The PCA technique is used to transf

The PCA technique is used to transform the original variables to
a new orthogonal set of Principal Components (PCs) such that the
first PC contains most of the data variance and the second PC contains
the second largest variance and so on. Objects that exhibit
similar variances to the analysed variables have similar PCA scores
forming a cluster when plotted on a biplot. Additionally, strongly
correlated variables have the same magnitude and orientation
when plotted, whereas uncorrelated variables are orthogonal to
each other. Detailed descriptions of PCA can be found elsewhere
(Massart et al., 1988). Data pre-treatment was carried out to reduce
‘noise’ which interferes with the data analysis (Kokot et al.,
1998). Accordingly, the data matrix was column centred and
standardised (auto scaled). This was done by subtracting the column
mean from each cell value and dividing by the column standard
deviation. This ensured equal significance of variables with
a standard deviation of 1 (Kokot et al., 1998).

ผลลัพธ์ (ไทย) 1:

ใช้เทคนิค PCA เพื่อแปลงตัวแปรเดิมเพื่อส่วนประกอบหลัก (PCs) orthogonal ชุดใหม่ให้การพีซีครั้งแรกประกอบด้วยทั้งผลต่างของข้อมูล และประกอบด้วย PC สองใหญ่เป็นอันดับสองต่างและอื่น ๆ วัตถุที่จัดแสดงผลต่างที่คล้ายกับตัวแปร analysed มีคล้าย PCAเป็นคลัสเตอร์ที่ใช้จุดในการ biplot นอกจากนี้ ขอตัวแปร correlated มีขนาดเดียวกันและการวางแนวจุด ในขณะที่ตัวแปร uncorrelated เป็น orthogonal กับกันและกัน สามารถพบคำอธิบายรายละเอียดของสมาคมอื่น(Massart et al., 1988) ข้อมูลรักษาก่อนได้รับการดำเนินการลด'เสียง' ซึ่งรบกวนการวิเคราะห์ข้อมูล (Kokot et al.,ปี 1998) . ดังนั้น เมตริกซ์ข้อมูลเป็นคอลัมน์ที่ศูนย์กลาง และแบบอัตโนมัติปรับ) นี้ทำ โดยการลบคอลัมน์หมายความว่า จากค่าในแต่ละเซลล์ และการแบ่งคอลัมน์มาตรฐานความแตกต่าง นี้มั่นใจความสำคัญเท่ากับตัวแปรส่วนเบี่ยงเบนมาตรฐาน 1 (Kokot et al., 1998)

ผลลัพธ์ (ไทย) 2:

เทคนิค PCA
จะใช้ในการเปลี่ยนตัวแปรเดิมเพื่อชุดฉากใหม่ของส่วนประกอบหลัก(พีซี)
เช่นที่เครื่องแรกมีมากที่สุดของความแปรปรวนของข้อมูลและเครื่องคอมพิวเตอร์ที่สองมีความแปรปรวนใหญ่เป็นอันดับสองและอื่น
ๆ วัตถุที่แสดงความแปรปรวนคล้ายกับตัวแปรวิเคราะห์มีคะแนน PCA ที่คล้ายกันจัดตั้งกลุ่มเมื่อพล็อตในbiplot นอกจากนี้ขอตัวแปรมีลักษณะร่วมกันมีขนาดเดียวกันและการวางแนวเมื่อพล็อตในขณะที่ตัวแปรuncorrelated เป็นฉากกับแต่ละอื่นๆ รายละเอียดของ PCA สามารถพบได้ที่อื่น ๆ(Massart et al., 1988) ข้อมูลรักษาก่อนได้ดำเนินการเพื่อลด'เสียง' ซึ่งเป็นอุปสรรคกับการวิเคราะห์ข้อมูล (Kokot et al., 1998) ดังนั้นเมทริกซ์ข้อมูลคอลัมน์เป็นศูนย์กลางและได้มาตรฐาน (ปรับอัตโนมัติ) นี้ทำโดยการลบคอลัมน์หมายความว่าจากมูลค่าแต่ละเซลล์และหารด้วยคอลัมน์มาตรฐานเบี่ยงเบน ซึ่งจะทำให้มั่นใจความสำคัญเท่าเทียมกันของตัวแปรที่มีค่าเบี่ยงเบนมาตรฐาน 1 (Kokot et al., 1998)

ผลลัพธ์ (ไทย) 3:

เทคนิคที่ถูกใช้ในการแปลงตัวแปรเดิม

) ชุดใหม่ขององค์ประกอบหลัก ( ชิ้น ) ที่
ครั้งแรกประกอบด้วยส่วนใหญ่ของข้อมูลความแปรปรวน และพีซีที่สอง มี
แปรปรวนที่สองที่ใหญ่ที่สุดและ วัตถุที่จัดแสดง
ยคล้ายกับวิเคราะห์ตัวแปรที่มีคะแนน PCA ที่คล้ายกัน
รูปกลุ่มที่วางแผนใน biplot . นอกจากนี้ ขอ
ความสัมพันธ์ของตัวแปรมีขนาดเดียวกันและปฐมนิเทศ
เมื่อวางแผน และมีตัวแปร uncorrelated )

แต่ละอื่น ๆ รายละเอียดของระบบที่สามารถพบได้ในที่อื่น ๆ
( massart et al . , 1988 ) และข้อมูลเพื่อลด
'noise ' ซึ่งรบกวนกับการวิเคราะห์ข้อมูล ( kokot et al . ,
1998 ) ตาม , Data Matrix เป็นคอลัมน์กลางและ
มาตรฐาน ( ปรับอัตโนมัติ ) นี้ถูกทำโดยการลบคอลัมน์
หมายถึงค่าจากเซลล์แต่ละเซลล์และหารด้วยคอลัมน์
ส่วนเบี่ยงเบนมาตรฐาน . นี้มั่นใจว่า ความสำคัญเท่าเทียมกันของตัวแปร
ส่วนเบี่ยงเบนมาตรฐาน 1 ( kokot et al . , 1998 )