Úvod do vícerozměrných metod I.

u      Vícerozměrné metody: Název vícerozměrné vychází z typu vstupních dat, tato data jsou tvořena
jednotlivými objekty (i.e. klienti) a každý z nich je charakterizován svými parametry (věk, příjem
atd.) a každý z těchto parametrů můžeme považovat za jeden rozměr objektu.

u      Maticová algebra: Základem práce s daty a výpočtů vícerozměrných metod je maticová algebra,
matice tvoří jak vstupní, tak výstupní data a probíhají na nich výpočty.

u      NxP matice: N objektů s p parametry pak vytváří tzv. NxP matici, která je prvním typem vstupu
dat do vícerozměrných analýz.

u      Asociační matice: Na základě těchto matic jsou počítány matice asociační na nichž pak
probíhají další výpočty, jde o čtvercové matice obsahující informace o podobnosti nebo rozdílnosti
(tzv. metriky) buď objektů (Q mode analýza) nebo parametrů (R mode analýza).Měřítko podobnosti se
liší podle použité metody a typu dat, některé metody umožňují použití uživatelských metrik.

                                Vstupní matice vícerozměrných analýz

                                  Úvod do vícerozměrných metod II.

u     vytváření shluků objektů na základě jejich podobnosti

u     identifikace typů objektů

u     zjednodušení vícerozměrného problému do menšího počtu rozměrů

u     principem je tvorba nových rozměrů, které lépe vyčerpávají variabilitu dat





















                          Joining (Tree Clustering) – shlukovací algoritmy







                            Joining (Tree Clustering) – asociační matice

                                Shluková analýza K-means clustering

                                   K-means clustering - výsledky

                               K-means clustering – tabulky výsledků

                               K-means clustering – průměry parametrů



                           Principal component analysis – výsledky quick









                        Principal component analysis – výsledky II parametry



                        Principal component analysis – výsledky III objekty



                         Principal component analysis – popisná statistika



                              Correspondence analysis – výsledky Quick





                                Correspondence analysis - nastavení

                            Correspondence analysis – výsledky Advanced





                                 Correspondence analysis – přehledy









                                  Canonical analysis – výsledky II



                              Discriminant analysis – definice modelu

                                  Discriminant analysis – výsledky

                              Discriminant analysis – výsledky tabulky

                            Discriminant analysis – výsledky klasifikace

                            Discriminant analysis – výsledky klasifikace



                                Faktorová analýza - extrakce faktorů

                                    Faktorová analýza - výsledky

                                  Faktorová analýza – výsledky II

                                  Faktorová analýza – výsledky III

                                  Faktorová analýza – výsledky IV



                                 Multidimensional Scaling - výpočet

                             Multidimensional Scaling – výsledky Quick

                            Multidimensional Scaling – výsledky tabulky

                            Multidimensional Scaling – výsledky Advanced