The mahalanobis function returns .

The mahalanobis function returns . If the data are multivariate normal with dimension m, then we expect to follow a distribution. We can check this graphically with a Q–Q plot as seen in Figure 11.2. We see that there are some outliers and that we can investigate the sensitivity of the PCA to these values by re-analyzing the data after removing these points. If you do this, you will find that it makes a substan- tive difference, especially to the second PC. An alternative to this outlier detection approach is to use robust PCA methods.

ผลลัพธ์ (ไทย) 1:

การ mahalanobis ฟังก์ชันส่งกลับ ถ้าข้อมูล ตัวแปรพหุปกติที่ มีมิติ m แล้วเราคาดว่าจะทำตามการกระจาย เราสามารถตรวจสอบภาพ ด้วยพล็อต Q-Q ตามที่เห็นในรูปที่ 11.2 เราเห็นว่า มีบาง outliers และว่า เราสามารถตรวจสอบความไวของ PCA กับค่าเหล่านี้ โดยการวิเคราะห์ข้อมูลอีกครั้งหลังจากลบจุดเหล่านี้ ถ้าคุณทำเช่นนี้ คุณจะพบว่า มันทำให้ substan-tive ความแตกต่าง โดยเฉพาะอย่างยิ่งกับ PC สอง ทางเลือกนี้ outlier ตรวจหาวิธีจะใช้วิธี PCA แข็งแกร่ง

ผลลัพธ์ (ไทย) 2:

ผลตอบแทนที่ได้ฟังก์ชั่น Mahalanobis ถ้าข้อมูลมีหลายตัวแปรปกติกับขนาด M แล้วเราคาดว่าจะเป็นไปตามการจัดจำหน่าย เราสามารถตรวจสอบเรื่องนี้มีภาพกราฟิกที่มีพล็อต Q-Q เท่าที่เห็นในรูปที่ 11.2 เราจะเห็นว่ามีค่าผิดปกติบางอย่างและที่เราสามารถตรวจสอบความไวของ PCA เพื่อค่าเหล่านี้โดยการวิเคราะห์ข้อมูลหลังจากลบจุดเหล่านี้ ถ้าคุณทำเช่นนี้คุณจะพบว่ามันทำให้ความแตกต่างเชิง substan- โดยเฉพาะอย่างยิ่งไปยังเครื่องคอมพิวเตอร์ที่สอง ทางเลือกในการวิธีการตรวจสอบค่าผิดปกตินี้คือการใช้วิธีการ PCA ที่แข็งแกร่ง

ผลลัพธ์ (ไทย) 3:

ฟังก์ชัน mahalanobis กลับมา ถ้าข้อมูลเป็นแบบปกติ ขนาด M จากนั้นเราคาดหวังตามการกระจาย เราสามารถตรวจสอบภาพกราฟิกกับ Q และ Q พล็อตตามที่เห็นในรูปที่ 11.2 . เราพบว่ามีบางอย่างผิดปกติ และที่เราสามารถตรวจสอบความไวของ PCA ค่าเหล่านี้โดยจะวิเคราะห์ข้อมูลหลังจากลบจุดเหล่านี้ ถ้าคุณทำเช่นนี้คุณจะพบว่ามันทำให้ substan แตกต่าง - tive โดยเฉพาะอย่างยิ่งกับพีซี 2 ทางเลือกนี้ ค่าตรวจสอบการใช้วิธี PCA ที่แข็งแกร่ง