Der einfachste Weg, eine mehrdimensionale Skalierung in R durchzuf\u00fchren, ist die Verwendung der integrierten Funktion cmdscale()<\/strong> , die die folgende grundlegende Syntax verwendet:<\/span><\/p>\n cmdscale(d, eig = FALSE, k = 2, \u2026)<\/span><\/strong><\/p>\n Gold:<\/span><\/p>\n Das folgende Beispiel zeigt, wie Sie diese Funktion in der Praxis nutzen k\u00f6nnen.<\/span><\/p>\n Angenommen, wir haben den folgenden Datenrahmen in R, der Informationen \u00fcber verschiedene Basketballspieler enth\u00e4lt:<\/span><\/p>\n Mit dem folgenden Code k\u00f6nnen wir eine mehrdimensionale Skalierung mit der Funktion cmdscale()<\/strong> durchf\u00fchren und die Ergebnisse im 2D-Raum visualisieren:<\/span><\/span> <\/p>\n Spieler im urspr\u00fcnglichen Datenrahmen, die \u00e4hnliche Werte in den urspr\u00fcnglichen vier Spalten (Punkte, Assists, Blocks und Rebounds) haben, liegen im Diagramm nahe beieinander.<\/span><\/p>\n Beispielsweise stehen Spieler A<\/strong> und C<\/strong> nahe beieinander. Hier sind ihre Werte aus dem urspr\u00fcnglichen Datenrahmen:<\/span><\/p>\n Ihre Werte f\u00fcr Punkte, Assists, Blocks und Rebounds sind alle ziemlich \u00e4hnlich, was erkl\u00e4rt, warum sie im 2D-Plot so nahe beieinander liegen.<\/span><\/p>\n Betrachten Sie im Gegensatz dazu die Spieler B<\/strong> und K<\/strong> , die in der Handlung weit voneinander entfernt sind.<\/span><\/p>\n Wenn wir uns auf ihre Werte in den Originaldaten beziehen, k\u00f6nnen wir sehen, dass sie ziemlich unterschiedlich sind:<\/span><\/p>\n Das 2D-Diagramm ist also eine gute M\u00f6glichkeit, zu visualisieren, wie \u00e4hnlich sich die einzelnen Spieler \u00fcber alle Variablen im Datenrahmen hinweg sind.<\/span><\/p>\n Spieler mit \u00e4hnlichen Statistiken werden eng beieinander gruppiert, w\u00e4hrend Spieler mit sehr unterschiedlichen Statistiken in der Handlung weiter voneinander entfernt sind.<\/span><\/p>\n Beachten Sie, dass Sie auch die genauen Koordinaten (x, y) jedes Spielers im Plot extrahieren k\u00f6nnen, indem Sie fit<\/strong> eingeben. Dabei handelt es sich um den Namen der Variablen, in der wir die Ergebnisse der Funktion cmdscale()<\/strong> gespeichert haben:<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie Sie andere h\u00e4ufige Aufgaben in R ausf\u00fchren:<\/span><\/p>\n So normalisieren Sie Daten in R<\/a> In der Statistik ist die mehrdimensionale Skalierung eine M\u00f6glichkeit, die \u00c4hnlichkeit von Beobachtungen in einem Datensatz in einem abstrakten kartesischen Raum (normalerweise 2D-Raum) zu visualisieren. Der einfachste Weg, eine mehrdimensionale Skalierung in R durchzuf\u00fchren, ist die Verwendung der integrierten Funktion cmdscale() , die die folgende grundlegende Syntax verwendet: cmdscale(d, eig = FALSE, k = 2, […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
Beispiel: Mehrdimensionale Skalierung in R<\/strong><\/span><\/h2>\n
#create data frame\n<\/span>df <- data. frame<\/span> (points=c(4, 4, 6, 7, 8, 14, 16, 19, 25, 25, 28),\n assists=c(3, 2, 2, 5, 4, 8, 7, 6, 8, 10, 11),\n blocks=c(7, 3, 6, 7, 5, 8, 8, 4, 2, 2, 1),\n rebounds=c(4, 5, 5, 6, 5, 8, 10, 4, 3, 2, 2))\n\n#add row names\n<\/span>row. names<\/span> (df) <- LETTERS[1:11]\n\n#view data frame\n<\/span>df\n\n points assists blocks rebounds\nA 4 3 7 4\nB 4 2 3 5\nC 6 2 6 5\nD 7 5 7 6\nE 8 4 5 5\nF 14 8 8 8\nG 16 7 8 10\nH 19 6 4 4\nI 25 8 2 3\nD 25 10 2 2\nK 28 11 1 2<\/strong><\/pre>\n #calculate distance matrix\n<\/span>d <- dist(df)\n\n#perform multidimensional scaling\n<\/span>fit <- cmdscale(d, eig= TRUE<\/span> , k= 2<\/span> )\n\n#extract (x, y) coordinates of multidimensional scaling\n<\/span>x <- fit$points[,1]\ny <- fit$points[,2]\n\n#create scatterplot\n<\/span>plot(x, y, xlab=\" Coordinate 1<\/span> \", ylab=\" Coordinate 2<\/span> \",\n main=\" Multidimensional Scaling Results<\/span> \", type=\" n<\/span> \")\n\n#add row names of data frame as labels\n<\/span>text(x, y, labels=row. names<\/span> (df))\n<\/span><\/span><\/strong><\/pre>\n![\"mehrdimensionale](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/mds1.jpg\")
<\/p>\n #view data frame values for players A and C<\/span>\ndf[rownames(df) %in%<\/span> c(' A<\/span> ', ' C<\/span> '), ]\n\n points assists blocks rebounds\nA 4 3 7 4\nC 6 2 6 5<\/strong><\/pre>\n #view data frame values for players B and K<\/span>\ndf[rownames(df) %in%<\/span> c(' B<\/span> ', ' K<\/span> '), ]\n\n points assists blocks rebounds\nB 4 2 3 5\nK 28 11 1 2<\/strong><\/pre>\n #view (x, y) coordinates of points in the plot<\/span>\nfit\n\n [,1] [,2]\nA -10.6617577 -1.2511291\nB -10.3858237 -3.3450473\nC -9.0330408 -1.1968116\nD -7.4905743 1.0578445\nE -6.4021114 -1.0743669\nF -0.4618426 4.7392534\nG 0.8850934 6.1460850\nH 4.7352436 -0.6004609\nI 11.3793381 -1.3563398\nJ 12.0844168 -1.5494108\nK 15.3510585 -1.5696166\n<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
Anleitung zum Rechenzentrum in R<\/a>
So entfernen Sie Ausrei\u00dfer in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"