Samenvatting
Summary PCA advanced data analysis
- Instelling
- Universiteit Antwerpen (UA)
Summary of 6 pages for the course advanced data analysis at UA (Summary lesson PCA)
[Meer zien]Voorbeeld 2 van de 6 pagina's
Voorbeeld 2 van de 6 pagina's
In winkelwagen
Voorbeeld van de inhoud
PCAFirst step to look at your data
-> reasons to do PCA
Dimension reduction
Visual and mathematical results
What are the underlying dynamics of my system?
Is there different groupd in my samples?
QC
Multivariate data = short and wide table with too many variables for a
clear overview
-> complex data, how to represent this data
Data transformation: variables need to be preprocessed before being of
use
Log transformation (take the log of each datapoint)
Normalization: sometimes you need to normalize the values of a
variable-> make variables comparable
Comparison between variables: when you use patterns, outliers become
visible which would be not the case when you would look at the individual
plots
Covariance = how much do two variables change together? Can take up
any value
0 = no relation between the variables
+ = similar behaviour
- = inverted behaviour
Correlation = measures both the strength and direction of the linear
relationship between two variables. It is a normalized version of
covariance. -1 1
0 = no correlation
-1 = perfect inverted correlation
, 1 = perfect correlation
Causation = change in one variable means a direct change in the other
variable
Compare set of sick people with set of healthy people
-> find the variables correlated with the disease
-> you find factors that are not directed related to the disease but are a
consequence of the disease
Data projection
Multivariate analysis by projection: why?
-> looks at all the variables together
-> avoid loss of information
-> find underlying trends
-> more stable models
-> unsupervised
What is a projection:
You want to reduce dimensionality of the data + algebraic interpretation
(summary of observation variables into a few new artificial variables
Geometric interpretation:
Variables form axes in a multidimensional space
A single observation in this space = a point
These points will be projected on a plane
Why would you use projections?
-> reduce dimensionality without the loss of information
-> handle different types of data sets
-> handles correlation variables
-> graphical results
-> separates actual trends from noise
PCA
-> data visualization and simplification
Info stays in the correlation structure of the data
Projection to a lower dimensionality
Voordelen van het kopen van samenvattingen bij Stuvia op een rij:
√ Verzekerd van kwaliteit door reviews
Stuvia-klanten hebben meer dan 700.000 samenvattingen beoordeeld. Zo weet je zeker dat je de beste documenten koopt!
Snel en makkelijk kopen
Je betaalt supersnel en eenmalig met iDeal, Bancontact of creditcard voor de samenvatting. Zonder lidmaatschap.
Focus op de essentie
Samenvattingen worden geschreven voor en door anderen. Daarom zijn de samenvattingen altijd betrouwbaar en actueel. Zo kom je snel tot de kern!
Veelgestelde vragen
Wat krijg ik als ik dit document koop?
Je krijgt een PDF, die direct beschikbaar is na je aankoop. Het gekochte document is altijd, overal en oneindig toegankelijk via je profiel.
Tevredenheidsgarantie: hoe werkt dat?
Onze tevredenheidsgarantie zorgt ervoor dat je altijd een studiedocument vindt dat goed bij je past. Je vult een formulier in en onze klantenservice regelt de rest.
Van wie koop ik deze samenvatting?
Stuvia is een marktplaats, je koop dit document dus niet van ons, maar van verkoper AVL2. Stuvia faciliteert de betaling aan de verkoper.
Zit ik meteen vast aan een abonnement?
Nee, je koopt alleen deze samenvatting voor €3,49. Je zit daarna nergens aan vast.
Is Stuvia te vertrouwen?
4,6 sterren op Google & Trustpilot (+1000 reviews)
Afgelopen 30 dagen zijn er 60576 samenvattingen verkocht
Opgericht in 2010, al 14 jaar dé plek om samenvattingen te kopen