關閉 一起 這 方式 他們 專案 到 這 個人電腦 一 和 個人電腦 二 這裡， 他們 得到 高的 值。 我們 說 那 那些 地圖 出色地 到 這 第一的 二 件。 所以 那 方法 那 他們 是 參與 a 很多 到 這 模型。
這裡 我們 有 一些 其他 變數 那 是 密切 聚集 一起 這裡。 所以 鈉， 鉀 和 谷氨酰胺。 他們 是 高度 相關。 他們 地圖 非常 出色地 到 這 第一的 個人電腦， 但 不是 到 這 第二。 所以 他們 不 貢獻 a 很多 到 這 模型 和 這 第二 個人電腦。
然後 這裡 你 有 有問題的 變數。 他們 做 不是 地圖 出色地 到 任何一個 件。 那 方法 那 在 a 2PC 模型， 你 是 不是 去 到 捕獲 這 行為 為了 那些 變數。 什麼時候 你 看 這， 你 已經 知道 那 a 2PC 模型 是 不是 去 到 給 你 a 很多 的 等價 為了 那些 變數。
最後的 步 是 到 實際上 陰謀 這 托斯特。 這 是 完畢 再次 使用 a 腳本。 那些 圖表 是 不是 這 圖表 那 你 會 通常 尋找 在 跳轉， 但 他們是 漂亮的 典型的 的 托斯特 地塊。 為了 每個 個人電腦 為了 每個 天， 我們 將要 有 a 托斯特 或者 等價 測試 結果。 如果 這 信心 間隔 是 外部 的 這 可接受 範圍， 哪個 是 三 次 這 標準 偏差 的 這 分數 在 這 案件， 然後 我們 失敗 這 托斯特。
什麼時候 我們 失敗 這 測試， 我們 給 它 a 零 在 這 腳本。 到 總結 什麼 發生 這裡， 每個 個人電腦 將要 捕獲 a 肯定 數量 的 這 多變性。 每個 個人電腦 能 經過 或者 失敗 a 托斯特。 此外， 每個 多變的 貢獻 到 a 肯定 程度 到 每個 個人電腦。
A 主要的 成分 是 a 線性 組合 的 全部 這 變數。 共， a 多變的 那 有 a 強的 貢獻 到 a 主要的 成分 那 通行證 a 托斯特 將要 有 a 強的 影響 在 全面的 等價 之間 這 批次。 這 是 什麼 我們 是 嘗試 到 放 一起。
如何 做 我們 放 這 一起？ 那裡 是 許多 方法 我們 可以 放 這 一起。 I 有 完畢 某物 漂亮的 簡單的 這裡。 它是 只是 a 和積 的 透過 或者 失敗 a 個人電腦， 次 這 貢獻 的 這 多變的。 基本上， 為了 例子， 為了 二 件 這裡， 是 失敗 這 第一的 等價 測試， 和 這 可行的， 有 a 40 % 貢獻， 所以 那 獲取 零， 加 一 透過 這 托斯特， 次 這 貢獻 這裡， 到 那 個人電腦。
那是 這 全面的 分數 為了 它。 在 黑色的， 你 有 這 基本的 分數 為了 每個 天 這裡。 讓我們 稱呼 這 情緒智商， 你會 看 那 在 這 表 之後。 在 平均的， 是 得到 關於 70 %。 它是 不是 也 壞的 超過 這 課程 的 這 發酵。 添加 件 沒有 製作 a 非常 大的 不同之處 因為 這 對應 非常 出色地 到 這 二 件。
這 pH值， 哪個 曾是 一 的 這 變數 那 做過 不是 地圖 非常 出色地 到 這 第一的 二 件 獲取 a 真的 壞的 平均的 分數， 如果 你 添加 僅有的 二 件 在 這 模型， 大約 三十 %。 但 如果 你 添加 其他 四 件， 那裡 是 去 到 告訴 我們 這 一， 那 數位 去 向上 到 超過 80 %。
那裡 是 不 壞的 或者 好的 數位 這裡， 但 它是 某物 你 需要 到 保持 在 頭腦 那 它 真的 取決於 在 這 模型 那 你 選擇 為了 跑步 這。 移動 在， 這 是 這 非常 最後的 輸出 從 這 腳本， 和 那是 什麼 是 真的 有興趣的 在， 尤其 如果 我們 是 比較 不同的 流程 或者 不同的 方法 到 跑步 它。
你 有 a 酒吧 圖表 的 全部 你的 個人 等價 秒。 這 節目 你 真的嗎， 經過 多變的， 哪個 一 是 相似的 從 一 規模 到 這 其他。 這裡 我們 有 三 變數 那 是 漂亮的 相似的 其中 批次， 和 然後 它 真的 滴 向下 向上 到 這 最後的 一 這裡 哪個 有 a 非常 低的 等價。
在 這 頂部 正確的 角落 這裡， 跳轉 將要 放 一個 平均的 如果 你 問 為了 它。 T 帽子 a 好的 公制， 雖然 它是 非常 reducting. 它是 a 好的 公制 到 比較 這 相同的 流程， 如果 你是 使用 不同的 方法 到 跑步 這 托斯特 或者 不同的 數位 的 件。
I 有 更多的 幻燈片 關於 這， 但 I 思考 它是 更好的 到 跑步 直的 進入 這 示範 在 這 興趣 的 時間。 我已經 放 a 小的 跳轉 雜誌 一起。 不是 非常 好的 在 這。 I 希望 它是 去 到 工作。 在 跳轉， 出色地 只是 看 在 這 數據， 這 三 腳本， 和 二 不同的 方法 到 跑步 這 最後的 一。
那是 這 匿名 數據 放 這裡。 我的 電腦 是 非常 慢的。 那裡 我們 去。 I 思考 它是 在職的。 它是 只是 真的 遲緩。 在 這 數據 放 是 這 僅有的 最低限度 那 你 需要， a 跑步 類型 和 二 團體， a 批次 ID， 哪個 是 a 分類 多變的 儘管 存在 a 數位 這裡， 和 這 時間 ID 在 這 案件， 它是 超過 一 記錄 a 天， 所以 它是 超過 a 數位 的 天。
這 第一的 位元 我們 做 是 陰謀 全部 這 時間 系列。 我已經 左邊 這 和 a 很少 位元 和 鮑伯 那 是 不是 真的 好的， 所以 那 I 可以 觀點 他們 出去。 全部 這 腳本 在 這 團體 和 那裡 是 三 的 他們， 是 基本上 正在做 這 相同的 事物 在 這 開始， a 位元 的 打掃 向上 和 準備， 和 它是 去 到 創造 a 複製 的 你的 數據 桌子 到 工作 在 沒有 打破 你的 數據 桌子， 和 也 a 目錄 到 節省 全部 這 輸出 從 這 腳本。
然後 這 腳本 是 基本上 循環 這裡 超過 這 數位 的 變數 和 密謀 他們 一 在 a 時間 和 放置 一切 在 a 報告。 讓我們 跑步 這。 這 是 a 非常 廣義的 腳本 和 它 作品 出色地 在 全部 這 數據 套。 總是 緊張的， 事物 是 不是 去 到 工作 因為 它是 所以 慢的。 這裡 我們 去。 它是 仍然 思維。 我只是 是 病人 和 等待。
這 將要 陰謀 這 包裹 經過 批次 時間 系列 和 在 覆蓋 時間 系列 作為 出色地。 你會 有 一 的 每個 為了 每個 多變的。 它 將要 說 多變的 一， 這 實際的 姓名 的 你的 多變的 這裡 和 陰謀 他們。 這 是 什麼 我們 想 到 看， 基本上。
我們 有 這 相同的 形狀 為了 全部 這 批次 和 他們 是 持續的 穿過 這 秤。 出色地 移動 向下 到 一 那 沒有 看 作為 好的。 那裡 我們 去。 為了 這 多變的， 我們 有 這 相同的 形狀 為了 這 規模 工作， 和 然後 a 非常 不同的 形狀 為了 這 小的 規模。 我們 需要 到 尋找 出去 為什麼 這 是 正在發生 和 做 我們 想 到 保持 這 多變的 在 這 模型。
在 特別的 這裡， 我們 有 一 批次 那是 非常 行為不端。 如果 你 看 在 這 在 一個 覆蓋 陰謀， 它 是 非常 明顯的 那 這 平均的 曲線 沒有 代表 任何一個 這 大的 規模 或者 這 小的 規模。 這 是 a 多變的 那 你 需要 到 來 後退 在。
多變的 6、 I 思考 曾是 在 這 推介會。 這 節目 你 在哪裡 你 有 一些 異常值 那 你 可能 有 錯過 這 時間 前。 然後 其他 事物 你 需要 到 看 為了 在 那些 情節， 是 無論 你的 小的 和 大的 規模 數位 是 混合 一起。
如果 你的 紅色的 和 藍色的 點 是 全部 混合 一起， 然後 機會 是 你的 體重計 是 漂亮的 相似的。 但 在 一些 案件， 喜歡 這裡， 為了 例子， 這 小的 規模 數據 是 幾乎 總是 多於 這 大的 規模 數據。 所以 你 能 預計 到 看 a 不同之處 這裡。 這裡 I 有 較少的 比 多變的 11， 哪個 是 真的嗎， 真的 壞的。
這 發生 相當 常 到 我們， 什麼時候 我們 有 a 不同之處 在 記錄 這 變數。 這裡 它 曾是 實際上 a 不同的 單元， 和 那是 為什麼 我們 有 非常 不同的 數字。 現在， 什麼時候 你 放 這 數據 從 圖表 在 a 報告 喜歡 這， 很遺憾， 你 失去 我的 最喜歡的 特徵 在 跳轉， 哪個 是 互動性。
你 不能 實際上 強調 a 觀點 或者 a 系列 的 點 和 去 看 什麼 他們 是 正在做 在 這 桌子。 但 這 腳本 是 儲存 全部 那些 個人 劇情 為了 你。 這裡 我們 是。 在 這裡， 它是 創建 a 目錄 和 全部 這 劇情 那 我們已經 只是 看到， 加 它 已儲存 那 複製 和 這 時間 系列 標記 在 這 結尾。
在 這裡， 你 能 看... 如果 I 能 實際上 使用 我的 老鼠， 你 能 看 那些 時間 系列 一 在 a 時間。 然後 你 能 選擇 這 點 那 你 會 通常情況下 到 使用 這 互動性 在 跳轉。 如果 你 有 一些 打開 在 這 相同的 時間， 全部 的 他們 將要 是 突出顯示 在 全部 你的 地塊。
那是 它 為了 時間 系列。 出色地 移動 在 到 這 第二 部分 的 這 過程， 和 那是 尋找 在 全部 你的 方差分析。 這 是 在 這 適合 Y-by-X 平台， 和 喜歡 這 其他 腳本， 它是 正在做 a 位元 的 整理 向上 在 這 開始， 和 然後 它 循環 超過 天 和 創建 a 子集 的 這 桌子 為了 每個 天。 然後 有 a 報告 在 這 差異 之間 這 組。
如果 你 有 書面 腳本 前， 你 將要 看 那 這 是 漂亮的 典型的 的 寫作 a 腳本 在 跳轉。 一些 的 它 是 書面 經過 手， 和 a 很多 的 它， 這 大部分 的 什麼是 正在發生， I 基本上 跑了 在 跳轉 和 複製 貼上 它 進入 這 腳本。 出色地 跑步 這 在 這 骯髒的 數據 放。 希望如此， 它 沒有 拿 也 很多 時間。
如果 你 有 a 快速地 電腦, I 相信 那 你 會 不是 甚至 看 那些 視窗 實際上 打開。 它 會 是 立即的。 你 可以 看 這裡 如何 跳轉 是 基本上 去 到 a 數位 日和 然後 服用 a 子集 的 那 桌子， 跑步 a 腳本， 儲存 它 到 那 小的 數據 桌子， 和 它是 正在做 這 為了 每天， 和 我們 有 12 天 這裡， 所以 它 需要 a 儘管。
這 將要 也 節省 一切 在 它是 自己的 資料夾。 在 這 案件， 出色地 只是 看 在 一 的 這 已儲存 報告。 這裡 你 有 a 子集， 全部 這 是 為了 天 一， 但 它是 a 很多 更小 桌子。 這裡 你 有 這 報告 那 你 和 你的 科學家 會 想 到 看 在， 哪個 節目 你 全部 這 T 檢驗。 現在 你 能 看 在 全部 那些 T檢驗 只是 到 看 如果 他們 經過。
你 可以 數數 如何 許多 經過 和 拿 a 部分 的 透過 T 檢驗。 但 這 是 也 a 好的 地方 為了 發現 那些 更多的 微妙的 異常值 因為 每個 盒子 陰謀 可能 有 一些 數據 那 你 想 到 問題。 再次， 你 會 強調 那些 點 和 查看 無論 你 想 到 保持 他們 在 你的 最終的 數據 放 或者 不是。
移動 在 再次。 是 最後 在 這 最後的 位元, 哪個 是 大概 這 最多 有趣的。 那是 全部 這 主成分分析。 這 是 a 很多 大 腳本， 因為 它 有 到 拿來 資訊 從 這 跳轉 平台。 I 不 有 a 很多 的 時間 為了 這， 但 I 能 回答 問題 在 這 結尾 如果 你是 有興趣的。
這 其他 事物 和 這 腳本 是 那 I 有 難的 編碼 一些 位元, 所以 它 需求 到 是 修改的 為了 每一個 數據 放。 I 需要 到 使固定 那 在 一些 觀點。 為了 例子 這裡， 它是 實際上 正在做 a 主要的 成分 分析 在 一 的 這 天， 所以 a 子集 的 這 數據 桌子。 然後 我們 轉變 到 這 主成分分析 報告， 和 這 變成 一個 目的 在 你的 跳轉 腳本。
然後 從 這 目的 這裡， 你 能 得到 專案. 為了 例子， I 跑步 這 主成分分析 和 I 有 這 作為 一個 目的， 和 現在 I 說， I 想 這 特徵值 在 那裡。 這 方式 到 尋找 這 物件 那 你 需要 是 到 打開 這 樹 結構， 在 你的 跳轉 報告 和 一切 是 編號 和 對齊。 所以 你 能 得到 一切 那 你 需要 從 這 跳轉 報告 作為 a 價值， 作為 a 矩陣， 作為 一個 大批。
它 真的 取決於 在 什麼 你 想。 但 你 可以 看 我已經 完畢 這 這裡。 所以 一次 它 有 全部 這些 價值觀 這裡， I 提煉 這 主要的 成分 和 I 合身 再次， Y-by-X 這 主要的 成分 相對 我的 體重計 這裡。 A 獲得， I 轉變 到 報告。 我是 正在做 這 所以 那 I 能 得到 這 根 意思是 方塊 錯誤 從 那 報告。
那是 因為 它是 這 最好的 估計 I 將要 有 為了 我的 標準 偏差。 我是 使用 這 標準 偏差 這裡 到 毯子 計算 我的 可接受 不同之處 為了 我的 托斯特。 I 最後 能 實際上 跑步 我的 托斯特 這裡。 所以 再次， 那是 其他 團體。 和 這 時間 它是 腳 寬的 經過 X， 但 我是 詢問 為了 一個 等價 測試 和 三角洲 作為 我的 可接受 不同之處。
這 休息 的 這 腳本 將要 陰謀 全部 這 任務 和 它是 非常 無聊的。 然後 在 這 結尾， 它 將要 創造 a 桌子 和 全部 這 輸出 和 全部 這 事物 那 我們 需要 到 創造 我們的 酒吧 圖表 和 最終 我們 可以 也 創造 這 酒吧 圖表。 出色地 跑步 這 為了 這 數據 放。 只是 檢查 I 有 這 正確的 一。 那裡 我們 去。 就在那裡。 患病的 點選 在 它 現在。
你 可以 看 它 在 這 背景 這裡。 它是 鐓 這 表 和 它是 正在做 這 痛苦地 慢慢地。 為了 每一個 天， 它 將要 選擇 這 天， 製作 a 更小 數據 桌子， 做 a 主成分分析 在 全部 這 變數， 和 然後 I 將要 節省 這 主要的 成分， 這 特徵值 和 這 餘弦 為了 更遠 計算。
它 將要 使用 這 主要的 成分 為了 第一的 正在做 a T檢驗， 因為 那是 在哪裡 是 去 到 得到 我們的 估計 的 這 標準 偏差 和 第二， 做 一個 等價 測試 到 查看 無論 它 通行證 等價。 I 思考 我們在 天 七， 是 去 到 得到 那裡 最終。
它 將要 也 陰謀 全部 我們的 等價 測試， 和 它 將要 也 創造 這 酒吧 圖表 和 這 新的 目錄。 Bre 與 我的 電腦。嗯， 這 是 服用 更長 比 它 應該， 真的。 I 希望 它是 去 到 工作。 有時 腳本 那 是 相當 忙碌的， 意思是 那 它是 難的 為了 跳轉 到 抓住 向上 和 什麼是 正在發生 在 這 背景。
I 希望 它是 不是 去 到 失敗 因為 的 那。 不， 這裡 我們 去。 它是 現在 創建 a 報告， 和 為了 每個 天， 它是 去 到 放 每個 托斯特 在 a 柱子 的 圖表。 I 有 書面 這 腳本 在 這樣的 a 方式 那 他們是 全部 這 相同的 尺寸 和 那 曾是 建議 經過 一 的 我們的 科學家， 實際上， 所以 他們是 很多 更輕鬆 到 比較。
這裡 我們 有 數據 那 真的 需要 一些 額外的 打掃 向上， 所以 它 來 到 不 驚喜 那 全部 我們的 等價 測試 為了 這 第一的 原則 成分 是 失敗。 那是 因為 這 主成分分析 是 完畢 在 變數 那 是 不是 相似的 之間 組。 但 這 更多的 微妙的 行為 那是 捕獲 在 a 第二 個人電腦 是 仍然 透過 a 很多 的 這 等價 測試。
患病的 關閉 這 到 展示 你 什麼是 到過 已儲存 在 這 目錄 為了 這 一。 為了 這， 你 有 個人 子集 桌子 和 他們的 主成分分析 和 潛水艇 腳本。 甚至 開幕 a 小的 桌子 喜歡 這 是 服用 a 長的 時間。 那裡 我們 去。 這裡 是 這 主成分分析。 這是 這 載入中 陰謀。
這 是 在哪裡 這 特徵值 來 從， 和 這裡 這 餘弦 哪個 是 拉 出去 經過 這 腳本。 它 有 這 托斯特 結果 那是 用過的 為了 製作 這 托斯特 圖表， 但 我們已經 已經 見過 那些。 它 有 a 桌子 那 節目 你 哪個 托斯特 通過了 a 零 或者 a 一 這裡， 和 這 解釋 方差， 和 這 計算 為了 這 解釋 變異數 在 這 相同的 桌子。
T 他的 列 這裡 是 什麼 是 去 到 使用 到 創造 我們的 酒吧 圖表。 這 酒吧 圖表 獲取 已儲存 在 這 雜誌 在 這 案件。 那裡 是 許多 方法 你 可以 做 這， 真的。 為了 15 變數 和 不是 這 最好的 的 清理 工作， 讓我們 看 什麼 等價 我們 得到 這裡。 它 是 全部 在職的。
它是 只是 真的 慢的。 對不起 關於 那。 那裡 我們 去。 我已經 有， 再次， 回饋 從 科學家 說 那 他們 會 更喜歡 到 看 這 變數 在 這 命令 他們 是 在 起初， 因為 最多 的 我們的 數據 是 已記錄 在 模板， 所以 人們 是 用過的 到 看到 那些 變數 在 命令。
但 它是 也 好的 到 有 它 在 降序 命令 所以 那 你 能 迅速地 看 哪個 變數 是 相當 相等的 和 哪個 一 是 不是 正在做 所以 出色地。 這裡 在 平均的， 我們 有 21 % 等價 穿過 全部 我們的 變數。 它是 不是 a 非常 高的 數字。 I 不 有 a 標準 為了 那 數字， 但 I 思考 大約 60 %- 75 % 會 是 相當 可取的。
患病的 關閉 一切 I 能 到 製作 一些 空間。 出色地 去 後退 到 看 什麼 發生 如果 我們 消除 一 進攻 多變的。 I 沒有 完畢 足夠的 打掃 向上 這裡， 但 我是 移除 多變的 11， 哪個 曾是 真的 不是 一個 可接受 多變的 到 有 在 我們的 數據 放。
I 將要 跑步 這 任務 和 三 件 這 時間， 所以 那 I 能 在 至少 有 a 射擊 在 捕獲 這 變異性 在 事物 喜歡 pH 或者 氧分壓， 哪個 趨向 到 是 很多 更多的 複雜的。 出色地 跑步 這 一 和 出色地 有 a 看 在 這 酒吧 圖表 和 看 如何 很多 等價 我們 能 捕獲。
I 懷疑 這 是 去 到 是 慢的 再次。 這 是 去 慢慢地。 是 僅有的 在 天 二， 所以 I 需要 到 充滿 向上 這 時間。 作為 I 說， 我們 不 有 a 標準 到 看 在 這 全部的 數字。 它是 更多的 的 a 相對的 數字。
任何一個 你 有 a 放 的 標準 為了 打掃 向上 你的 數據， 或者 或許 因為 你 是 跑步 批次 和 記錄 他們 在 相似的 方法， 你 會 說， 我們 將要 總是 僅有的 看 在 那些 10 變數， 和 然後 你 能 比較 這 全面的 等價 或者 這 酒吧 圖表 為了 給定 套 的 變數 那 是 可比。
這 其他 方式 你 可以 做 它 是 使用 這 相同的 數據 套 喜歡 I 有 今天。我 知道 我們 有 21 % 等價 為了 15 變數， 但 一次 我們 消除 變數 11 和 五， 為了 例子， 和 乾淨的 向上 一些 的 這 異常值， 然後 那 數位 開始 去 向上， 或者 它 可以 是 我們 有 僅有的 21 % 和 二 件， 但 如果 我們 添加 a 夫妻 因為 一些 的 這 變數 不 地圖 非常 出色地 到 這 第一的 二 件， 然後 這 數位 也 是 去 向上。
它是 非常 難的 到 放 a 標準 在 那 數字， 但 它是 漂亮的 好的 為了 比較 不同的 模型 或者 不同的 數據 套 那 有 到過 治療 合理地 相似地。 如何 是 我們 正在做 這裡？ 幾乎 那裡。 我是 非常 對不起 關於 這。 我的 電腦 是 特別 慢的 今天。 這裡 我們 去。
這裡 是 任務， 和 這 時間 那裡 是 三 件， 所以 他們是 對齊 經過 三。 I 思考 如果 我們 做過 這 大， 它 會 開始 沾黏 出去 的 這 窗戶 這裡。 因為 我們 有 已刪除 一 多變的 已經， 我們 可以 看 那 一些 的 這 任務 是 透過 甚至 為了 這 第一的 個人電腦。 所以 那是 確實 製成 a 非常 大的 不同之處。
I 將要 關閉 那些 和 去 後退 進入 這 目錄 它 曾是 創建。 這 方式 我已經 書面 這， 如果 我是 正在做 二 數據 套 在 這 相同的 目錄， 它是 去 到 得到 已擦除 因為 節省 作為 在 腳本 在 跳轉 將要 節省 在 頂部 的 現存的 數據 如果 它 有 這 相同的 姓名。
這裡 曾是 這 相同的 數據， 我們 只是 已刪除 一 多變的 和 額外 一 個人電腦， 和 我們 得到 從 21 % 到 關於 四十七 % 在 平均的 穿過 這 多變的 等價。 那是 顯示 你 什麼 a 大的 不同之處 它 能 製作 從 只是 a 小的 打掃 步 或者 選擇 a 輕微地 不同的 模型 和 一 更多的 個人電腦 在 這 案件。
現在 它是 我。 我已經 走了 透過 全部 這 腳本。 患病的 放 後退 我的 非常 最後的 滑動 向上 這裡 到 總結。 這 是 a 新的 科技 到 看 在 等價， 這 多變數 技術。 I 沒有 見過 它 用過的 某處 別的。 它是 a 補充， 不是 a 替代品。
你 應該 仍然， 尤其 如果 你是 沉重 涉及 和 這 數據， 你 應該 仍然 尋找 在 全部 這 時間 點 那 你是 有興趣的 在。 它 給出 a 整體 圖片 和 a 很多 的 細節 因為 你 有 a 很多 的 輸出。 但 如果 你是 僅有的 有興趣的 在 這 最終的 資訊, 真的 那 酒吧 圖表， 給出 你 a 很多 的 資訊 在 只是 一 圖形。
你 可以 做 這 和 任何 類型 的 群組 那 你 想 到。 這 發生 到 是 體重計 因為 我們 看 在 這 不同之處 之間 製造業 和 實驗室 體重計 a 很多 在 富士膠片。 那是 它， 真的。 它是 你的 多變數 到 一 雙面 T 檢驗。 作為 a 部分 的 我們的 流程 流動 到 看 在 規模 向上 和 規模 向下 數據。 ID 是 快樂的 到 回答任何問題。
