Datasets:
Vikhrmodels
/
programming_books_rus

Dataset card Data Studio Files
xet
 Community
1
text
stringlengths
0
1.95k
последовательность собственных значений ковариационной матрицы S (22´22), то мы
обнаружим, что объясняемая дисперсия равномерно разложилась на большое число
главных компонент, каждая из которых связана через нагрузки только с 1-2 видами:
λ1
Собственные
значения:
1.515
Отношение R2 : 0.105
λ4
1.182
0.325
Если же не выполнять предварительного z-преобразования матрицы X, то мы
оказываемся в затруднении противоположного свойства: все статистически значимые
нагрузки pi связаны в основном с первой главной компонентой:
λ1
Собственные
62.6
значения:
% дисперсии :
0.597
Отношение R2 : 0.597
λ4
18.44
0.051
0.809
На рис. 6.3 легко увидеть, что только для λ1 доля объясненной дисперсии
превышает случайное значение, рассчитанное по модели "разбиваемой палочки", тогда
как критерий Кайзера-Гуттмана, не привычный к столь экстремальным ситуациям,
оптимистично советует увеличить число осей главных компонент вплоть до 4.
λ7
13.25
0.026
0.909
λ6
15.08
0.034
0.883
λ5
16.07
0.039
0.848
λ3
20.18
0.062
0.757
λ2
25.30
0.097
0.695
λ8
12.35
0.023
0.933
λ3
1.286
0.261
λ5
1.110
0.381
λ6
1.100
0.436
λ7
1.060
0.488
λ2
1.325
0.185
λ8
1.041
0.537
11 Проф. В.Н. Максимов обратил внимание, что устоявшийся перевод
broken stick как
«разломанный стержень» не вполне точен, поскольку не отражает случайный характер процесса.
Более содержательна метафора «стеклянной палочки, которая разбивается, упав на пол».
202
Рис. 6.3. Оценка числа нетривиальых главных компонент различными методами
Непосредственно для целей ординации оценка числа информационно значимых
главных компонент имеет вспомогательное значение, поскольку ключевым подходом
является проецирование точек данных на плоскость, координатные оси которой PC1–PC2
рассчитываются как линейные комбинации факторных нагрузок, основанных на первых
двух собственных значениях и их собственных векторах. На совместной ординационной