Zusammenfassung
Der HJ‑Biplot ist eine Technik der multivariaten Analyse, die es ermöglicht, sowohl Individuen als auch Variablen in einem Raum reduzierter Dimensionen darzustellen. Um diesen Ansatz an umfangreiche Datensätze anzupassen, ist es notwendig, neue Verfahren einzusetzen, die in der Lage sind, die Dimensionalität der Daten zu reduzieren und die Interpretation zu verbessern. Daher schlagen wir einen modernen Ansatz zur Gewinnung des HJ‑Biplots vor, den wir als Elastic‑Net‑HJ‑Biplot bezeichnen und der die Elastic‑Net‑Strafterm‑Methode anwendet, um die Interpretierbarkeit der Ergebnisse zu erhöhen. Es handelt sich um einen neuartigen Algorithmus, da er den ersten Versuch innerhalb der Biplot‑Familie darstellt, Regularisierungsmethoden einzusetzen, um modifizierte Ladungen zu erhalten und die Ergebnisse zu optimieren. Als Ergänzung zu dem vorgeschlagenen Verfahren und zur praktischen Unterstützung wurde ein Paket in der Programmiersprache R entwickelt, das den Namen SparseBiplots trägt. Dieses Paket schließt eine bestehende Lücke im Kontext des HJ‑Biplots durch den Einsatz penaliserter Techniken, da es neben dem Elastic Net auch Ridge und Lasso zur Berechnung des HJ‑Biplots umfasst. Zur Abrundung der Studie wird ein praktischer Vergleich mit dem Standard‑HJ‑Biplot und dem Disjoint‑Biplot durchgeführt, und es werden einige gemeinsame Ergebnisse dieser Methoden analysiert.
Carlos Alfredo Torres Cubilla
Data Scientist
Meine Interessen liegen in den Bereichen Programmierung, Statistik und Data Science.