mv_pca — MULTIVAR `analysis` op

• 데이터 종류: matrix → table

• 호출: import fullseye as fs; fs.ledger.mv_pca(X=None, standardize=True, n_components=None, threshold=0.9, n_parallel=200, parallel_stat='mean', seed=0) -> 'dict'(구현을 직접 호출하려면 import multivar; multivar.mv_pca(X=None, standardize=True, n_components=None, threshold=0.9, n_parallel=200, parallel_stat='mean', seed=0) -> 'dict', 원장에서 가져오려면 opsmultivar.get("mv_pca"))

사용법

표(표본 x 변수)의 주성분과, 데이터가 뒷받침하는 성분의 수.

> 아래 상세 설명은 원문입니다 —— 요약과 제목은 번역되어 있습니다.

PCA is the SVD of the centred (by default also unit-variance) matrix Xc = U S V^T: scores U S, loadings V, eigenvalues S^2/(n-1) (the covariance or correlation eigenvalues — the tests check this identity).

The number of components is reported three ways, because each fails differently:

• cumulative — the smallest count reaching threshold of the variance (a convention, not a test: with many noisy columns it keeps noise);

• parallel — Horn's parallel analysis (Horn 1965): keep component i while its eigenvalue exceeds the parallel_stat ("mean" as in Horn, or "p95") of the i-th eigenvalue of n_parallel normal random tables of the same shape treated the same way;

• mdl — the MDL criterion of Wax & Kailath 1985 (mathspectral.n_sources_mdl, reused) on the centred data; it assumes white noise of equal variance in every column, which standardising breaks, so it is computed only with standardize=False (homogeneous columns: pixels, features in one unit) and is None otherwise.

n_components fixes how many scores/loadings to return (default: the parallel count, at least 1). Accepts a matrix or a feat_image_vector table.

자세한 사용 가이드

• design_of_experiments 패밀리 가이드

참고(샘플 데이터·문헌)

• 샘플 데이터 카탈로그(DL URL / 라이선스) —— 2-D 는 skimage.data(BSD/public)+ 합성, 3-D 는 실데이터 소스(Stanford/PDS 등)의 DL URL.

• 연산자의 내력·참고문헌 —— 이 연산자 족의 바탕이 된 연구/기법의 출처.

• 알고리즘의 정전(저자·연도)과 용도는 위의 패밀리 사용 가이드에 적혀 있습니다.

실행 가능한 예제(이 연산자를 실제로 호출하는 검증된 샘플)

• multivar_inspection_tour — py -3.11 examples/multivar_inspection_tour.py

• poc_simcal_thin_film — py -3.11 examples/poc_simcal_thin_film.py

타입이 이어지는 다음 연산자(`table` 를 입력으로 받는 것)

—

같은 카테고리(`analysis`)

mv_pls · rsm_fit · doe_main_effects

*Provenance: multivar.py — MULTIVAR 연산자 레지스트리. 이 op 노트는 tools/opdocs.py md 가 자동 생성합니다(직접 편집하지 마세요).*

mv_pca — MULTIVAR analysis op

사용법