Le noeud ACP/Analyse factorielle propose des techniques de factorisation puissantes qui vous permettent de réduire la complexité de vos données. L'analyse en composantes principales (ACP) recherche les combinaisons linéaires des champs d'entrée qui permettent de capturer au mieux la variance dans l'ensemble de champs, où les composantes sont orthogonales (perpendiculaires) les unes par rapport aux autres. L'analyse factorielle a pour but d'identifier les facteurs sous-jacents qui expliquent la tendance des corrélations dans un ensemble de champs observés. Quelle que soit l'approche choisie, le but consiste à trouver un nombre limité de champs dérivés récapitulant les informations contenues dans l'ensemble de champs d'origine.
Exemple
node = stream.create("factor", "My node")
# "Fields" tab
node.setPropertyValue("custom_fields", True)
node.setPropertyValue("inputs", ["BP", "Na", "K"])
node.setPropertyValue("partition", "Test")
# "Model" tab
node.setPropertyValue("use_model_name", True)
node.setPropertyValue("model_name", "Factor_Age")
node.setPropertyValue("use_partitioned_data", False)
node.setPropertyValue("method", "GLS")
# Expert options
node.setPropertyValue("mode", "Expert")
node.setPropertyValue("complete_records", True)
node.setPropertyValue("matrix", "Covariance")
node.setPropertyValue("max_iterations", 30)
node.setPropertyValue("extract_factors", "ByFactors")
node.setPropertyValue("min_eigenvalue", 3.0)
node.setPropertyValue("max_factor", 7)
node.setPropertyValue("sort_values", True)
node.setPropertyValue("hide_values", True)
node.setPropertyValue("hide_below", 0.7)
# "Rotation" section
node.setPropertyValue("rotation", "DirectOblimin")
node.setPropertyValue("delta", 0.3)
node.setPropertyValue("kappa", 7.0)
Propriétés factornode |
Valeurs | Description de la propriété |
---|---|---|
inputs |
[field1 ... fieldN] | Les modèles APC/Facteur utilisent une liste de champs d'entrée, mais pas de cible. Les champs de pondération et de fréquence ne sont pas utilisés. Pour plus d'informations, voir Propriétés communes des noeuds de modélisation . |
method |
PC ULS GLS ML PAF Alpha Image |
|
mode |
Simple Expert |
|
max_iterations |
number | |
complete_records |
option | |
matrix |
Correlation Covariance |
|
extract_factors |
ByEigenvalues ByFactors |
|
min_eigenvalue |
number | |
max_factor |
number | |
rotation |
None Varimax DirectOblimin Equamax Quartimax Promax |
|
delta |
number | Si vous sélectionnez DirectOblimin comme type de données de rotation, vous pouvez spécifier une valeur pour delta . Si vous ne spécifiez pas de valeur, la valeur par défaut de delta est utilisée. |
kappa |
number | Si vous sélectionnez Promax comme type de données de rotation, vous pouvez spécifier une valeur pour kappa . Si vous ne spécifiez pas de valeur, la valeur par défaut de kappa est utilisée. |
sort_values |
option | |
hide_values |
option | |
hide_below |
number |