タグ付けされた質問 「spectral-analysis」

50サンプルのデータセットがあります。各サンプルは、11個の（相関している可能性がある）ブール機能で構成されています。これらのサンプルを2Dプロットで視覚化し、50個のサンプルの間にクラスター/グループがあるかどうかを調べたいと思います。 私は次の2つの方法を試しました。 （a）50x11マトリックスでPCAを実行し、最初の2つの主成分を選択します。データを2Dプロットに投影し、簡単なK平均法を実行してクラスターを特定します。 （b）50x50（コサイン）類似性行列を作成します。次元削減のためにスペクトルクラスタリングを実行し、その後再びK-meansを実行します。 直接PCAを実行することと、類似度行列の固有値を使用することの概念的な違いは何ですか？一方が他方よりも優れていますか？ また、そのようなデータを2Dで視覚化するより良い方法はありますか？私のサンプルサイズは常に50に制限されており、機能セットは常に10から15の範囲にあるため、複数のアプローチをその場で試し、最適なアプローチを選択します。 関連質問： クラスタリングまたはPCAによるサンプルのグループ化

10 clustering  data-visualization  pca  k-means  spectral-analysis 

これは少し理論的な質問です。私は時系列分析も初めてで、早く学習しようとしています。私の用語の一部がオフになっている場合は申し訳ありません。 時系列を時間領域と周波数領域のアプローチに分析およびモデル化する方法を大まかに分類できます。時間領域では、ARIMAのようなモデルは最近の測定に基づいて予測します。将来のある時間Xの予測は、それに近づくにつれて良くなります（1ステップの予測が最良です）。 最近の測定値を線形結合する代わりに、信号を正弦波と余弦波の和に分解できます。これは、信号に周期的/季節的成分が強い場合に特に適しています。しかし、これの予測は一定の期間の無限に繰り返されるシグナルではないでしょうか？そのため、単に分解をやり直さない限り、新しい情報が入力されても将来の値Xの予測は変化しません。 正確な質問をいくつか説明させてください。 1）スペクトル分解はモデリング/予測に役立ちますか、それとも通常分析目的でのみ使用されますか？ 2）スペクトル分解の予測は常にいくつかの繰り返される定期的なシリーズですか？ 3）季節的ARIMAを使用すると、スペクトルモデルの残差のARIMAモデルを使用した場合でも、（予測の観点から）スペクトル分解よりもパフォーマンスが向上する可能性がありますか？（季節的/周期的な傾向が強いデータを想定） 4）時系列のスペクトル分解をオンラインまたは反復的に更新する方法はありますか？ これらすべてに詳細に答える必要はありません。彼らがあなたが私が探しているものについてのアイデアを与えると思います。関連性があると思われる方法またはモデルを知っている場合、名前は私が調査するのに十分な見込みです。同様に、周波数分解がモデリングと予測の点で行き止まりである場合、それは知っておくべきです。 助けてくれてありがとう！

7 time-series  arima  spectral-analysis