4
Q
主成分和因子分析
A
回答
1
PCA將受到數據重新調整的影響,因此您將從協方差與相關矩陣中得到不同的答案。 FA(我認爲你的意思是規範的FA)不受重縮放的影響,所以沒關係。
1
PCA結果受變量單位的影響。除此之外,如果某個變量的方差比其他變量大得多,則該變量傾向於與第一主成分重合。
克服這些問題的一種方法是使用相關性而不是協方差矩陣 - 假定差異差異不包含手頭問題的有價值信息。
以前的FA還表示,如果保理的類型是「主要組成部分」。相反,如果您使用「最大似然」因子分解,協方差或相關矩陣的選擇不會影響結果。
相關問題
- 1. 因子分析Scikit
- 2. 主成分分析和旋轉
- 3. 主成分分析和功能降低
- 4. 因子分析 - 按行分配分數
- 5. Python - 主成分分析
- 6. Caret的主成分分析
- 7. python中的因子分析
- 8. 使用libpca進行主成分分析
- 9. 主成分分析的工作示例?
- 10. 主成分分析(PCA) - 訪問形狀
- 11. Matlab問題 - 主成分分析
- 12. Python - 主成分分析(PCA)錯誤
- 13. RNN中的主成分分析
- 14. 主成分分析vs特徵去除
- 15. R中的主成分分析,ggbiplot
- 16. PCA(主成分分析)和特徵選擇之間的區別
- 17. 主成分分析和彈性淨迴歸
- 18. R中的單因子方差分析
- 19. 做因子分析的錯誤
- 20. 來自因子分析的大數字
- 21. Argparse:如何區分語法分析器和子分析器
- 22. 主成分
- 23. 因素分析中的R
- 24. PRINICIPAL成分分析C#
- 25. LINQ到拆分/分析子
- 26. 大O表示法和分支因子
- 27. 不能計算在r中主成分分析
- 28. 具有非常大的數據維數的主成分分析
- 29. 使用python教程的主成分分析(PCA)
- 30. 如何在主成分分析之後擬合線性模型
儘管協方差和相關矩陣通過除以標準差相互關聯,執行特徵分解會給你不同的結果。在大多數情況下,協方差應與PCA一起使用,除非您有理由不這樣做。 – Amro 2009-12-08 22:22:42