ความคิดเห็นที่ 1 1&2 ดูค่าใน eigenvector ที่ได้ดู มันเป็น feature weighting 3 เค้าเอามาลดมิติ... จากคุณ : MuruMo เขียนเมื่อ : 23 มิ.ย. 54 22:51:41

ความคิดเห็นที่ 2 อย่างที่ #1 บอกครับ PCA มีไว้ใช้ลดมิติ ดังนั้น PCA ไม่ได้มีไว้หมุนแกน หรือจับคู่แกนแต่อย่างใด ต้องทำความเข้าใจใหม่นิดนึง อย่างในตัวอย่าง แกนใหม่ที่ได้ตัวที่ 1 คือ "การประกอบกัน" ของแกนเก่าที่ 1 เท่านั้นส่วน แกนเก่าที่ 2 เท่านี้ส่วน (สมการเส้นตรง m*x=y) ถ้าอยากจะมองเปรียบเทียบกับสมการเชิงเส้น ในระดับ 2 มิติ แกนหลักที่ 1 คือเส้นตรงที่ "ประมาณ" ข้อมูลทั้งหมดได้ดีที่สุด เทียบได้กับการพยายามเอาสมการเส้นตรงไปประมาณข้อมูลยังไงยังงั้น ไม่รู้ช่วยให้เข้าใจเพิ่มหรือเปล่า ^^" จากคุณ : outsider_from_within เขียนเมื่อ : 23 มิ.ย. 54 23:00:09

ความคิดเห็นที่ 3 เขามากะว่าเป็น PCA ในสายวิชาโยธา เข้ามาถึง งงเลยอาไรหว่าาาาาา 555 จากคุณ : วัยละอ่อน เขียนเมื่อ : 23 มิ.ย. 54 23:21:16

ความคิดเห็นที่ 4 ขอบคุณคุณ MuruMo และคุณ outsider_from_within มากครับ อย่างนี้แสดงว่าเราควรลดมิติให้เสร็จก่อน ค่อยดูทิศทาง หรืออธิบายข้อมูลใช่มั๊ยครับ ที่ผมมัวแต่มองการหมุนแกน เพราะไม่เข้าใจว่าทำไมแกนใหม่มันต้องตั้งฉากกันเสมอไม่ว่ากี่มิติน่ะครับ ความเ้ป็น orthogonal ผมไปหาอ่านมาจากวิชา Linear Algebra เจอแค่ว่าช่วยให้เราสามรถจินตนาการ และคำนวณได้ง่ายมากขึ้น อ่านในสถิติ เจอว่า เพื่อคงความเป็นอิสระของแต่ละ factor แต่ก็ยังไม่รู้ว่าการตั้งฉากจริงๆ แล้วมันมีเป้าหมายชัดๆ ว่าอะไรอยู่ดี หรือว่าไม่ต้องไม่คิดมากครับ จากคุณ : คนบนทางดอย เขียนเมื่อ : 23 มิ.ย. 54 23:55:41

ความคิดเห็นที่ 5 #4 คำตอบเป็น orthonormal bases จาก objective ของ PCA จากคุณ : MuruMo เขียนเมื่อ : 24 มิ.ย. 54 00:22:13

ความคิดเห็นที่ 6 PCA ถ้าใช้ในการ Clustering เป็นส่วนใหญ่ ถ้าทาง Marketing Research จะใช้ในการแบ่งแยกกลุ่มว่า Column attributes ตัวไหน จับกลุ่มแะรเภทกับ row attributes ตัวไหน www.cs.helsinki.fi/u/skaski/bioinf_semin05/slides_lect05.ppt แต่ถ้าอย่างทำความเข้าเรื่องการหมุนแกน เพื่อลดมิติ ใน SPSS ก็จะเป็น Diminsional reduction --> Factor analysis  ใช้เพื่อลดปัจจัยของตัวแปร อันนี้ไม่รู้เข้าใจวัตถุประสงค์ จขกท ผิดหรือเปล่า ถ้าต้องการดูแนวโน้มข้อมูลจริง ลองใช้ EDA ( Scatter plot) ธรรมดาๆ ถ้าข้อมูลมากพอก็น่าจะดูรูปแบบออก จากนั้นเอาข้อมูลไปทดสอบสมมติฐาน ว่าข้อมูลมีรูปแบบเชิงเส้น หรือไม่ ทีนี่ลองทำให้ดูบ้างนะครับ จากคุณ : PureSnow เขียนเมื่อ : 24 มิ.ย. 54 01:22:38

ความคิดเห็นที่ 7 ผลลัพธ์ จากคุณ : PureSnow เขียนเมื่อ : 24 มิ.ย. 54 01:23:13

ความคิดเห็นที่ 8 เราไม่จำเป็นต้องทราบก็ได้ว่า แกนที่เปลี่ยนไปเป็น X หรือ Y แต่สิ่งที่เราสนใจคือ การเกาะตัวของ attributes การหมุนแกนไม่ได้เป็นการบ่งชี้ความหมายว่า อะไรดีกว่าอะไร แต่เป็นการเอาค่าใน attributes มาคำนวณ eigen table อันนี้คือการเอา PCA มาทำ clustering ปล. ใช้ data set ของ SPSS ชื่อ coffee.sav แก้ไขเมื่อ 24 มิ.ย. 54 01:35:47 จากคุณ : PureSnow เขียนเมื่อ : 24 มิ.ย. 54 01:29:38

ความคิดเห็นที่ 9 Brand CC กับ DD มีความใกล้เคียงกัน   เช่นเดียวกับ BB กับ FF แต่ AA โดดจากเพื่อนออกมาเลย Brand CC กับ DD ได้ควาใหม่ (new) แต่ยังไม่ค่อยได้รับความนิยม (unpopular) เป็นต้น จากคุณ : PureSnow เขียนเมื่อ : 24 มิ.ย. 54 01:46:59

ความคิดเห็นที่ 10 ถึงคุณ outsider ครับ - สมการเส้นตรง m*x=y เป็นตัวเดียวกับ Ax = B ใน Linear Algebra ใช่มั๊ยครับ - จากที่คุณบอกไว้ คือ "แกนหลักที่ 1 คือเส้นตรงที่ "ประมาณ" ข้อมูลทั้งหมดได้ดีที่สุด เทียบได้กับการพยายามเอาสมการเส้นตรงไปประมาณข้อมูลยังไงยังงั้น" แล้วแกนใหม่ที่ 2 คืออะไรครับ จากคุณ : คนบนทางดอย เขียนเมื่อ : 24 มิ.ย. 54 20:30:59

ความคิดเห็นที่ 11 ถึงคุณ PureSnow ครับ - ขอบคุณมากเลยครับสำหรับคำตอบ ช่วยได้เยอะเลยครับ - จำเป็นมั๊ยครับที่เราต้องลดให้เหลือ 2 มิติเสมอ 3 มิติได้มั๊ยครับ ผมไม่แน่ใจว่าเค้าทำกันบ้างมั๊ย ไม่เคยเห็นตัวอย่างที่ 3 มิติเลยครับ - กราฟความเห็นที่ 7 พล็อตใน SPSS ใช่มั๊ยครับ version ไหนครับ จากคุณ : คนบนทางดอย เขียนเมื่อ : 24 มิ.ย. 54 20:31:15

ความคิดเห็นที่ 12 ขอเข้ามาแสดงความเห็นนิดหนึ่ง ในงานที่ผมทำหลายครั้งที่ต้องใช้ 3PC ในการอธิบายนะครับ เพราะมันอธิบายได้ดีกว่า 2PC แต่พบไม่มาก การทำ PCA ใน SPSS ผมไม่ค่อยถนัดเท่าไหร่ ปกติแล้วผมทำใน XLSTAT มากกว่า เพราะว่าใน XLSTAT มันให้กราฟ biplot และทำ กราฟ 3 มิติได้ด้วยถ้าเราใช้ 3 แกน ส่วนเรื่องการหมุนแกน ปกติแล้วเราหมุนเพราะว่าหลังจากทำ PCA แล้วแกนปกติมันดู แล้วตีความหมายยากนะครับ (อันนี้ในงานที่ผมทำนะ) การหมุนแกนเหมือนเราเปลี่ยนมุมมอง biplot แบบว่าไปมองมุมอื่น บ้าง เผื่อจะอธิบายพฤติกรรมของข้อมูลได้ง่ายกว่า ไม่รู้จะช่วยอะไรคุณ จขกท ได้หรือเปล่านะ แต่ PCA ไม่ได้เอาไว้ใช้หมุน- แกน แต่เราหมุนแกนหลังจากทำ PCA แล้วเพื่อหามุมมองที่ทำให้เราอธิบายข้อมูลได้ง่ายมากขึ้นในกรณีที่แกนปกติมัน อธิบายยาก จากคุณ : tomorrow night เขียนเมื่อ : 24 มิ.ย. 54 22:33:04

ความคิดเห็นที่ 13 ขึนอยู่กับ ลักษณะในการ present ข้อมูลของเราคับ จะ 2 มิติ หรือ 3 มิติ แน่นอน การวิเคราะห์ข้อมูล PCA ในมุมมองของ 2 มิติ เราอาจจะเห็นว่า Brand CC กับ DD มีความใกล้เคียงกัน  แต่พอทำมุมมอง 3 มิติ อาจจะอยู่กันคนละ quadrant ซึ่งในการขึ้นอยู่กับปัจจัยที่นำมาวิเคราะห์ ในบางงานการใช้ถึง 3 มิติ อาจจะจำเป็น แต่ทาง marketing ใช้ 2 มิติ ก็อาจจะเพียงพอแล้ว เพียงใช้ในการหา brand positioning แต่บางกรณีก็ใช้เป็น Multi-diminsional เสนอออกมาในมุมมอง 2 มิติ แต่เอา แกนปัจจัยที่ 3 ซ้อนเข้าไปอีก เช่น กลุ่มอายุลูกค้า เกาะกลุ่มยี่ห้อไหน สามารถใช้ได้ ตั้งแต่ SPSS ver13.0 คับ Correspondence Analysis ตัว XLSTAT ก็ใช้ดีคับ  โดยส่วนตัว ผมชอบใช้ตัวนี้คับ เหมาะกับ excel 2000-2003 http://www.jstatsoft.org/v07/i05 จากคุณ : PureSnow เขียนเมื่อ : 25 มิ.ย. 54 01:42:42