3) Principal Component Analysis (PC

3) Principal Component Analysis (PCA): The 67 features
extracted from the data produce a 67-dimensional space.
However, not all the features contribute equally to overall
data variance. To reduce dimensionality while maximizing
the data variance in the lower-dimensional space, principal
component analysis (PCA) is used. The eigenvalue
decomposition of the covariance matrix allows for each
feature to be ranked in order of its contribution to overall
data variance.
4) Feature selection: Using the results of the PCA,
features are selected for use in classification. Of the 67
features, the first 11 principal components are selected for
the first classification task of distinguishing between PD and
control. These 11 features cumulatively account for 80.2% of
the variance in the data. The subsequent contributions of
additional features to the data variance are less than 2.3% per
feature, decreasing to 0.0%. An additional four features are
selected for the second classification task of characterizing
parkinsonian gait for a total of 15 features. All selected
features for both classification tasks are listed in Table I.
These features include statistical variability as measured
using standard deviation (SD). The (+) or (-) next to the
feature names indicate whether PD patients exhibit higher or
lower values for the features, respectively, relative to
controls. These features allow us to see which components of
gait are most significant in characterizing parkinsonian gait.

ผลลัพธ์ (ไทย) 1:

3) หลักการวิเคราะห์ส่วนประกอบ (PCA): คุณลักษณะ 67สกัดจากผลิตข้อมูลพื้นที่ 67 รูปอย่างไรก็ตาม คุณลักษณะทั้งหมดไม่มีส่วนร่วมอย่างเท่าเทียมกันโดยรวมผลต่างของข้อมูล การเพิ่มลด dimensionalityผลต่างของข้อมูลในพื้นที่ต่ำกว่ามิติ หลักใช้การวิเคราะห์ส่วนประกอบ (PCA) Eigenvalueเน่าของเมตริกซ์ความแปรปรวนร่วมช่วยให้แต่ละคุณลักษณะการจัดอันดับในลำดับของส่วนที่ทำให้โดยรวมผลต่างของข้อมูล4 เลือกคุณลักษณะ: ใช้ผลของ PCAมีเลือกลักษณะการทำงานเพื่อใช้ในการจัดประเภท ของ 67ลักษณะการทำงาน เลือกสำหรับส่วนประกอบหลักแรก 11งานจัดประเภทแรกความแตกต่างระหว่าง PD และควบคุม Cumulatively บัญชีเหล่านี้ 11 คุณลักษณะ 80.2% ของผลต่างข้อมูล ผลงานต่อมาของคุณสมบัติเพิ่มเติมให้ค่าความแปรปรวนของข้อมูลมีน้อยกว่า 2.3% ต่อคุณลักษณะ ลด 0.0% คุณลักษณะ 4 เพิ่มเติมสำหรับงานประเภทที่สองของการกำหนดลักษณะเดิน parkinsonian สำหรับของ 15 ที่เลือกทั้งหมดลักษณะการทำงานสำหรับงานทั้งสองประเภทอยู่ในตารางผมเหล่านี้มีความแปรผันสถิติวัดโดยใช้ส่วนเบี่ยงเบนมาตรฐาน (SD) (+) หรือ (-) ต่อไปนี้ชื่อคุณลักษณะบ่งชี้ว่า ผู้ป่วย PD แสดงสูง หรือต่ำกว่าค่าคุณลักษณะ ตามลำดับ สัมพันธ์กับควบคุม คุณลักษณะเหล่านี้ทำให้เราดูที่ส่วนประกอบของเดินสำคัญสุดในการกำหนดลักษณะการเดิน parkinsonian

ผลลัพธ์ (ไทย) 2:

3) วิเคราะห์องค์ประกอบหลัก (PCA): 67
คุณสมบัติ. สกัดจากข้อมูลการผลิตพื้นที่ 67 มิติแต่ไม่คุณสมบัติทั้งหมดที่มีส่วนร่วมอย่างเท่าเทียมกันโดยรวมแปรปรวนข้อมูล เพื่อลดมิติขณะที่การเพิ่มความแปรปรวนของข้อมูลในพื้นที่ที่ต่ำกว่ามิติหลักวิเคราะห์องค์ประกอบ(PCA) ถูกนำมาใช้ ค่าเฉพาะการสลายตัวของแปรปรวนเมทริกซ์ช่วยให้แต่ละคุณสมบัติในการได้รับการจัดอันดับอยู่ในคำสั่งของส่วนร่วมในการรวมความแปรปรวนข้อมูล. 4) การเลือกคุณลักษณะ: การใช้ผลการ PCA ที่คุณสมบัติที่ได้รับการคัดเลือกเพื่อใช้ในการจัดหมวดหมู่ 67 คุณสมบัติ 11 คนแรกองค์ประกอบหลักจะถูกเลือกสำหรับงานแรกของการจำแนกความแตกต่างระหว่างPD และการควบคุม เหล่านี้ 11 คุณสมบัติบัญชีสะสมสำหรับ 80.2% ของความแปรปรวนในข้อมูล ผลงานที่ตามมาของคุณลักษณะเพิ่มเติมที่จะแปรปรวนข้อมูลน้อยกว่า 2.3% ต่อคุณลักษณะที่ลดลง0.0% ในการ เพิ่มเติมสี่คุณสมบัติได้รับการแต่งตั้งให้เป็นงานที่จัดหมวดหมู่ที่สองของการพัฒนาการเดินParkinsonian รวมเป็น 15 คุณสมบัติ ทั้งหมดที่เลือกคุณสมบัติทั้งการจัดหมวดหมู่งานมีการระบุไว้ในตารางที่ I. คุณสมบัติเหล่านี้รวมถึงความแปรปรวนทางสถิติที่วัดโดยใช้ส่วนเบี่ยงเบนมาตรฐาน (SD) เครื่องหมาย (+) หรือ (-) ติดกับชื่อคุณลักษณะที่บ่งชี้ว่าผู้ป่วยPD แสดงที่สูงขึ้นหรือค่าที่ต่ำกว่าสำหรับคุณสมบัติตามลำดับเมื่อเทียบกับการควบคุม คุณสมบัติเหล่านี้ช่วยให้เราสามารถดูที่ส่วนประกอบของการเดินที่มีความสำคัญมากที่สุดในการอธิบายลักษณะการเดิน Parkinsonian

ผลลัพธ์ (ไทย) 3:

Have you ever been to?Have you ever been to?Have you ever been to?Have you ever been to?