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. 主成分分析
- 2. 主成分分析
- 3. 因子分析Scikit
- 4. 主成分分析和功能降低
- 5. 主成分分析和旋轉
- 6. 因子分析 - 按行分配分數
- 7. Caret的主成分分析
- 8. ade4包 - 主成分分析
- 9. Python - 主成分分析
- 10. 推導/從因子分析
- 11. python中的因子分析
- 12. 從因子分析中獲得非標準化因子分數
- 13. 因子分析 - 因子分數確定係數
- 14. 主成分分析(PCA) - 訪問形狀
- 15. C#中的主成分分析
- 16. Matlab問題 - 主成分分析
- 17. R中的主成分分析,ggbiplot
- 18. 主成分分析(PCA)算法
- 19. RNN中的主成分分析
- 20. R中的主成分分析
- 21. 主成分分析vs特徵去除
- 22. Python - 主成分分析(PCA)錯誤
- 23. 主成分分析的工作示例?
- 24. 使用Python的主成分分析(PCA)
- 25. 糖尿病:採用主成分分析
- 26. 使用libpca進行主成分分析
- 27. 主成分分析不起作用
- 28. 分支因子和深度
- 29. 因子分數之和
- 30. 主成分分析和彈性淨迴歸
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