در این مطلب، ویدئو تجزیه و تحلیل مؤلفه های اصلی با استفاده از SPSS با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید. اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:26:45
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
03 =>03
2
03 =>08
سلام شرکت کنندگان عزیز به
3
08 =>12
کارگاه آنلاین 5 روزه خوش آمدید، بنابراین در این ویدیو
4
12 =>15
قصد دارم در مورد
5
15 =>18
تجزیه و تحلیل مؤلفه های اصلی صحبت کنم و
6
18 =>20
از یک
7
20 =>24
مثال برای حل این
8
24 =>26
اصل برای حل این مؤلفه های اصلی
9
26 =>28
و
10
28 =>32
استفاده از نرم افزار spss استفاده می کنیم. خب من استادیار آمارش هستم
11
32 =>36
12
36 =>38
تجزیه و تحلیل مؤلفه اصلی یک
13
38 =>40
روش آماری است که از یک
14
40 =>42
تبدیل متعامد برای تبدیل مجموعه ای از
15
42 =>44
متغیرهای متغیرهای احتمالاً همبسته
16
44 =>46
به
17
46 =>49
مجموعه ای از متغیرهای خطی غیر همبسته استفاده می
18
49 =>50
کند، بنابراین این
19
50 =>53
متغیرهای خطی غیر همبسته، مؤلفه های
20
53 =>54
اصلی نامیده می شوند،
21
54 =>58
بنابراین در
22
58 =>01:00
مجموعه داده های اصلی، متغیرهای همبسته داریم. بنابراین
23
01:00 =>01:02
این
24
01:02 =>01:05
متغیرهای همبسته
25
01:05 =>01:05
به
26
01:05 =>01:08
مجموعه جدیدی از متغیرهای خطی ناهمبسته منتقل می
27
01:08 =>01:10
شوند، بنابراین این
28
01:10 =>01:12
متغیرهای خطی و همبسته
29
01:12 =>01:14
اجزای اصلی هستند، بنابراین
30
01:14 =>01:16
متغیرهای جدید ترکیبی خطی
31
01:16 =>01:18
از
32
01:18 =>01:20
متغیرهای اصلی اولیه هستند و به
33
01:20 =>01:22
34
01:22 =>01:24
ترتیب اهمیت به ترتیب نزولی مشتق می شوند به طوری که اصل اول
35
01:24 =>01:25
کامپوننت al
36
01:25 =>01:28
بیشترین تغییرپذیری
37
01:28 =>01:31
را در داده های اصلی به خود اختصاص می دهد، بنابراین در ادامه
38
01:31 =>01:35
ویژگی های اصلی pca است، بنابراین رایانه یک
39
01:35 =>01:36
روش کاهش متغیر یا روش کاهش داده
40
01:36 =>01:38
است یا می تواند
41
01:38 =>01:39
به عنوان
42
01:39 =>01:42
روش کاهش ابعاد داده نیز نامیده شود، بنابراین
43
01:42 =>01:43
در اینجا
44
01:43 =>01:45
ما مقدار را کاهش می دهیم. تعداد متغیرها
45
01:45 =>01:46
به چند
46
01:46 =>01:49
عامل UH خوب است، بنابراین چند مؤلفه اصلی
47
01:49 =>01:51
48
01:51 =>01:54
و بنابراین زمانی که
49
01:54 =>01:56
متغیرها همبستگی بالایی دارند استفاده می شود، به این معنی است که وقتی
50
01:56 =>01:59
ما در حال مطالعه متغیرها هستیم یا
51
01:59 =>02:01
در حال مطالعه است
52
02:01 =>02:04
باید یک همبستگی داشته باشد بنابراین
53
02:04 =>02:04
54
02:04 =>02:06
این متغیر باید مقداری
55
02:06 =>02:09
همبستگی داشته باشد. در بین خود،
56
02:09 =>02:12
پس از آن، دوره
57
02:12 =>02:13
58
02:13 =>02:16
PC به تجزیه و تحلیل دقیق منجر می شود، بسیار خوب، بنابراین
59
02:16 =>02:17
60
02:17 =>02:20
چند مؤلفه اصلی بعدی
61
02:20 =>02:22
بیشتر تغییر در
62
02:22 =>02:23
داده های اصلی
63
02:23 =>02:27
را به خود اختصاص می دهند، به این معنی که