Principal component analysis of a d

Principal component analysis of a data matrix extracts the dominant patterns in the matrix in terms of a complementary set of score and loading plots. It is the responsibility of the data analyst to formulate the scientific issue at hand in terms of PC projections, PLS regressions, etc. Ask yourself, or the investigator, why the data matrix was collected, and for what purpose the experiments and measurements were made. Specify before the analysis what kinds of patterns you would expect and what you would find exciting.

The results of the analysis depend on the scaling of the matrix, which therefore must be specified. Variance scaling, where each variable is scaled to unit variance, can be recommended for general use, provided that almost constant variables are left unscaled. Combining different types of variables warrants blockscaling.

In the initial analysis, look for outliers and strong groupings in the plots, indicating that the data matrix perhaps should be “polished” or whether disjoint modeling is the proper course.

For plotting purposes, two or three principal components are usually sufficient, but for modeling purposes the number of significant components should be properly determined, e.g. by cross-validation.

Use the resulting principal components to guide your continued investigation or chemical experimentation, not as an end in itself.

ผลลัพธ์ (ไทย) 1:

วิเคราะห์ส่วนประกอบหลักของเมทริกซ์ข้อมูลสารสกัดจากรูปแบบหลักในเมทริกซ์ในการเสริมชุดของคะแนน และโหลดผืน มันเป็นหน้าที่ของนักวิเคราะห์ข้อมูลเพื่อกำหนดปัญหาทางวิทยาศาสตร์ที่ใน PC ประมาณ regressions กรุณา ฯลฯ ถามตัวเอง หรือเอกชน ทำไมเมตริกซ์ข้อมูลรวบรวม และประสงค์ทำการทดลองและวัด ระบุก่อนการวิเคราะห์ชนิดของรูปแบบที่คุณคาดหวังและสิ่งที่คุณจะค้นหาน่าตื่นเต้นผลของการวิเคราะห์ขึ้นอยู่กับขนาดของเมตริกซ์ ซึ่งดังนั้น ต้องระบุ ผลต่างขนาด ซึ่งแต่ละตัวแปรจะปรับให้ต่างหน่วย สามารถจะแนะนำทั่วไปใช้ โดยที่ตัวแปรคงเกือบจะเหลือ unscaled รวมชนิดของตัวแปรวอร์แรนต์ blockscalingในการวิเคราะห์เบื้องต้น หาที่ outliers และกลุ่มแข็งแรงในโครงการ แสดงว่า เมทริกซ์ข้อมูลทีควรเป็น "เงา" หรือว่าตัวโมเดลเป็นหลักสูตรเหมาะสมสำหรับพล็อตวัตถุประสงค์ ส่วนประกอบหลักที่ 2 หรือ 3 มีเพียงพอมักจะ แต่สำหรับวัตถุประสงค์ในการสร้างโมเดล จำนวนส่วนประกอบที่สำคัญควรถูก ตาม เช่นตรวจสอบข้ามใช้คอมโพเนนต์หลักได้ไปตรวจสอบอย่างต่อเนื่องหรือทดลองเคมี ไม่เป็นจบในตัวเองของคุณ

ผลลัพธ์ (ไทย) 2:

การวิเคราะห์องค์ประกอบหลักของเมทริกซ์ข้อมูลสารสกัดจากรูปแบบที่โดดเด่นในเมทริกซ์ในแง่ของชุดที่สมบูรณ์ของคะแนนและการโหลดแปลง มันเป็นความรับผิดชอบของนักวิเคราะห์ข้อมูลเพื่อกำหนดปัญหาทางวิทยาศาสตร์ที่อยู่ในมือในแง่ของการประมาณการ PC, PLS ถดถอย ฯลฯ ถามตัวเองหรือผู้ตรวจสอบทำไมเมทริกซ์ข้อมูลที่ถูกเก็บรวบรวมและเพื่อวัตถุประสงค์อะไรการทดลองและการวัดที่ถูกสร้างขึ้น . ระบุก่อนที่จะวิเคราะห์สิ่งที่ชนิดของรูปแบบที่คุณคาดหวังและสิ่งที่คุณจะพบที่น่าตื่นเต้นจากผลการวิเคราะห์ขึ้นอยู่กับการปรับของเมทริกซ์ซึ่งดังนั้นจึงต้องมีการระบุ ปรับความแปรปรวนซึ่งแต่ละตัวแปรปรับให้หน่วยแปรปรวนสามารถแนะนำสำหรับการใช้งานทั่วไปโดยมีเงื่อนไขว่าตัวแปรคงที่เกือบจะเหลือไม่ปรับสัดส่วน รวมประเภทที่แตกต่างกันของตัวแปร blockscaling ใบสำคัญแสดงสิทธิในการวิเคราะห์เริ่มต้นมองหาค่าผิดปกติและกลุ่มที่แข็งแกร่งในแปลงแสดงให้เห็นว่าเมทริกซ์ข้อมูลอาจจะควรจะเป็น "เงา" หรือไม่ว่าจะเป็นแบบจำลองการเคลื่อนเป็นหลักสูตรที่เหมาะสมสำหรับวัตถุประสงค์ในการพล็อตสองหรือสาม องค์ประกอบหลักมักจะเพียงพอ แต่เพื่อวัตถุประสงค์ในการสร้างแบบจำลองจำนวนองค์ประกอบที่สำคัญควรได้รับการพิจารณาอย่างถูกต้องเช่นโดยการตรวจสอบข้ามใช้องค์ประกอบหลักที่เกิดขึ้นเพื่อเป็นแนวทางในการตรวจสอบอย่างต่อเนื่องหรือการทดลองทางเคมีที่ไม่เป็นสิ้นสุดในตัวเอง

ผลลัพธ์ (ไทย) 3:

การวิเคราะห์องค์ประกอบหลักของข้อมูลเมทริกซ์สกัดรูปแบบเด่นในเมทริกซ์ในแง่ของชุดเสริมของคะแนนและการแปลง มันเป็นความรับผิดชอบของนักวิเคราะห์ข้อมูลเพื่อกำหนดประเด็นทางวิทยาศาสตร์ในมือในแง่ของพีซีที กรุณาสังกะสี ฯลฯ ถามตัวเอง หรือสอบสวน ทำไมข้อมูลเมทริกซ์ถูกรวบรวมและสำหรับสิ่งที่วัตถุประสงค์การทดลองและการวัดได้ ระบุก่อนการวิเคราะห์ชนิดของรูปแบบที่คุณจะคาดหวัง และ สิ่งที่คุณจะพบที่น่าตื่นเต้น

โดยขึ้นอยู่กับขนาดของเมทริกซ์ที่จึงต้องมีการระบุ ความแปรปรวนของมาตราส่วน ซึ่งแต่ละตัวแปรจะถูกปรับให้หน่วยความ สามารถแนะนำสำหรับใช้งานทั่วไปโดยที่ตัวแปรคงที่เกือบจะเหลือ unscaled . รวมแตกต่างกันประเภทของตัวแปรตาม blockscaling

ในการวิเคราะห์ หาค่าผิดปกติและการจัดกลุ่มที่แข็งแกร่งในแปลง ระบุว่า ข้อมูล เมทริกซ์ บางทีควรจะ " ขัด " หรือว่าไม่ต่อเนื่องแบบหลักสูตรที่เหมาะสม

สำหรับการวางแผนวัตถุประสงค์ องค์ประกอบหลักสอง หรือ สาม มักจะเพียงพอแต่แบบมีจำนวนของส่วนประกอบที่สำคัญควรถูกกำหนดโดยข้ามการตรวจสอบ เช่น

ใช้เป็นผลหลักประกอบกับคู่มือของคุณยังคงสืบสวนหรือสารเคมีที่ใช้ ไม่เป็นที่สิ้นสุดในตัวเอง