Il modo pi\u00f9 semplice per eseguire il ridimensionamento multidimensionale in R \u00e8 utilizzare la funzione cmdscale()<\/strong> incorporata, che utilizza la seguente sintassi di base:<\/span><\/p>\n cmdscale(d, eig = FALSO, k = 2, \u2026)<\/span><\/strong><\/p>\n Oro:<\/span><\/p>\n L’esempio seguente mostra come utilizzare questa funzione nella pratica.<\/span><\/p>\n Supponiamo di avere il seguente frame di dati in R che contiene informazioni su vari giocatori di basket:<\/span><\/p>\n Possiamo utilizzare il seguente codice per eseguire il ridimensionamento multidimensionale con la funzione cmdscale()<\/strong> e visualizzare i risultati nello spazio 2D:<\/span><\/span> <\/p>\n I giocatori nel frame di dati originale che hanno valori simili nelle quattro colonne originali (punti, assist, stoppate e rimbalzi) sono vicini tra loro nella trama.<\/span><\/p>\n Ad esempio, i giocatori A<\/strong> e C<\/strong> sono vicini l’uno all’altro. Ecco i loro valori dal frame di dati originale:<\/span><\/p>\n I loro valori per punti, assist, stoppate e rimbalzi sono tutti abbastanza simili, il che spiega perch\u00e9 sono cos\u00ec vicini tra loro nella trama 2D.<\/span><\/p>\n Al contrario, consideriamo i giocatori B<\/strong> e K<\/strong> che sono distanti nella trama.<\/span><\/p>\n Se facciamo riferimento ai loro valori nei dati originali, possiamo vedere che sono abbastanza diversi:<\/span><\/p>\n Quindi la trama 2D \u00e8 un buon modo per visualizzare quanto ciascun giocatore sia simile in tutte le variabili nel frame di dati.<\/span><\/p>\n I giocatori con statistiche simili sono raggruppati vicini mentre i giocatori con statistiche molto diverse sono pi\u00f9 distanti tra loro nella trama.<\/span><\/p>\n Tieni presente che puoi anche estrarre le coordinate esatte (x, y) di ciascun giocatore nella trama digitando fit<\/strong> , che \u00e8 il nome della variabile in cui abbiamo memorizzato i risultati della funzione cmdscale()<\/strong> :<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre attivit\u00e0 comuni in R:<\/span><\/p>\n Come normalizzare i dati in R<\/a> In statistica, il ridimensionamento multidimensionale \u00e8 un modo per visualizzare la somiglianza delle osservazioni in un set di dati in uno spazio cartesiano astratto (solitamente spazio 2D). Il modo pi\u00f9 semplice per eseguire il ridimensionamento multidimensionale in R \u00e8 utilizzare la funzione cmdscale() incorporata, che utilizza la seguente sintassi di base: cmdscale(d, eig = FALSO, […]<\/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
Esempio: ridimensionamento multidimensionale 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![\"ridimensionamento](\"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 Risorse addizionali<\/strong><\/span><\/h2>\n
Come creare un data center in R<\/a>
Come rimuovere gli outlier in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"