스펙트럼 데이터에 대한 PCA안녕하세요,
저는 대규모 데이터 세트(257개 열(파수)과 약 8,000개 행(샘플))에 대해 PCA를 수행하고 있으며 PCA를 통해 스펙트럼 간의 특정 패턴을 인식하고 싶습니다.
하지만 이 경고는 항상 '경고: 행렬 상관관계가 양의 정부호가 아닙니다.'라는 문구가 나타납니다. 이것이 무슨 뜻인지, 그리고 이것이 내 데이터 분석과 관련이 있는지 알려줄 수 있는 분이 있을까요?
저는 JMP 초보자일 뿐이지만, 이 문제에 대한 도움을 주시면 감사하겠습니다.
감사합니다!
마이케
기본 데이터 분석 및 모델링Re: 스펙트럼 데이터에 대한 PCA안녕 마이크,
볼 수 있는 예제 데이터 세트를 제공해 주시겠습니까? 이는 행렬의 일부 특성이 양수가 아니라는 것을 나타냅니다(즉, 고유값이 모두 양수가 아니고 행렬이 대칭이 아님). 이는 JMP로 수행할 수 있는 테스트 유형을 변경하여(여기에서 설명한 최대 우도 테스트 등) PCA의 강도를 약화시킬 수 있습니다. 데이터를 살펴보고 이상치/오류를 제거하거나 예측 변수 목록을 실제로 중요한 요인/열로 정제하는 것과 같은 작업을 시도하는 것을 고려할 것입니다.
초보자라고 언급하셨는데, 스펙트럼 데이터 분석에 대한 이 글들( 여기 와 여기 )을 읽어보시기를 추천드립니다. 정말 고무적이고 유용합니다!
감사해요,
벤
Re: 스펙트럼 데이터에 대한 PCA안녕 벤,
답변과 기사에 감사드립니다.
제 데이터에서 네이티브와 변성된 단백질의 스펙트럼을 볼 수 있습니다. 저는 PCA를 사용하여 네이티브와 변성된 단백질을 구별할 수 있는지 보고 싶습니다. 여기에 몇 가지 샘플이 있는 예시 데이터 세트가 있습니다.
저는 이미 데이터를 0~1 범위로 정규화했습니다. 경고는 원시 데이터와 정규화된 값 모두에 나타납니다.
Re: 스펙트럼 데이터에 대한 PCA안녕 마이크,
이 예에서 '변성'을 어떻게 구별합니까? 샘플 '0.5', '0.14' 및 '85'의 차이입니까? 저는 PCA를 사용하여 '이러한 특징은 변성되었습니다'라고 말하는 방법을 알아내려고 합니다.
감사해요,
벤
Re: 스펙트럼 데이터에 대한 PCA안녕하세요 @Maike_W 님 ,
PCA에서 변수를 클러스터링하고 가장 대표적인 열로 열의 개수를 조정하는 것을 고려할 수 있습니다(아래 참조):
또한 이 데이터를 Functional Data Explorer 플랫폼으로 가져가서(데이터를 쌓은 후) 열을 그룹(Erbse, Ackerborne)과 첨부된 숫자 값(40.5, 40.15, 값이 명시되지 않은 것에는 '0'을 추가했습니다)으로 분할했습니다. 이를 통해 그룹 간 피크 차이를 설명하는 좋은 모델을 얻었습니다(gif와 첨부된 표 참조).
Re: 스펙트럼 데이터에 대한 PCA안녕 벤,
정말 고맙습니다! 네, 정확히 그렇습니다. 숫자가 없는 값은 네이티브 단백질이고 저는 그것들을 다른 온도와 시간에 처리했습니다. 숫자의 차이를 볼 수 있습니다.
제 연구는 NIR 분광법을 사용하여 이러한 구조적 차이를 볼 수 있는지에 대한 것입니다. 저는 PCA를 사용하여 패턴을 보고 규칙성을 결정할 수 있는지, 그리고 어떤 파수를 살펴봐야 하는지 보고 싶습니다.
하지만 PCA와 이 경고로 돌아가서(행렬 상관관계는 양의 정부호가 아닙니다.) PCA에서 중요한 파동수(클러스터링 또는 로딩 행렬에서)가 있는 열만 보면 이 문제를 해결할 수 있을까요?
Functional Data Explorer의 예를 보여주셔서 감사합니다. 자세히 살펴보겠습니다.
Re: 스펙트럼 데이터에 대한 PCA안녕하세요 @Maike_W 님 ,
'중요하지 않은' 열의 수를 줄이면 PCA를 개선하는 데 도움이 됩니다. 저는 긍정적인 확정적 문제에 너무 많은 중점을 두지 말아야 한다고 생각합니다. PCA는 상관 관계 문제와 관계없이 단백질의 변성을 나타낼 수 있는 관련 열을 찾는 데 도움이 되며, 어차피 샘플에서 진정한 관계인지 확인하기 위해 시각적으로 살펴보고 면밀히 살펴볼 가능성이 높으며, 이를 통해 중요한 파장에 대한 명확한 '진짜인지 아닌지' 답을 얻을 수 있습니다.
도움이 되길 바랍니다!
벤
Re: 스펙트럼 데이터에 대한 PCA안녕 벤,
정말 고맙습니다. 이게 정말 도움이 되었어요.
마이케
