R语言 aroma.light包 iwpca.matrix()函数中文帮助文档(中英文对照)

loveR

iwpca.matrix(aroma.light)
iwpca.matrix()所属R语言包：aroma.light

                                        Fits an R-dimensional hyperplane using iterative re-weighted PCA
                                         适合一个R-维超平面，使用迭代重加权主成分分析

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

Fits an R-dimensional hyperplane using iterative re-weighted PCA.
适合使用迭代重加权PCA的一个R-维超平面。


用法----------Usage----------





参数----------Arguments----------

参数：X
N-times-K matrix where N is the number of observations and K is the number of dimensions.
N次 -  Kmatrix其中N是一些意见和K的维数。


参数：w
An N vector of weights for each row (observation) in the data matrix. If NULL, all observations get the same weight.
一个Nvector数据矩阵中的每一行（观察）的重量。如果NULL，所有的意见得到了相同的重量。


参数：R
Number of principal components to fit. By default a line is fitted.
数量的主要组成部分，以适应。默认情况下安装线。


参数：method
If "symmetric" (or "bisquare"), Tukey's biweight is used. If "tricube", the tricube weight is used. If "L1", the model is fitted in L_1. If a function, it is used to calculate weights for next iteration based on the current iteration's residuals.
如果"symmetric"（或"bisquare"），Tukey的biweight正在使用。如果"tricube"中，tricube重量使用。如果"L1"，模型安装在L_1。如果function，它被用来计算下一次迭代的权重，根据当前迭代的残差。


参数：maxIter
Maximum number of iterations.
最大迭代次数。


参数：acc
The (Euclidean) distance between two subsequent parameters fit for which the algorithm is considered to have converged.
随后的两个参数之间的（欧几里德）距离为适应算法被认为有融合。


参数：reps
Small value to be added to the residuals before the the weights are calculated based on their inverse. This is to avoid infinite weights.
小值被添加到前的重量计算其反残差。这是为了避免无限的重量。


参数：fit0
A list containing elements vt and pc specifying an initial fit. If NULL, the initial guess will be equal to the (weighted) PCA fit.
一个list包含的元素vt和pc指定一个初始的契合。如果NULL，初始猜测将等于（加权）PCA的契合。


参数：...
Additional arguments accepted by *wpca().
*wpca()接受额外的参数。


Details

详情----------Details----------

This method uses weighted principal component analysis (WPCA) to fit a R-dimensional hyperplane through the data with initial internal weights all equal. At each iteration the internal weights are recalculated based on the "residuals". If method=="L1", the internal weights are 1 / sum(abs(r) + reps). This is the same as method=function(r) 1/sum(abs(r)+reps). The "residuals" are orthogonal Euclidean distance of the principal components R,R+1,...,K. In each iteration before doing WPCA, the internal weighted are multiplied by the weights given by argument w, if specified.
这种方法采用加权主成分分析（WPCA）适合通过一个R-维超平面的数据与最初的人人平等的内部砝码。在每一次迭代的内部重新计算权重的基础上的“残差”。如果method=="L1"，内部重量的1 / SUM（ABS（R）+销售代表）。这是相同的method=function(r) 1/sum(abs(r)+reps)。 “残差”是正交的主要组成部分欧几里德距离R，R +1，...，K。在每次迭代之前做WPCA，内部参数给出的权重乘以加权w，如果指定。


值----------Value----------

Returns the fit (a list) from the last call to *wpca() with the additional elements nbrOfIterations and converged.
返回从最后一次通话的额外元素list和*wpca()nbrOfIterations（converged）适合。


作者（S）----------Author(s)----------


Henrik Bengtsson (<a href="http://www.braju.com/R/">http://www.braju.com/R/</a>)



参见----------See Also----------

Internally *wpca() is used for calculating the weighted PCA.
国内*wpca()用于计算加权PCA。


举例----------Examples----------


for (zzz in 0) {

# This example requires plot3d() in R.basic [http://www.braju.com/R/][这个例子需要plot3d（）R.basic [http://www.braju.com/R/]]
if (!require(R.basic)) break

# Simulate data from the model y &lt;- a + bx + eps(bx)[从模型模拟数据Y < -  A + BX + EPS（BX）]
x <- rexp(1000)
a <- c(2,15,3)
b <- c(2,3,4)
bx <- outer(b,x)
eps <- apply(bx, MARGIN=2, FUN=function(x) rnorm(length(x), mean=0, sd=0.1*x))
y <- a + bx + eps
y <- t(y)

# Add some outliers by permuting the dimensions for 1/10 of the observations[加入一些离群置换尺寸为1/10的意见]
idx <- sample(1:nrow(y), size=1/10*nrow(y))
y[idx,] <- y[idx,c(2,3,1)]

# Plot the data with fitted lines at four different view points[绘制在四个不同的观点与数据拟合线]
opar <- par(mar=c(1,1,1,1)+0.1)
N <- 4
layout(matrix(1:N, nrow=2, byrow=TRUE))
theta <- seq(0,270,length=N)
phi <- rep(20, length.out=N)
xlim <- ylim <- zlim <- c(0,45);
persp <- list();
for (kk in seq(theta)) {
  # Plot the data[绘制数据]
  persp[[kk]] <- plot3d(y, theta=theta[kk], phi=phi[kk], xlim=xlim, ylim=ylim, zlim=zlim)
}

# Weights on the observations[重量上的意见]
# Example a: Equal weights[例如：平等权]
w <- NULL
# Example b: More weight on the outliers (uncomment to test)[例如B：离群的重量（去掉测试）]
w <- rep(1, length(x)); w[idx] <- 0.8

# ...and show all iterations too with different colors.[...显示所有迭代用不同的颜色。]
maxIter <- c(seq(1,20,length=10),Inf)
col <- topo.colors(length(maxIter))
# Show the fitted value for every iteration[显示每次迭代的拟合值]
for (ii in seq(along=maxIter)) {
  # Fit a line using IWPCA through data[适合通过数据线使用IWPCA]
  fit <- iwpca(y, w=w, maxIter=maxIter[ii], swapDirections=TRUE)

  ymid <- fit$xMean
  d0 <- apply(y, MARGIN=2, FUN=min) - ymid
  d1 <- apply(y, MARGIN=2, FUN=max) - ymid
  b <- fit$vt[1,]
  y0 <- -b * max(abs(d0))
  y1 <-  b * max(abs(d1))
  yline <- matrix(c(y0,y1), nrow=length(b), ncol=2)
  yline <- yline + ymid

  for (kk in seq(theta)) {
    # Set pane to draw in[设置窗格提请]
    par(mfg=c((kk-1) %/% 2, (kk-1) %% 2) + 1);
    # Set the viewpoint of the pane[设置窗格的观点]
    options(persp.matrix=persp[[kk]]);

    # Get the first principal component[得到的第一主成分]
    points3d(t(ymid), col=col[ii])
    lines3d(t(yline), col=col[ii])

    # Highlight the last one[突出的最后一]
    if (ii == length(maxIter))
      lines3d(t(yline), col="red", lwd=3)
  }
}

par(opar)

} # for (zzz in 0)[（0 ZZZ）]
rm(zzz)

转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。


注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。