nav[aria-label="Primary Navigation"] { padding: 0; & ul { list-style: none; width: 100%; display: flex; flex-direction: row; justify-content: start; align-items: start; gap: 30px; padding: 0; & li { margin: 0; } & ul li { list-style: none; } } }

809945_zh-CN

liliconcom · 2024-11-12T08:51:45+00:00

使用多元方法探索数据了解如何： * 理解并使用多元方法（PCA、聚类和 K 均值） * 创建和解释多元散点图和相关性 * 根据共同特征将包含大量变量的记录分组为新变量的较小聚类 * 对在多个变量中共享相似值的行进行聚类 * 使用层次聚类创建树状图，这是一种动态的响应树形图，适用于多达几千行的小表 * 对表使用 k-Means 聚类，最多有数十万行 * 使用自组织映射来形成聚类，并在二维聚类网格上以特定的布局形成聚类，其中网格中的接近度表示聚类的相似性 * 对连续因子执行主成分分析 (PCA)，其中第一个主成分是标准化原始变量的线性组合，具有最大的可能方差。每个后续主成分都是变量的线性组合，具有最大的可能方差，并且与所有先前定义的成分不相关…

liliconcom

使用多元方法探索数据

了解如何：

理解并使用多元方法（PCA、聚类和 K 均值）
创建和解释多元散点图和相关性
根据共同特征将包含大量变量的记录分组为新变量的较小聚类
对在多个变量中共享相似值的行进行聚类

使用层次聚类创建树状图，这是一种动态的响应树形图，适用于多达几千行的小表
对表使用 k-Means 聚类，最多有数十万行
使用自组织映射来形成聚类，并在二维聚类网格上以特定的布局形成聚类，其中网格中的接近度表示聚类的相似性

对连续因子执行主成分分析 (PCA)，其中第一个主成分是标准化原始变量的线性组合，具有最大的可能方差。每个后续主成分都是变量的线性组合，具有最大的可能方差，并且与所有先前定义的成分不相关
分析分类数据的多重对应关系（类似于 PCA，但针对分类数据）
使用因子分析来识别潜在因素

资源

JMP® 用于基础单变量和多变量统计：研究人员和社会科学家的方法，第二版，作者：Ann Lehman、Norm O'Rourke、Larry Hatcher、Edward J. Stepanski
《可视化六西格玛：让数据分析更精益》第二版，作者：Ian Cox、 Marie Gaudard 和Mia L. Stephens

高级统计建模

Comments

There are no comments yet