Přejít k hlavnímu obsahu

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Výhody a přednosti vícerozměrné analýzy dat
Autoři: Meloun Milan
Rok: 2008
Druh publikace: ostatní - přednáška nebo poster
Název zdroje: Sborník Celostátního semináře a workshopu v Lázních Bohdaneč, 18. - 21. 11. 2008
Název nakladatele: TriloByte Statistical Software, Pardubice ? St. Hradiště CQR - Výzkumné centrum pro jakost a spolehlivost ČR, Editor: Karel Kupka
Strana od-do: nestránkováno
Tituly:
Jazyk Název Abstrakt Klíčová slova
cze Výhody a přednosti vícerozměrné analýzy dat Vícerozměrná statistická analýza je založena na latentních proměnných, které jsou lineární kombinací původních proměnných. Zdrojová matice dat obsahuje proměnné ve sloupcích a objekty v řádcích. Cílem je nalézt shluk jako množinu podobných objektů s podobnými proměnnými. Podobnost objektů posuzujeme na základě vzdálenosti (míry) objektů v m-rozměrném prostoru: čím je vzdálenost shluků či objektů větší, tím menší je jejich podobnost. K rychlému posouzení podobnosti slouží grafy exploratorní analýzy vícerozměrných dat: profily, polygony, sluníčka a hvězdičky. Strukturu a vazby mezi proměnnými vystihují metody snížení dimensionality, metoda hlavních komponent. Graf komponentních vah porovnává vzdálenosti mezi proměnnými, kde krátká vzdálenost značí silnou korelaci. Objekty lze seskupovat do shluků hierarchicky dle předem zvoleného způsobu metriky a ne hierarchicky dle uživatelem vybraných objektů-představitelů. Výsledkem je dendrogram. Exploratorní analýza; PCA; FA; shluky; sluníčka; hvězdy; obličeje; graf komponentních vah; graf komponentního skóre, dendrogram proměnných, dendrogram objektů;
eng Advantages and Strength of Multivariate Statistical Data Analysis Principal component analysis, factor analysis and cluster analysis are applied after exploratory data analysis to find internal bounds among multivariate data. Exploratory data analysis; PCA; FA; Cluster analysis; stars; suns; faces;